- 机器视觉|手势识别:基于YOLOv5的手部检测与MediaPipe的关键点估计
RockLiu@805
机器视觉YOLO
手势识别:基于YOLOv5的手部检测与MediaPipe的关键点估计在实时计算机视觉应用中,手部检测与关键点估计是实现手势识别的重要基础。本文将介绍一种基于深度学习的手势识别技术方案,通过结合YOLOv5物体检测网络和MediaPipe关键点检测框架,实现实时的手部定位与关键点提取。技术背景gesturerecognition作为计算机视觉领域的重要研究方向,在HCI(人机交互)、遥控行为分析、虚
- CMake Error at myplugins_generated_yololayer.cu.o.Debug,tensorrtx编译失败解决
雪可问春风
BUG人工智能
system:ubuntu1804gpu:3060cuda:cuda11.4tensorrt:8.4使用项目tensorrtx进行yolov5的engine生成,之前在编译成功的配置为system:ubuntu1804gpu:2060cuda:cuda10.2tensorrt:7.2.3.4换到3060后,make失败,报错错误:/home/yfzx/work/vs-work/tensorrt-y
- [YOLO专题-22]:YOLO V5 - ultralytics代码解析-超参数详解
文火冰糖的硅基工坊
人工智能-YOLO专题目标检测计算机视觉深度学习YOLO超参数
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122372614目录前言:第1章超参数配置文件的基本信息1.1超参数配置文件的路径路径1.2超参数配置文件1.3如何指定超参数配置文件第2章超参数内容详解前言:YOLOV5除了通过用户命令行参数
- 基于YOLOv5的车牌识别系统:从数据集到UI界面的实现
深度学习&目标检测实战项目
YOLOv5实战项目YOLOui分类数据挖掘目标跟踪
1.引言随着智能交通系统的发展,车牌识别技术已成为交通管理、停车场自动化、路面监控等应用中的关键技术之一。车牌识别系统(LicensePlateRecognition,LPR)主要用于识别车辆的车牌号码,并将其转化为可以进一步处理的数据。车牌识别系统通常由图像处理、字符识别、目标检测等多种技术组成。近年来,随着深度学习技术的飞速发展,基于卷积神经网络(CNN)的目标检测算法,如YOLO(YouOn
- YOLO系列模型从v1到v10的演进
剑走偏锋o.O
YOLO目标跟踪人工智能
文章目录引言YOLOv1:开创单阶段目标检测先河发布时间与背景核心创新模型架构训练策略与优化YOLOv2:提升精度与速度的平衡发布时间与背景核心创新模型架构训练策略与优化YOLOv3:多尺度检测与残差连接发布时间与背景核心创新模型架构训练策略与优化YOLOv4:引入注意力机制与优化模块发布时间与背景核心创新模型架构训练策略与优化YOLOv5:工程优化与实际应用的结合发布时间与背景核心创新模型架构训
- YOLOv5改进:在C3块不同位置添加EMA注意力机制,有效提升计算机视觉性能
UksApps
YOLO计算机视觉深度学习
计算机视觉中的目标检测是一个重要的任务,而YOLOv5是目前广泛应用的一种高效目标检测算法。为了进一步提升YOLOv5的性能,我们在C3块的不同位置添加了EMA(ExponentialMovingAverage)注意力机制。EMA注意力机制是一种用于提升模型的感知能力和特征表达能力的技术。在YOLOv5中,我们将EMA注意力机制嵌入到C3块中,以增强这一块的特征表示能力。下面是我们改进的YOLOv
- YOLOv5涨点优化:原创自研 | 魔改Bottleneck,具备多尺度和特征通道融合的结构
AI小怪兽
YOLOv5原创自研YOLO深度学习人工智能神经网络算法华为
本文原创自研创新改进:魔改Bottleneck,具备多尺度和特征通道融合的结构,该模型在检测准确性方面都取得了良好的效果,尤其在缺陷检测方向。收录YOLOv5原创自研https://blog.csdn.net/m0_63774211/category_12511931.html
- 《 YOLOv5、YOLOv8、YOLO11训练的关键文件:data.yaml文件编写全解》
空云风语
人工智能YOLO机器视觉目标跟踪人工智能计算机视觉YOLO
走进YOLOv5、YOLOv8、YOLO11的data.yaml在计算机视觉领域的广袤星空中,目标检测无疑是一颗璀璨的明星,它广泛应用于自动驾驶、智能安防、工业检测、医疗影像分析等众多关键领域,发挥着不可或缺的作用。而YOLO系列算法,更是以其独特的“一次看全(YouOnlyLookOnce)”理念和卓越的性能,在目标检测领域中独树一帜,成为了众多研究者和开发者的首选工具。从最初的YOLOv1横空
