- CVPR‘24 | 百度开源DETRs在实时目标检测中胜过YOLOs
3D视觉工坊
3D视觉从入门到精通百度目标检测人工智能计算机视觉
点击下方卡片,关注「3D视觉工坊」公众号选择星标,干货第一时间送达来源:3D视觉工坊添加小助理:dddvision,备注:目标检测,拉你入群。文末附行业细分群论文题目:DETRsBeatYOLOsonReal-timeObjectDetection作者:WenyuLv,YianZhao等作者机构:BaiduInc.论文链接:https://arxiv.org/pdf/2304.08069.pdf代
- HarmonyOS Next智能安防系统中的模型轻量化实战
harmonyos
本文旨在深入探讨基于华为鸿蒙HarmonyOSNext系统(截止目前API12)构建智能安防系统中的模型轻量化技术实践,基于实际开发经验进行总结。主要作为技术分享与交流载体,难免错漏,欢迎各位同仁提出宝贵意见和问题,以便共同进步。本文为原创内容,任何形式的转载必须注明出处及原作者。一、智能安防系统需求与模型轻量化方案设计(一)功能需求分析目标检测需求在智能安防系统中,目标检测是核心功能之一。它需要
- 【YOLOv11改进- 主干网络】YOLOv11+CSWinTransformer: 交叉窗口注意力Transformer助力YOLOv11有效涨点;
算法conv_er
YOLOv11目标检测改进YOLO目标跟踪人工智能目标检测深度学习transformer计算机视觉
YOLOV11目标检测改进实例与创新改进专栏专栏地址:YOLOv11目标检测改进专栏,包括backbone、neck、loss、分配策略、组合改进、原创改进等本文介绍发paper,毕业皆可使用。本文给大家带来的改进内容是在YOLOv11中更换主干网络为CSWinTransformer,助力YOLOv11有效涨点,通过创新性地开发了十字形窗口自注意力机制。该机制通过将输入特征分割为等宽条纹,在水平与
- 【YOLO模型】(1)--YOLO是什么
方世恩
YOLOYOLO人工智能目标检测
一、什么是YOLOYOLO(YouOnlyLookOnce)是一种基于深度学习的目标检测算法,由JosephRedmon等人于2016年提出。1.核心思想它的核心思想是将目标检测问题转化为一个回归问题,通过一个神经网络直接预测目标的类别和位置。2.原理YOLO算法将输入图像分成SxS个网格,每个网格负责预测该网格内是否存在目标以及目标的类别和位置信息。此外,YOLO算法还采用了多尺度特征融合的技术
- 【目标检测】多模态航空目标检测:A SIMPLE AERIAL DETECTION BASELINE OF MULTIMODAL LANGUAGE MODELS
慕容紫英问情
目标检测目标检测人工智能计算机视觉
阅读并理解一篇论文:ASIMPLEAERIALDETECTIONBASELINEOFMULTIMODALLANGUAGEMODELS该文首次提出了一种将多模态语言模型应用于航空检测的简单基线方法,名为LMMRotate。贡献:具体而言,首先引入一种归一化方法,将检测输出转换为文本输出,以适配多模态语言模型框架。接着,提出一种评估方法,确保多模态语言模型与传统目标检测模型之间能够进行公平比较。通过微
- [C#]C#使用yolov8的目标检测tensorrt模型+bytetrack实现目标追踪
FL1623863129
深度学习c#YOLO目标检测
【测试通过环境】win10x64vs2019cuda11.7+cudnn8.8.0TensorRT-8.6.1.6opencvsharp==4.9.0.NETFramework4.7.2NVIDIAGeForceRTX2070Super版本和上述环境版本不一样的需要重新编译TensorRtExtern.dll,TensorRtExtern源码地址:TensorRT-CSharp-API/src/T
- YOLO系列版本迭代:从YOLOv1到YOLOv11的技术演进
金外飞176
技术前沿目标跟踪人工智能计算机视觉
YOLO系列版本迭代:从YOLOv1到YOLOv11的技术演进YOLO(YouOnlyLookOnce)系列目标检测算法自2016年首次发布以来,凭借其高效的实时检测能力,迅速成为计算机视觉领域的热门研究方向之一。本文将详细回顾YOLO系列从v1到v11的版本迭代过程,分析每个版本的技术改进、性能提升以及应用场景。1.YOLOv1:开创性的单阶段检测算法YOLOv1是目标检测领域的一个重要里程碑,
- AIMv2:多模态自回归预训练的视觉新突破
人工智能
