- labelme转YOLOv8、YOLOv5 标签格式 标注数据
一颗小树x
YOLO目标检测实践应用labelmeYOLOv8YOLOv5标签格式标注数据
前言本文分析将labelme的标签,转为YOLOv8、YOLOv5的格式,实现模型训练。首先了解YOLOv8和YOLOv5标签格式,然后了解labelme标签格式,最近实现数据格式转换。1、YOLOv8和YOLOv5标签格式YOLOv8的标签格式与YOLOv5基本相同,使用一种简单的txt文本格式,来存储每个图像的标注数据。每个图像对应一个文本文件,这些文本文件与图像文件位于同一目录并且具有相同的
- yolov8(8.2.10)+deepsort(demo)
fengsongdehappy
YOLO
只需要训练好yolov8的检测模型然后调用:results=model.track(frame,persist=True)#执行跟踪,persist=True表示持续跟踪。保持同一个人在多帧画面的id一就可以完整代码:importcv2importnumpyasnpfromultralyticsimportYOLOfromcollectionsimportdefaultdict#框的中心点的历史轨
- YOLOv8中Bottleneck模块详解
王了了哇
YOLO计算机视觉深度学习pytorchpython
1.Bottleneck模块介绍Bottleneck模块在YOLOv8中的作用是进行特征提取和增强,是网络中的核心构建模块之一。它的主要功能是通过卷积操作来处理输入特征图,并在适当情况下应用残差连接,使得信息能够有效地通过网络层进行传播。2.Bottleneck模块的位置和作用在YOLOv8的网络结构中,Bottleneck模块被多次使用,主要出现在以下几个部分:Backbone部分:在多个层次上
- 使用 YOLOv8 模型分析摄像头的图像
欣然~
YOLO
在Python中使用YOLOv8模型分析摄像头的图像并进行分类。1.安装依赖库首先,你需要安装ultralytics库,它提供了YOLOv8的PythonAPI。可以使用以下命令进行安装:bashpipinstallultralytics2.编写Python代码以下是一个使用YOLOv8模型对摄像头图像进行分类的示例代码:importcv2fromultralyticsimportYOLO#加载预
- 【YOLO】常用脚本
我才是真正的17号
脚本YOLO人工智能深度学习
目录VOC转YOLO划分训练集、测试集与验证集VOC转YOLOimportosimportxml.etree.ElementTreeasETdefconvert(size,box):dw=1./size[0]dh=1./size[1]x=(box[0]+box[1])/2.0y=(box[2]+box[3])/2.0w=box[1]-box[0]h=box[3]-box[2]x=x*dww=w*d
- yolo使用的一些脚本
一休哥※
YOLO深度学习python
合并yolo标注label输入两个路径的labels,可以特定的32类别的标注合并到target_dir目录中的txt中#-*-coding:utf-8-*-#@Time:2024/6/1917:57#@Author:sjh#@Site:#@File:python_txt.py#@Comment:importos#定义源目录和目标目录source_dir=r"E:\Download\Dataset
- yolo数据增强
攀神
YOLOpython开发语言
importosimportcv2importnumpyasnpimportalbumentationsasA#定义数据增强的变换,可以根据需要自定义transform=A.Compose([A.HorizontalFlip(p=0.5),#水平翻转A.RandomBrightnessContrast(p=0.5),#随机亮度和对比度A.Rotate(limit=15,p=0.5),#随机旋转A.