- 基于YOLOv5的烟雾检测系统:从数据集准备到UI界面实现
深度学习&目标检测实战项目
YOLOui分类数据挖掘目标跟踪
1.引言烟雾是火灾发生的一个重要早期信号。烟雾检测能够在火灾初期及时识别并报警,为火灾的扑灭争取宝贵的时间。因此,烟雾检测的研究一直是计算机视觉领域中的一个热点问题。近年来,随着深度学习技术的发展,目标检测算法被广泛应用于烟雾检测,尤其是基于YOLOv5的目标检测模型,由于其较高的精度和较低的计算开销,已经成为许多实时检测系统的首选模型。在这篇博客中,我们将介绍如何使用YOLOv5模型进行烟雾检测
- 【基于国产RK3588-NPU的yolov5的AI智能盒子】
贝壳里的沙
人工智能
基于国产RK3588-NPU的yolov5的AI智能盒子背景识别效果区别Python版本目标识别实现cmake(c/c++)版本实现背景前面写了一篇关于基YOLOV5实现的AI智能盒子的实现方案,这篇文章着重讲了如何在NVIDIA-英伟达芯片上如何实现目标识别的过程(可能已经被官方屏蔽了)。但是因为中美芯片限制问题,很多朋友联系到我,跟我提了是否可以基于国产芯片来迁移yolov5框架平台?国产芯片
- yolov5代码详解--1.python代码脚本
三炭先生
yolo算法YOLOpython算法
一、detect.py作为YOLOv5模型推理的核心执行文件,detect.py实现了从数据加载到结果输出的完整目标检测流水线。本文只讲代码中最主要的opt内函数的含义,这是detect最核心的东西,至于其他的代码注释我会放在下面,有什么不懂可以评论区提问。下面对每个命令行参数进行详细介绍,说明它们在检测推理过程中的含义和作用:--weights指定模型权重文件的路径(或多个路径),也可以是远程T
- 基于Flask和VUE的YOLOv5目标检测模型部署
薄泳蕙Howard
基于Flask和VUE的YOLOv5目标检测模型部署基于Flask和VUE的YOLOv5目标检测模型部署本资源文件提供了一个基于Flask开发后端、VUE开发前端框架的完整项目,用于在WEB端部署YOLOv5目标检测模型。通过本项目,您可以轻松地将YOLOv5模型集成到您的WEB应用中,实现目标检测功能项目地址:https://gitcode.com/open-source-toolkit/20e
- 基于Flask和VUE的YOLOv5目标检测模型部署:轻松实现WEB端目标检测
咎尉裕Lilah
基于Flask和VUE的YOLOv5目标检测模型部署:轻松实现WEB端目标检测【下载地址】Yolov5-Flask-VUE基于Flask和VUE的YOLOv5目标检测模型部署本项目提供了一个基于Flask开发后端、VUE开发前端的框架,用于在WEB端部署YOLOv5目标检测模型。通过本项目,您可以轻松地将YOLOv5模型集成到您的WEB应用中,实现目标检测功能项目地址:https://gitcod
- Jetson系列: tensorrt-python推理yolov5(一)
weixin_55083979
jetson系列YOLOpytorch深度学习
目录一.onnx模型导出二.TensorRT模型本地序列化三.算法整体Pipline架构四.算法整体Pipline实现一.onnx模型导出在使用tensorrt进行加速之前需要将自己的torch模型转为onnx格式的,这个操作很基础就不赘述了,自己根据自己的任务、部署设备选择合适的batch/infersize/opsetyolov5官方导出onnx脚本Example:```pythonfromp
- 基于YOLOv5的无人机农田监测系统实现与UI界面设计
深度学习&目标检测实战项目
YOLO无人机ui深度学习分类目标检测
一、引言随着无人机技术和深度学习算法的快速发展,农业领域逐渐引入了智能化监测手段。无人机农田监测结合了无人机的高空拍摄能力和计算机视觉技术,能够实时获取农田的图像数据,并对作物生长状态、病虫害检测、土地使用情况等进行智能分析。深度学习中的目标检测技术,如YOLOv5,能够帮助实现精准的农田监测,提供自动化的解决方案。在这篇博客中,我们将介绍如何利用YOLOv5进行无人机农田监测,如何使用图形用户界
- 探索高性能AI识别和边缘计算 | NVIDIA Jetson Orin Nano 8GB 开发套件测评总结
Loving_enjoy
实用技巧人工智能边缘计算