AIMv2:多模态自回归预训练的视觉新突破阅读时长:19分钟发布时间:2025-02-17近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】导言视觉模型在人工智能领域的地位愈发重要,从图像识别、目标检测到多模态理解,其应用场景不断拓展。在大规模数据集上进行预训练,能助力模型学习丰富的视觉特
- 基于深度学习YOLOv10的PCB板缺陷检测系统(附完整资源+PySide6界面+训练代码)
人工智能_SYBH
深度学习YOLO人工智能目标检测python
引言:在现代制造业中,电子元件和PCB(印刷电路板)是非常重要的基础设施。PCB缺陷检测是生产过程中至关重要的一步。传统的缺陷检测方法主要依靠人工检查,这不仅效率低,而且容易受到人眼疲劳的影响。随着深度学习技术的不断发展,基于深度学习的自动化缺陷检测已成为研究的热点,尤其是在计算机视觉领域。YOLO(YouOnlyLookOnce)系列算法凭借其高速和高精度的优势,成为了目标检测领域的佼佼者。本文
- 三种方式实现人车流统计(yolov5+opencv+deepsort+bytetrack+iou)
Jayson God
人工智能c++yolov5opencv算法人工智能
一、运行环境1、项目运行环境如下2、CPU配置3、GPU配置如果没有GPUyolov5目标检测时间会比较久二、编程语言与使用库版本项目编程语言使用c++,使用的第三方库,onnxruntime-linux-x64-1.12.1,opencv-4.6.0opencv官方地址Releases-OpenCVopencvgithub地址https://github.com/opencv/opencv/tr
- YOLOv1 损失函数
余将董道而不豫兮
YOLO神经网络python深度学习人工智能机器学习计算机视觉
相关文章YOLOv1论文简要YOLOv1数据集加载YOLOv1损失函数YOLOv1模型构建与训练YOLOv1目标检测项目地址:YOLOv1VOC2007笔者训练的权重地址:阿里云盘分享10秒文章速览对于YOLOv1的损失函数,使用Python程序实现损失函数的计算关于损失函数的计算,在《YOLOv1论文简要》一文中已经进行了较详细的解释。只不过,在本文中,需要以代码的形式表达出来平方和误差在YOL
- Python实战:解析labelme标注数据——如何将数据转换为COCO格式
程序员杨弋
Python全栈工程师学习指南python开发语言
在计算机视觉中,标注数据是非常重要的,而Labelme是一个简单易用的自由标注工具,被广泛应用于图像语义分割、目标检测、实例分割等领域,然而标注数据并不总是以我们需要的格式存在,因此需要进行适当的转换,本文将详细介绍如何将Labelme标注数据转换为COCO格式。首先需要安装相关的Python库,包括labelme、numpy、matplotlib、pillow等,在安装完成后设置数据路径,并读取
- Python深度学习代做目标检测NLP计算机视觉强化学习
matlabgoodboy
计算机视觉python深度学习
了解您的需求,您似乎在寻找关于Python深度学习领域的代做服务,特别是在目标检测、自然语言处理(NLP)、计算机视觉以及强化学习方面。以下是一些关于这些领域的概述以及寻找相关服务的建议。1.Python深度学习代做概述目标检测:目标检测是计算机视觉中的一个重要任务,旨在识别图像或视频中的特定对象,并确定它们的位置。Python中的深度学习框架(如TensorFlow、PyTorch)和计算机视觉
- 【深度学习】计算机视觉(CV)-目标检测-SSD(Single Shot MultiBox Detector)—— 单次检测多框检测器
IT古董
深度学习人工智能计算机视觉深度学习目标检测
SSD(SingleShotMultiBoxDetector)——单次检测多框检测器1️⃣什么是SSD?SSD(SingleShotMultiBoxDetector)是一种用于目标检测(ObjectDetection)的深度学习模型,由WeiLiu等人在2016年提出。它采用单阶段(SingleStage)方法,能够直接从图像中检测多个对象,并输出类别和边界框,比传统的两阶段方法(如FasterR
- 【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
- 目标检测代码示例(基于Python和OpenCV)
matlab_python22
计算机视觉
