- 基于YOLOv11无人机视角船舶检测系统:项目概述与技术实现
qq1309399183
计算机视觉实战项目集合YOLO无人机人工智能计算机视觉无人机视角船舶检测yolo11改进yolo11涨点
文章目录YOLOv11无人机视角船舶检测系统:项目概述与技术实现项目背景项目简介核心目标YOLOv11的技术优势1.**更强的特征提取能力**2.**改进的多尺度检测**3.**轻量化设计**4.**实时处理能力**数据准备与模型训练1.**数据集构建**2.**模型训练**系统功能与使用方法1.**实时目标检测**2.**静态图片检测**3.**视频文件处理**4.**多种目标类别支持**安装与
- 探索高效嵌入式视觉应用:RK3588/RK3568/RK3566 Linux QT Opencv NPU YoloV5摄像头实时检测系统...
陆依嫣
探索高效嵌入式视觉应用:RK3588/RK3568/RK3566LinuxQTOpencvNPUYoloV5摄像头实时检测系统rk_yolov5.zip项目地址:https://gitcode.com/open-source-toolkit/f6845项目介绍在智能安防、机器人视觉等需要高性能图像处理和实时监控的应用场景中,RockchipRK3588、RK3568和RK3566处理器凭借其强大的
- 目标检测入门教程:使用Python实现目标检测算法
晨曦之光,优美芝麻
目标检测python算法机器学习-深度学习
目标检测是计算机视觉领域中的重要任务,它旨在识别和定位图像或视频中的特定对象。本教程将介绍如何使用Python编程语言实现目标检测算法。我们将使用一种广泛应用的目标检测算法——基于深度学习的单阶段检测器YOLO(YouOnlyLookOnce)的最新版本YOLOv4作为示例。在开始之前,请确保您已经安装了Python和以下必要的库:NumPy、OpenCV和PyTorch。您可以使用pip命令来安
- yolov11网页版2.0(附源码+响应式)
Pan_peter
PythonYOLO网页端预测系统目标检测
演示视频:(功能演示)yolov11网页版2.0(附源码+响应式)_哔哩哔哩_bilibili项目链接:https://blog.csdn.net/Pan_peter/article/details/145130452,视频播放量0、弹幕量0、点赞数0、投硬币枚数0、收藏人数0、转发人数0,视频作者电石QwQ,作者简介不甘寂寞,相关视频:1.14全新!!【RVC变声器】无需声卡!0延迟!支持ios
- COCO8 数据集上训练 YOLO11n:从入门到跑路(100 轮训练实战)
星际编程喵
Python探索之旅目标跟踪人工智能计算机视觉机器学习
前言训练YOLO11n,听起来就像是给赛博世界的“战斗天使”装上双核发动机,而COCO8数据集,则是那个小小的试验场。今天,我们就要在这个数据集上训练YOLO11n模型100轮,见证它如何从一个懵懂的“AI萌新”成长为“目标检测大佬”。本篇文章将以专业又幽默的方式,带你深入了解训练流程,并提供完整代码示例,让你轻松掌握这项技术。简介YOLO(YouOnlyLookOnce)是目标检测领域的明星模型
- VS2019+QT4.15+openCV4.5.1+CUDA加速
小小秀峰哥
python人工智能深度学习
文章目录前言一、软件安转以及注意事项二、CMake编译总结前言`最近公司有一个关于使用海康威视网络摄像头的目标检测的项目,发现使用openCV显示时,出现很大的延时,因此,只能使用cuda进行加速才能使显示达到实时,在进行编译时我发现很多问题,解决了好几天才完成编译一、软件安转以及注意事项1、Windows10系统2、VisualStudio2019与QT4.15(先安装)3、CUDA11.8、c
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-head.py
红色的山茶花
YOLO笔记深度学习
head.pyultralytics\nn\modules\head.py目录head.py1.所需的库和模块2.classDetect(nn.Module):3.classSegment(Detect):4.classOBB(Detect):5.classPose(Detect):6.classClassify(nn.Module):7.classWorldDetect(Detect):8.cl
- Deepseek 对种猪市场会带来哪些影响?