- 基于深度学习YOLOv5的活体人脸检测系统(Python+PySide6界面+训练代码)
深度学习&目标检测实战项目
深度学习YOLOpython人工智能目标跟踪计算机视觉开发语言
一、前言随着人工智能技术的快速发展,计算机视觉(ComputerVision)已广泛应用于各种实际场景中,特别是在安全、金融、医疗等领域。人脸识别作为计算机视觉的一个重要应用,已经成为很多身份验证、安防监控、智能门禁等系统的核心技术。近年来,随着深度学习的突破,YOLO(YouOnlyLookOnce)系列算法因其高效、准确、实时的特点,广泛应用于物体检测任务。在实际的人脸识别应用中,活体人脸检测
- 【深度学习】YOLO-World: Real-Time Open-Vocabulary Object Detection,目标检测
XD742971636
深度学习机器学习深度学习YOLO目标检测
介绍一个酷炫的目标检测方式:论文:https://arxiv.org/abs/2401.17270代码:https://github.com/AILab-CVC/YOLO-World文章目录摘要Introduction第2章相关工作2.1传统目标检测2.2开放词汇目标检测第3章方法3.1预训练公式:区域-文本对3.2模型架构3.3可重参数化的视觉-语言路径聚合网络(RepVL-PAN)3.4预训练
- Python知识点:基于Python技术,如何使用YOLO进行实时物体检测
超哥同学
Python系列pythonYOLO开发语言面试编程
开篇,先说一个好消息,截止到2025年1月1日前,翻到文末找到我,赠送定制版的开题报告和任务书,先到先得!过期不候!使用YOLO进行实时物体检测的Python技术详解实时物体检测是计算机视觉中的一个关键任务,它要求算法能够快速且准确地识别和定位图像或视频流中的物体。YOLO(YouOnlyLookOnce)算法因其速度快、性能高而受到广泛关注。在本文中,我们将详细介绍如何使用Python和YOLO
- 基于深度学习YOLOv8的海洋动物检测系统(Python+PySide6界面+训练代码)
深度学习&目标检测实战项目
深度学习YOLOpython目标检测人工智能开发语言
引言近年来,计算机视觉技术在各行各业中得到了广泛的应用,特别是在智能监控、自动驾驶、医疗诊断等领域。深度学习,尤其是卷积神经网络(CNN)的出现,极大地提高了计算机处理图像和视频的能力。在这一领域,YOLO(YouOnlyLookOnce)系列模型以其高效且准确的目标检测能力,成为了当下最为流行的深度学习模型之一。在海洋生物保护、海洋环境监测等应用中,快速识别和检测海洋动物种类对于科学研究和保护工
- 基于YOLOv5深度学习的木材表面缺陷检测系统: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
随着工业自动化的发展,木材加工行业对产品质量的要求日益提高。木材表面缺陷的检测是确保产品质量的重要环节。传统的人工检测方式不仅费时费力,而且容易受到人为因素的影响。基于深度学习的目标检测技术,尤其是YOLOv5,凭借其优越的实时性和准确性,成为木材表面缺陷检测的有效工具。本博客将详细介绍如何构建一个基于YOLOv5的木材表面缺陷检测系统,包括数据集准备、模型训练、UI界面开发及完整代码实现。目录目
- 还没搞懂YOLO v7,YOLO v8已经来了!
沃恩智慧
目标检测深度学习计算机视觉
YOLO系列又双叒更新!只能说,YOLO系列发展地真快,已经有点跟不上了!YOLOv1-YOLOv8系列回顾YOLOv1:2015年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv2:2016年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv3:2018年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv4:2020年Al
- 【git-hub项目:YOLOs-CPP】本地实现01:项目构建
认识祂
CV计算机视觉gitcppYOLOs-CPP模型部署人工智能
目录写在前面项目介绍最新发布说明Segmentation示例功能特点依赖项安装克隆代码仓库配置构建项目写在前面前面刚刚实现的系列文章:【Windows/C++/yolo开发部署01】【Windows/C++/yolo开发部署02】【Windows/C++/yolo开发部署03】【Windows/C++/yolo开发部署04】【Windows/C++/yolo开发部署05】必须用nividia显卡的
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-patches.py
红色的山茶花
YOLO笔记深度学习