#NVIDIAJetsonOrinNano8GB测评:当边缘计算遇上"性能暴徒",树莓派看了想转行引言:比咖啡机还小的"AI超算",却让开发者集体沸腾2025年的某个深夜,程序员老王盯着工位上巴掌大的NVIDIAJetsonOrinNano,突然热泪盈眶——这个尺寸堪比奥利奥饼干盒的设备,跑YOLOv5的速度竟比他去年买的游戏本还快3倍!隔壁桌用树莓派做毕设的大学生小张探头一看,默默把刚买的Ras
- 基于YOLOv5深度学习的田间杂草检测系统:UI界面 + YOLOv5 + 数据集详细教程
深度学习&目标检测实战项目
YOLO深度学习uiYOLOv5人工智能计算机视觉
引言随着农业科技的进步,智能化农业越来越受到重视,尤其是通过计算机视觉技术对作物进行监测和管理。在农业生产中,杂草的生长对作物的生长产生了负面影响,因此准确地检测和识别田间杂草至关重要。本文将详细介绍如何构建一个基于深度学习的田间杂草检测系统,使用YOLOv5模型进行目标检测,并提供一个用户友好的界面。我们将分步骤进行,包括环境配置、数据集准备、模型训练、实时杂草检测系统的实现等内容。目录引言目录
- YOLOv5的Conv是什么,Conv就是卷积吗(1)
hjs314159
YOLO深度学习人工智能
不论是看YOLOv5还是最新的YOLOv12的网络结构,里面都有一个看起来雷打不动的部分,ConvConvolutionConvolution是卷积的意思,我们看一张图来简单理解一下神经网络里面的卷积的过程是什么样的。卷积一定是一个输入矩阵(特征)和一个卷积核矩阵做图中这样的计算。我们可以想象输入的就是一张单通道的黑白图像,特征矩阵的每一个数字代表了颜色的深浅(简单理解)。卷积核就相当于一个特征提
- 基于深度学习的田间杂草检测系统:YOLOv5/v6/v7/v8/v10模型实现与UI界面集成
深度学习&目标检测实战项目
深度学习YOLOui人工智能目标检测
随着农业科技的发展,农作物的种植和管理越来越依赖于智能化技术。杂草作为农田生产中的一种主要竞争作物,会对农作物的生长造成负面影响。为了提高作物产量和品质,及时准确地检测和管理杂草显得尤为重要。本文将详细介绍如何构建一个基于深度学习的田间杂草检测系统,使用YOLO模型进行目标检测,包含数据集准备、模型训练、用户界面设计及系统实现。目录1.项目概述1.1背景1.2项目目标2.环境准备2.1软件需求2.
- AI视觉觉醒:深度学习如何革新视频标注,释放数据潜力基于深度学习的视频自动标注系统
海棠AI实验室
AI理论探索与学术前沿人工智能深度学习音视频
目录引言:被忽视的视频数据金矿传统视频标注的困境:效率、成本与瓶颈深度学习:视频自动标注的破局之道深度学习视频自动标注系统架构系统架构图核心技术解析目标检测(ObjectDetection)行为识别(ActionRecognition)视频分割(VideoSegmentation)代码实践:基于YOLOv5的目标检测视频标注示例挑战与未来展望结语:AI赋能,释放视频数据的无限可能引言:被忽视的视频
- 基于YOLOv5的无人超市商品检测:食品、饮料、零食与家居用品
深度学习&目标检测实战项目
YOLO目标跟踪深度学习人工智能ui
引言随着人工智能技术的快速发展,尤其是计算机视觉的提升,无人超市的概念逐渐成为现实。在无人超市中,商品的智能化管理和检测是其顺利运行的关键。商品检测不仅要实现高效、准确的物品识别,还要支持多种商品类别的实时检测,以保证购物体验的顺畅与安全。在此背景下,深度学习与目标检测算法,如YOLOv5,成为了实现这一目标的重要工具。YOLOv5作为目前最先进且高效的目标检测算法之一,其应用范围广泛,包括人脸检
- 基于YOLOv5的野生动物检测与监控系统:猫、狗、鸟、猴子、狮子、老虎、象的实时识别与分析
深度学习&目标检测实战项目
YOLO目标跟踪人工智能深度学习ui目标检测机器学习
1.引言随着人工智能技术的飞速发展,尤其是深度学习在计算机视觉领域的突破,目标检测技术已广泛应用于各类场景。从城市交通监控到安防系统,再到野生动物保护和生态监测,目标检测技术为我们提供了实时、精确的解决方案。在众多目标检测算法中,YOLO(YouOnlyLookOnce)系列因其高效性和实时性,已成为解决多类别目标检测任务的首选方法。本文将介绍如何使用YOLOv5进行野生动物检测与监控,包括猫、狗
- YOLOv5 + SE注意力机制:提升目标检测性能的实践
那年一路北
YoloYOLO目标跟踪人工智能
一、引言目标检测是计算机视觉领域的一个重要任务,广泛应用于自动驾驶、安防监控、工业检测等领域。YOLOv5作为YOLO系列的最新版本,以其高效性和准确性在实际应用中表现出色。然而,随着应用场景的复杂化,传统的卷积神经网络在处理复杂背景和多尺度目标时可能会遇到性能瓶颈。为此,引入注意力机制成为了一种有效的改进方法。本文将详细介绍如何在YOLOv5中引入SE(Squeeze-and-Excitatio