百态老人
笔记大数据人工智能
DeepSeek对种猪市场的影响可以从以下几个方面进行分析:1.提高生产效率与降低成本根据,DeepSeek已经被用于养猪场中分析饲料配比,从而将猪的育肥周期从6个月缩短至5个月,并降低了15%的成本。这表明DeepSeek在优化养殖流程和提高生产效率方面具有显著作用,能够帮助养猪场降低运营成本,提升经济效益。2.推动智能化养殖技术的应用和提到,深度学习技术(如YOLOv5模型)已经被应用于生猪的
- YOLOv11小白的进击之路(六)创新YOLO的iou及损失函数时的源码分析
水静川流
YOLOYOLOpytorchyolo计算机视觉人工智能python
iou或者说是损失函数的修改经常作为论文的创新点之一,那这篇文章就总结分析了在对YOLO11进行损失函数创新时需要关注的源代码,新的一年祝大家论文与财都发发发!总的来看需要关注三个函数,分别位于YOLO庞大源码的不同文件,下面逐一分析:bbox_iou函数bbox_iou函数位于/ultralytics-main/ultralytics/utils/metrics.py,这个函数的目的是计算两个边
- 如何使用深度学习中的 Transformer 算法进行视频目标检测
go5463158465
python算法深度学习python开发语言
以下将介绍如何使用深度学习中的Transformer算法进行视频目标检测,并给出一个复现相关论文思路及示例代码。这里以DETR(End-to-EndObjectDetectionwithTransformers)为基础进行说明,它是将Transformer引入目标检测领域的经典论文。步骤概述环境准备:安装必要的库,如PyTorch、torchvision等。数据准备:使用公开的视频目标检测数据集,
- SpringBoot中运行Yolov5程序
eqa11
springbootYOLO后端
文章目录SpringBoot中运行Yolov5程序一、引言二、环境搭建1、SpringBoot项目创建2、YOLOv5环境配置三、SpringBoot与YOLOv5集成1、创建Python服务2、SpringBoot调用Python服务四、使用示例1、创建控制器五、总结SpringBoot中运行Yolov5程序一、引言在人工智能领域,目标检测是一个热门且实用的技术。YOLOv5作为目标检测算法中的
- YOLO 目标检测编程详解
不知名靓仔
YOLO目标检测人工智能
引言目标检测是计算机视觉中的一个重要任务,它旨在识别图像中的对象并定位这些对象的位置。YOLO(YouOnlyLookOnce)是一种流行的目标检测算法,因其速度快且准确度高而广受好评。本文将深入探讨YOLO的原理及其实现方法,并提供一个使用Python和PyTorch的示例代码。项目源码见最下方1.YOLO算法简介YOLO算法的核心思想是将目标检测视为回归问题,而不是传统的分类加定位的两阶段方法
- Python实现YOLO目标检测
我专门写bug
PYTHONpythonYOLO目标检测
#-*-coding:utf-8-*-#载入所需库importcv2importnumpyasnpimportosimporttimedefyolo_detect(pathIn='',pathOut=None,confidence_thre=0.5,nms_thre=0.3,jpg_quality=80):#pathIn:原始图片的路径#pathOut:结果图片的路径#label_path:类别标
- 【yolo目标检测】交通标志检测
鱼弦
【HOT】技术热谈YOLO目标检测人工智能
鱼弦:CSDN内容合伙人、CSDN新星导师、51CTO(Top红人+专家博主)、github开源爱好者(go-zero源码二次开发、游戏后端架构https://github.com/Peakchen)YOLO(YouOnlyLookOnce)是一种流行的实时目标检测算法,可用于交通标志检测。以下是关于YOLO目标检测的原理详细解释、使用场景解释以及相关文献材料的链接:原理详细解释:YOLO目标检测
- 【YOLOv11改进- 主干网络】YOLOv11+MobileNetV2(2018): 相比于 MobileNetV1 而言准确率更高,模型更小;
算法conv_er
YOLOv11目标检测改进YOLO网络cnn深度学习机器学习目标检测人工智能