patches.pyultralytics\utils\patches.py目录patches.py1.所需的库和模块2.defimread(filename:str,flags:int=cv2.IMREAD_COLOR):3.defimwrite(filename:str,img:np.ndarray,params=None):4.defimshow(winname:str,mat:np.nda
- 模型实战(19)之 从头搭建yolov9环境+tensorrt部署+CUDA前处理 -> 实现目标检测
明月醉窗台
#深度学习实战例程目标检测人工智能计算机视觉图像处理YOLO
从头搭建yolov9环境+tensorrt部署实现目标检测yolov9虚拟环境搭建实现训练、推理与导出导出onnx并转为tensorrt模型Python\C++-trt实现推理,CUDA实现图像前处理文中将给出详细实现源码python、C++效果如下:output_video_11.搭建环境拉下官方代码根据配置下载虚拟环境所需包详细步骤如下:
- rk3588部署yolov8视频目标检测教程
今夕是何年,
视觉算法部署YOLO目标检测人工智能
目录1.环境配置1.1训练和导出onnx环境(电脑端执行)1.2导出rknn环境(电脑端执行)2.训练部分(电脑端执行)2.1训练脚本(电脑端执行)3.onnx转rknn(电脑端执行)1.环境配置1.1训练和导出onnx环境(电脑端执行)#使用conda创建一个python环境condacreate-ntorchpython=3.9#激活环境condaactivatetorch#安装yolov8p
- YOLO各版本原理和优缺点解析
Ash Butterfield
计算机视觉
YOLO(YouOnlyLookOnce)是一种实时目标检测算法,以其高速度和较高精度著称。以下是各版本的详细介绍及优缺点分析:1.YOLOv1(2016年)原理:将输入图像划分为S×SS\timesSS×S的网格,每个网格预测多个边界框和类别置信度。使用单个神经网络直接对图像进行前向传播预测边界框和类别标签。优点:速度快,适合实时应用。模型结构简单,易于实现和训练。缺点:对小目标检测效果差,容易
- 学习系列二:常用目标检测的格式转换脚本文件txt,json等
小啊磊_Vv
目标检测YOLO人工智能计算机视觉json
常用目标检测的格式转换脚本文件txt,json等文章目录常用目标检测的格式转换脚本文件txt,json等前言一、json格式转yolo的txt格式二、yolov8的关键点labelme打的标签json格式转可训练的txt格式三、yolo的目标检测txt格式转coco数据集标签的json格式四、xml格式转yolo数据集标签的txt格式五、根据yolo的目标检测训练的最好权重推理图片六、根据yolo
- 【目标检测】YOLO格式数据集txt标注转换为COCO格式JSON
ericdiii
目标检测目标检测YOLOjson
YOLO格式数据集:images|--train|--test|--vallabels|--train|--test|--val代码:importosimportjsonfromPILimportImage#设置数据集路径dataset_path="path/to/your/dataset"images_path=os.path.join(dataset_path,"images")labels_
- 目标检测:yolo格式txt转换成COCO格式json
詹姆斯德
格式转换目标检测YOLOjson
修改对应文件路径即可,其他根据txt或者希望生成的json做轻微调整#-*-coding:utf-8-*-importosimportjsonfromPILimportImagecoco_format_save_path="/home/admin1/data/LVIS"#要生成的标准coco格式标签所在文件夹yolo_format_classes_path="/home/admin1/data/L
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-ops.py
红色的山茶花
YOLO笔记深度学习
ops.pyultralytics\utils\ops.py目录ops.py1.所需的库和模块2.classProfile(contextlib.ContextDecorator):3.defsegment2box(segment,width=640,height=640):4.defscale_boxes(img1_shape,boxes,img0_shape,ratio_pad=None,pa
- 基于深度学习YOLOv5的海洋动物检测系统
深度学习&目标检测实战项目
深度学习YOLO目标跟踪人工智能目标检测计算机视觉