- 基于深度学习的行人跌倒检测系统:UI 界面 + YOLOv5 + 数据集详解
深度学习&目标检测实战项目
深度学习uiYOLO目标检测人工智能
引言随着人口老龄化的加剧,老年人的安全问题日益引起重视,跌倒事故是导致老年人伤亡的重要原因之一。为了降低跌倒事故的发生率和伤害程度,行人跌倒检测系统的研究变得愈加重要。本文将详细介绍如何基于YOLOv5构建一个行人跌倒检测系统,并设计相应的用户界面,结合深度学习技术实现实时检测。目录引言系统设计概述数据集准备数据集选择数据预处理data.yaml文件模型选择与训练YOLOv5介绍模型训练步骤用户界
- yolov5转onnx模型,onnx转rknn模型部署在rk3588平台上
wtqpshhh
YOLOpython
安装python等环境,以及相关依赖库,然后克隆YOLOv5仓库的源码。#安装anaconda参考前面环境搭建教程,然后使用conda命令创建环境condacreate-nyolov5python=3.9condaactivateyolov5#拉取最新的yolov5(教程测试时是v7.0),可以指定下版本分支#gitclonehttps://github.com/ultralytics/yolov
- 高压输电线故障检测数据集 YOLO 格式
幽络源小助理
幽络源资料分享人工智能机器学习深度学习
数据集介绍高压输电线故障检测数据集是一个专为电力行业AI模型训练设计的高质量数据集,支持YOLO格式的方框标注,适用于目标检测任务。数据集特点图像数量:1912张高质量图像,涵盖多种场景和光照条件。标注类别:6个类别,包括正常高压线、故障高压线、正常绝缘子、故障绝缘子等。格式支持:支持YOLOv5、YOLOv8等多种YOLO格式,方便直接用于模型训练。数据划分:训练集(1794张)、验证集(77张
- cap4:YoloV5的TensorRT部署指南(python版)
我是一个对称矩阵
TensorRT全流程部署指南YOLOpython人工智能TensorRT模型部署
《TensorRT全流程部署指南》专栏文章目录:《TensorRT全流程部署指南》专栏主页cap1:TensorRT介绍及CUDA环境安装cap2:1000分类的ResNet的TensorRT部署指南(python版)cap3:自定义数据集训练ResNet的TensorRT部署指南(python版)cap4:YoloV5目标检测任务的TensorRT部署指南(python版)cap5:YoloV5
- 基于YOLOv5、FaceNet与KNN的人脸识别系统
reset2021
人脸识别系统YOLOfacenetknn人脸检测
步骤1:环境配置安装依赖库:安装Python3.x安装TensorFlow、Keras、OpenCV等深度学习库获取数据集:收集训练用的多个人脸图像(每个用户至少几十张)将图像按用户分类存放在data/train/user1,user2等文件夹中步骤2:训练YOLO模型配置YOLO数据集:创建一个data.yaml文件,配置您的数据集路径和标签train:./data/train/images/v
- RK3588 Linux板端推理时报错Segmentation fault解决办法
kennyooooo
linux目标检测yolo嵌入式硬件
目录问题解决生成core文件修改core文件存储路径Ubuntu20.04下的异常状况利用core文件进行调试问题最近在使用rk3588跑官方提供的yolov5模型demo,能够完成单张图片的目标检测,但是在运行视频流demo时,系统报错:segmentationfault(coredumped)此时没有再给出更多的报错信息,不太好debug,在网上阅读了一些博客现在整理一下。解决在Linux下遇
- 改进YOLO系列 | YOLOv5/v7 引入 Dynamic Snake Convolution | 动态蛇形卷积
wei子
YOLO目标跟踪人工智能
改进YOLO系列:动态蛇形卷积(DynamicSnakeConvolution,DSC)简介YOLO系列目标检测算法以其速度和精度著称,但对于细长目标例如血管、道路等,其性能仍有提升空间。动态蛇形卷积(DSC)是YOLOv5/v7中引入的一种改进,旨在更好地处理细长目标。DSC原理DSC的核心思想是使用类似蛇形运动的卷积核来提取细长目标的特征。具体来说,DSC卷积核沿着一系列控制点移动,并根据每个
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理