引言目标检测是计算机视觉领域中的一个核心任务,其目标是在图像或视频中定位和识别特定对象。随着技术的发展,目标检测算法不断演进,从传统的基于手工特征的方法到现代的深度学习方法,再到基于Transformer的架构,目标检测技术已经取得了显著的进步。本文将总结和对比几种主要的目标检测算法,探讨它们的优势、劣势和适用场景。1.目标检测算法分类1.1单阶段检测(One-Stage)与双阶段检测(Two-S
- 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
- 焦损函数(Focal Loss)与RetinaNet目标检测模型详解
人工智能
焦损函数(FocalLoss)与RetinaNet目标检测模型详解阅读时长:19分钟发布时间:2025-02-14近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】目前,精度最高的目标检测器大多基于由R-CNN推广的两阶段方法,即对稀疏的候选目标位置集应用分类器。相比之下,在规则、密集的可
- 【深入探讨 ResNet:解决深度神经网络训练问题的革命性架构】
机器学习司猫白
深度学习人工智能resnet神经网络残差
深入探讨ResNet:解决深度神经网络训练问题的革命性架构随着深度学习的快速发展,卷积神经网络(CNN)已经成为图像识别、目标检测等计算机视觉任务的主力军。然而,随着网络层数的增加,训练深层网络变得愈加困难,主要问题是“梯度消失”和“梯度爆炸”问题。幸运的是,ResNet(ResidualNetworks)通过引入“残差学习”概念,成功地解决了这些问题,极大地推动了深度学习的发展。本文将详细介绍R
- 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:
- 计算机视觉四大任务模型汇总
Zero_one_ws
《神经网络与深度学习》理论计算机视觉人工智能深度学习图像分类图像目标检测目标分割关键点检测
计算机视觉中有四大核心任务:1-分类任务、2-目标检测任务、3-目标分割任务和4-关键点检测任务文章1:一文读懂计算机视觉4大任务文章2:图像的目标分割任务:语义分割和实例分割不同任务之间相关但不完全相同,因此不同的任务最好选择相应的模型,话不多说,看表:(注:表中github链接并不一定是模型的正式版本,只是本文用于展示模型的网络结构和应用)1-分类任务模型序号模型ipynb模型的github链
- 计算机视觉(Computer Vision,CV)四大基本任务--分类、检测、定位、分割
明月光舞
计算机视觉计算机视觉目标检测深度学习
文章目录前言一、计算机视觉任务一:目标分类常用数据集常见网络结构二、计算机视觉任务二:目标定位三、计算机视觉任务三:目标检测常用数据集常见网络结构四、计算机视觉任务四:目标分割常用数据集常见网络结构前言计算机视觉(ComputerVision,CV)是一门研究如何让机器具备“看”的能力的学科,以人或动物的视觉能力为参照,通过计算机对视觉数据(图像、视频等)的处理、学习、推理判断,复现出、模拟出甚至
- 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
- 计算机视觉核心任务
飞瀑
AIyolo
1.计算机视频重要分类计算机视觉的重要任务可以大致分为以下几类:1.图像分类(ImageClassification)识别图像属于哪个类别,例如猫、狗、汽车等。应用场景:物品识别、人脸识别、医疗影像分类。代表模型:ResNet、EfficientNet、ViT(VisionTransformer)。2.目标检测(ObjectDetection)识别图像中目标的位置(边界框)及类别。应用场景:自动驾
- 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
- 图像分类与目标检测算法
BugNest
AI算法分类目标检测ai人工智能图像处理
在计算机视觉领域,图像分类与目标检测是两项至关重要的技术。它们通过对图像进行深入解析和理解,为各种应用场景提供了强大的支持。本文将详细介绍这两项技术的算法原理、技术进展以及当前的落地应用。一、图像分类算法图像分类是指将输入的图像划分为预定义的类别之一。这一过程的核心在于特征提取和分类器的设计。1.特征提取特征提取是图像分类的第一步,其目标是从图像中提取出能够区分不同类别的关键信息。传统的特征提取方
- 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
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f