1.引言随着人工智能技术的快速发展,深度学习在图像处理领域的应用逐渐展现出强大的能力,尤其是在目标检测任务上。YOLO(YouOnlyLookOnce)系列模型作为一种高效的目标检测算法,以其实时性和高精度在许多领域得到了广泛应用。海洋动物的检测任务也因此受益,借助深度学习模型,我们可以实时、自动地检测海洋中的动物,有助于海洋生态研究、环境保护以及水下监测等多个领域。本文将详细介绍如何基于YOLO
- 基于YOLOv5、YOLOv8和YOLOv10的车站行李监控系统:深度学习应用与实现
深度学习&目标检测实战项目
YOLO深度学习人工智能目标检测目标跟踪
引言在现代车站,行李监控是一项至关重要的安全任务。随着交通安全要求的不断提高,尤其是在车站等人流密集的场所,及时检测和识别行李不仅有助于防止行李遗失或误取,还能有效地减少潜在的安全威胁。传统的人工检查方法已经无法满足快速响应和高精度的需求,而基于深度学习的目标检测技术,特别是YOLO(YouOnlyLookOnce)系列算法,成为了高效解决此类问题的理想选择。YOLO系列算法(包括YOLOv5、Y
- 使用yolo11x进行物体分类
欣然~
分类人工智能深度学习
利用yolo11x进行物体识别一、物品分类代码说明模型加载:加载yolo11x.pt模型,如果这个模型在物体分类上表现不佳,可以考虑使用像yolov8n.pt这类通用的预训练模型。摄像头设置:打开电脑摄像头并将帧率设置为10fps,以此减轻处理负担。FPS计算:借助time库计算每帧的处理时间,进而得到FPS值,并在画面左上角显示。物体检测与分类:运用model(frame,conf=0.5,ve
- YOLOv8改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构,强化小目标检测能力
Limiiiing
YOLOv8改进专栏YOLO目标检测深度学习计算机视觉
一、本文介绍本文主要利用GOLD-YOLO中的颈部结构优化YOLOv8的网络模型。GOLD-YOLO颈部结构中的GD机制借鉴了全局信息融合的理念,通过独特的模块设计,在不显著增加延迟的情况下,高效融合不同层级的特征信息。将其应用于YOLOv8的改进过程中,能够使模型更有效地整合多尺度特征,减少信息损失,强化对不同大小目标物体的特征表达,从而提升模型在复杂场景下对目标物体的检测精度与定位准确性。专栏
- 基于深度学习YOLOv5的火焰检测系统
深度学习&目标检测实战项目
深度学习YOLO人工智能目标跟踪目标检测
引言随着智能监控技术和深度学习的不断发展,火灾检测系统已经成为了自动化消防领域中的重要应用之一。传统的火灾报警系统往往依赖于温度传感器或烟雾探测器,但这些方法常常容易受到环境变化的影响,如高温、湿度等因素,这可能导致误报或漏报的情况。近年来,基于视觉的火灾检测系统,特别是使用深度学习进行图像处理和火焰识别,逐渐成为一种更为可靠的解决方案。本文将介绍如何基于深度学习和YOLOv5模型,构建一个火焰检
- YOLOv8改进策略【Neck】| TPAMI 2024 FreqFusion 频域感知特征融合模块 解决密集图像预测问题
Limiiiing
YOLOv8改进专栏YOLO深度学习计算机视觉目标检测
一、本文介绍本文主要利用FreqFusion结构改进YOLOv8的目标检测网络模型。FreqFusion结构针对传统特征融合在密集图像预测中存在的问题,创新性地引入自适应低通滤波器生成器、偏移量生成器和自适应高通滤波器生成器。将FreqFusion应用于YOLOv8的改进过程中,能够使模型在处理复杂场景图像时,更精准地聚焦目标物体边界,减少背景噪声干扰,显著强化目标物体边界特征表达,进而提升模型在
- 【目标检测xml2txt】label从VOC格式xml文件转YOLO格式txt文件
zy_destiny
花式label转换目标检测xmlYOLO人工智能计算机视觉python
目录1.VOC格式xml文件2.YOLO格式txt文件3.xml2txt代码(python)整理不易,欢迎一键三连!!!送你们一条美丽的--分割线--1.VOC格式xml文件VOC数据格式是一种用于图像标注的标准格式,它用于存储图像及其相关的标注信息。在VOC格式中,每张图片的标注标签信息会被保存到一个XML文件中。XML文件的结构包括以下几个部分:annotation:这是整个XML文件的主要部
- 视频分析:基于目标检测(YOLO)实现走路看手机检测、玩手机检测、跌倒检测等
shiter
人工智能系统解决方案与技术架构音视频深度学习人工智能
文章大纲背景行为检测的定义与挑战视频分析数据集目标检测数据集自制数据集思路Kaggle数据集COCO数据集OpenImagesDatasetV7人类行为视频分析yolo进行行为分析的检测看手机行为检测--方法与数据集方法数据集跌倒行为检测--方法与数据集跌倒检测-数据集跌倒检测-目标检测跌倒检测-姿态估计参考文献与学习路径背景行为检测在自动驾驶、视频监控等领域的广阔应用前景使其成为了视频分析的研究
- 怎么样才能成为专业的程序员?
cocos2d-x小菜
编程PHP
如何要想成为一名专业的程序员?仅仅会写代码是不够的。从团队合作去解决问题到版本控制,你还得具备其他关键技能的工具包。当我们询问相关的专业开发人员,那些必备的关键技能都是什么的时候,下面是我们了解到的情况。
关于如何学习代码,各种声音很多,然后很多人就被误导为成为专业开发人员懂得一门编程语言就够了?!呵呵,就像其他工作一样,光会一个技能那是远远不够的。如果你想要成为
- java web开发 高并发处理
BreakingBad
javaWeb并发开发处理高
java处理高并发高负载类网站中数据库的设计方法(java教程,java处理大量数据,java高负载数据) 一:高并发高负载类网站关注点之数据库 没错,首先是数据库,这是大多数应用所面临的首个SPOF。尤其是Web2.0的应用,数据库的响应是首先要解决的。 一般来说MySQL是最常用的,可能最初是一个mysql主机,当数据增加到100万以上,那么,MySQL的效能急剧下降。常用的优化措施是M-S(
- mysql批量更新
ekian
mysql
mysql更新优化:
一版的更新的话都是采用update set的方式,但是如果需要批量更新的话,只能for循环的执行更新。或者采用executeBatch的方式,执行更新。无论哪种方式,性能都不见得多好。
三千多条的更新,需要3分多钟。
查询了批量更新的优化,有说replace into的方式,即:
replace into tableName(id,status) values
- 微软BI(3)
18289753290
微软BI SSIS
1)
Q:该列违反了完整性约束错误;已获得 OLE DB 记录。源:“Microsoft SQL Server Native Client 11.0” Hresult: 0x80004005 说明:“不能将值 NULL 插入列 'FZCHID',表 'JRB_EnterpriseCredit.dbo.QYFZCH';列不允许有 Null 值。INSERT 失败。”。
A:一般这类问题的存在是
- Java中的List
g21121
java
List是一个有序的 collection(也称为序列)。此接口的用户可以对列表中每个元素的插入位置进行精确地控制。用户可以根据元素的整数索引(在列表中的位置)访问元素,并搜索列表中的元素。
与 set 不同,列表通常允许重复
- 读书笔记
永夜-极光
读书笔记
1. K是一家加工厂,需要采购原材料,有A,B,C,D 4家供应商,其中A给出的价格最低,性价比最高,那么假如你是这家企业的采购经理,你会如何决策?
传统决策: A:100%订单 B,C,D:0%
&nbs
- centos 安装 Codeblocks
随便小屋
codeblocks
1.安装gcc,需要c和c++两部分,默认安装下,CentOS不安装编译器的,在终端输入以下命令即可yum install gccyum install gcc-c++
2.安装gtk2-devel,因为默认已经安装了正式产品需要的支持库,但是没有安装开发所需要的文档.yum install gtk2*
3. 安装wxGTK
yum search w
- 23种设计模式的形象比喻
aijuans
设计模式
1、ABSTRACT FACTORY—追MM少不了请吃饭了,麦当劳的鸡翅和肯德基的鸡翅都是MM爱吃的东西,虽然口味有所不同,但不管你带MM去麦当劳或肯德基,只管向服务员说“来四个鸡翅”就行了。麦当劳和肯德基就是生产鸡翅的Factory 工厂模式:客户类和工厂类分开。消费者任何时候需要某种产品,只需向工厂请求即可。消费者无须修改就可以接纳新产品。缺点是当产品修改时,工厂类也要做相应的修改。如:
- 开发管理 CheckLists
aoyouzi
开发管理 CheckLists
开发管理 CheckLists(23) -使项目组度过完整的生命周期
开发管理 CheckLists(22) -组织项目资源
开发管理 CheckLists(21) -控制项目的范围开发管理 CheckLists(20) -项目利益相关者责任开发管理 CheckLists(19) -选择合适的团队成员开发管理 CheckLists(18) -敏捷开发 Scrum Master 工作开发管理 C
- js实现切换
百合不是茶
JavaScript栏目切换
js主要功能之一就是实现页面的特效,窗体的切换可以减少页面的大小,被门户网站大量应用思路:
1,先将要显示的设置为display:bisible 否则设为none
2,设置栏目的id ,js获取栏目的id,如果id为Null就设置为显示
3,判断js获取的id名字;再设置是否显示
代码实现:
html代码:
<di
- 周鸿祎在360新员工入职培训上的讲话
bijian1013
感悟项目管理人生职场
这篇文章也是最近偶尔看到的,考虑到原博客发布者可能将其删除等原因,也更方便个人查找,特将原文拷贝再发布的。“学东西是为自己的,不要整天以混的姿态来跟公司博弈,就算是混,我觉得你要是能在混的时间里,收获一些别的有利于人生发展的东西,也是不错的,看你怎么把握了”,看了之后,对这句话记忆犹新。 &
- 前端Web开发的页面效果
Bill_chen
htmlWebMicrosoft
1.IE6下png图片的透明显示:
<img src="图片地址" border="0" style="Filter.Alpha(Opacity)=数值(100),style=数值(3)"/>
或在<head></head>间加一段JS代码让透明png图片正常显示。
2.<li>标
- 【JVM五】老年代垃圾回收:并发标记清理GC(CMS GC)
bit1129
垃圾回收
CMS概述
并发标记清理垃圾回收(Concurrent Mark and Sweep GC)算法的主要目标是在GC过程中,减少暂停用户线程的次数以及在不得不暂停用户线程的请夸功能,尽可能短的暂停用户线程的时间。这对于交互式应用,比如web应用来说,是非常重要的。
CMS垃圾回收针对新生代和老年代采用不同的策略。相比同吞吐量垃圾回收,它要复杂的多。吞吐量垃圾回收在执
- Struts2技术总结
白糖_
struts2
必备jar文件
早在struts2.0.*的时候,struts2的必备jar包需要如下几个:
commons-logging-*.jar Apache旗下commons项目的log日志包
freemarker-*.jar
- Jquery easyui layout应用注意事项
bozch
jquery浏览器easyuilayout
在jquery easyui中提供了easyui-layout布局,他的布局比较局限,类似java中GUI的border布局。下面对其使用注意事项作简要介绍:
如果在现有的工程中前台界面均应用了jquery easyui,那么在布局的时候最好应用jquery eaysui的layout布局,否则在表单页面(编辑、查看、添加等等)在不同的浏览器会出
- java-拷贝特殊链表:有一个特殊的链表,其中每个节点不但有指向下一个节点的指针pNext,还有一个指向链表中任意节点的指针pRand,如何拷贝这个特殊链表?
bylijinnan
java
public class CopySpecialLinkedList {
/**
* 题目:有一个特殊的链表,其中每个节点不但有指向下一个节点的指针pNext,还有一个指向链表中任意节点的指针pRand,如何拷贝这个特殊链表?
拷贝pNext指针非常容易,所以题目的难点是如何拷贝pRand指针。
假设原来链表为A1 -> A2 ->... -> An,新拷贝
- color
Chen.H
JavaScripthtmlcss
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> <HTML> <HEAD>&nbs
- [信息与战争]移动通讯与网络
comsci
网络
两个坚持:手机的电池必须可以取下来
光纤不能够入户,只能够到楼宇
建议大家找这本书看看:<&
- oracle flashback query(闪回查询)
daizj
oracleflashback queryflashback table
在Oracle 10g中,Flash back家族分为以下成员:
Flashback Database
Flashback Drop
Flashback Table
Flashback Query(分Flashback Query,Flashback Version Query,Flashback Transaction Query)
下面介绍一下Flashback Drop 和Flas
- zeus持久层DAO单元测试
deng520159
单元测试
zeus代码测试正紧张进行中,但由于工作比较忙,但速度比较慢.现在已经完成读写分离单元测试了,现在把几种情况单元测试的例子发出来,希望有人能进出意见,让它走下去.
本文是zeus的dao单元测试:
1.单元测试直接上代码
package com.dengliang.zeus.webdemo.test;
import org.junit.Test;
import o
- C语言学习三printf函数和scanf函数学习
dcj3sjt126com
cprintfscanflanguage
printf函数
/*
2013年3月10日20:42:32
地点:北京潘家园
功能:
目的:
测试%x %X %#x %#X的用法
*/
# include <stdio.h>
int main(void)
{
printf("哈哈!\n"); // \n表示换行
int i = 10;
printf
- 那你为什么小时候不好好读书?
dcj3sjt126com
life
dady, 我今天捡到了十块钱, 不过我还给那个人了
good girl! 那个人有没有和你讲thank you啊
没有啦....他拉我的耳朵我才把钱还给他的, 他哪里会和我讲thank you
爸爸, 如果地上有一张5块一张10块你拿哪一张呢....
当然是拿十块的咯...
爸爸你很笨的, 你不会两张都拿
爸爸为什么上个月那个人来跟你讨钱, 你告诉他没
- iptables开放端口
Fanyucai
linuxiptables端口
1,找到配置文件
vi /etc/sysconfig/iptables
2,添加端口开放,增加一行,开放18081端口
-A INPUT -m state --state NEW -m tcp -p tcp --dport 18081 -j ACCEPT
3,保存
ESC
:wq!
4,重启服务
service iptables
- Ehcache(05)——缓存的查询
234390216
排序ehcache统计query
缓存的查询
目录
1. 使Cache可查询
1.1 基于Xml配置
1.2 基于代码的配置
2 指定可搜索的属性
2.1 可查询属性类型
2.2 &
- 通过hashset找到数组中重复的元素
jackyrong
hashset
如何在hashset中快速找到重复的元素呢?方法很多,下面是其中一个办法:
int[] array = {1,1,2,3,4,5,6,7,8,8};
Set<Integer> set = new HashSet<Integer>();
for(int i = 0
- 使用ajax和window.history.pushState无刷新改变页面内容和地址栏URL
lanrikey
history
后退时关闭当前页面
<script type="text/javascript">
jQuery(document).ready(function ($) {
if (window.history && window.history.pushState) {
- 应用程序的通信成本
netkiller.github.com
虚拟机应用服务器陈景峰netkillerneo
应用程序的通信成本
什么是通信
一个程序中两个以上功能相互传递信号或数据叫做通信。
什么是成本
这是是指时间成本与空间成本。 时间就是传递数据所花费的时间。空间是指传递过程耗费容量大小。
都有哪些通信方式
全局变量
线程间通信
共享内存
共享文件
管道
Socket
硬件(串口,USB) 等等
全局变量
全局变量是成本最低通信方法,通过设置
- 一维数组与二维数组的声明与定义
恋洁e生
二维数组一维数组定义声明初始化
/** * */ package test20111005; /** * @author FlyingFire * @date:2011-11-18 上午04:33:36 * @author :代码整理 * @introduce :一维数组与二维数组的初始化 *summary: */ public c
- Spring Mybatis独立事务配置
toknowme
mybatis
在项目中有很多地方会使用到独立事务,下面以获取主键为例
(1)修改配置文件spring-mybatis.xml <!-- 开启事务支持 --> <tx:annotation-driven transaction-manager="transactionManager" /> &n
- 更新Anadroid SDK Tooks之后,Eclipse提示No update were found
xp9802
eclipse
使用Android SDK Manager 更新了Anadroid SDK Tooks 之后,
打开eclipse提示 This Android SDK requires Android Developer Toolkit version 23.0.0 or above, 点击Check for Updates
检测一会后提示 No update were found