YOLOV11目标检测-主干网络改进实例与创新改进专栏目录YOLOV11目标检测-主干网络改进实例与创新改进专栏本文介绍1.完整代码获取2.MobileNetv2介绍摘要亮点优势3.MobileNetv2网络结构图4.yolov11-MobileNetv2yaml文件5.MobileNetv2代码实现6.MobileNetv2添加方式论文地址:MobileNetV2:InvertedResidua
- 【YOLOv11改进- 主干网络】YOLOv11+TransNext特征提取网络(CVPR2024): 基于YOLOv11的主干网络改进超轻量;
算法conv_er
YOLOv11目标检测改进YOLO网络人工智能深度学习机器学习目标检测
YOLOV11目标检测-主干网络改进实例与创新改进专栏目录YOLOV11目标检测-主干网络改进实例与创新改进专栏本文介绍1.完整代码获取2.TransNext介绍摘要亮点优势3.TransNext网络结构图4.yolov11-transNextyaml文件5.TransNext代码实现6.TransNext添加方式论文地址:http://arxiv.org/pdf/2311.17132http:/
- 【YOLOv11改进- 注意力机制】YOLOv11+SCSA注意力机制(2024): 最新空间和通道协同注意力,助力YOLOv11有效涨点;包含二次创新
算法conv_er
YOLOv11目标检测改进YOLO深度学习人工智能目标检测计算机视觉机器学习
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;本文介绍本文给大家带来的改进内容是在YOLOv11中添加SCSA注意力机制,助力有效涨点。作者提出了一种新的空间与通道协同注意模块(SCSA),该模块涉及在多个语义层面上对空间注意力和通道注意力之间协同关系的研究。SCSA由两部分组成:可共
- 【计算机视觉】目标跟踪应用
油泼辣子多加
计算机视觉计算机视觉目标跟踪人工智能
一、简介目标跟踪是指根据目标物体在视频当前帧图像中的位置,估计其在下一帧图像中的位置。视频帧由t到t+1的检测,虽然也可以使用目标检测获取,但实际应用中往往是不可行的,原因如下:目标跟踪的目的是根据目标在当前视频帧图像中的位置,预测其在下一帧图像中的位置。然而,使用目标检测直接获取目标位置的方式在实际应用中存在一些限制,主要原因如下:1.实时性问题频繁检测开销大:目标检测通常需要对每一帧的整个图像
- YOLOv8改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR ConvNeXt V2 (附网络详解和完整配置步骤)
Limiiiing
YOLOv8改进专栏YOLO深度学习计算机视觉目标检测
一、本文介绍本文记录的是将ConvNeXtV2应用到YOLOv8中的改进方法研究。本文将ConvNeXtV2应用于YOLOv8,一方面利用全卷积掩码自动编码器在训练时优化特征学习,减少模型对大规模标注数据的依赖;另一方面,通过全局响应归一化层增强特征竞争,缓解特征坍塌问题,提高特征多样性。本文在YOLOv8的基础上配置了原论文中convnextv2_atto,convnextv2_femto,co
- Python 中 ssl 模块所使用的 OpenSSL 版本(1.0.2k-fips)和系统中 openssl 命令所使用的 OpenSSL 版本(1.1.1u)不一致(已解决)
Future_yzx
pythonssl开发语言
在使用Linux中配置yolov5环境时遇到问题:[root@iZ2ze9bdu1sca12rizazfkZqcby-project]#python3-c"importssl;print(ssl.OPENSSL_VERSION)"OpenSSL1.0.2k-fips 26Jan2017[root@iZ2ze9bdu1sca12rizazfkZqcby-project]#opensslversion
- 单目测距(yolo-目标检测+标定+深度学习目标检测_测距)
计算机C9硕士_算法工程师
YOLO目标检测深度学习
YOLOv5模型介绍YOLOv5是目前最先进的目标检测算法之一,在多个数据集上取得了优秀的表现。相较于YOLOv4,YOLOv5采用了更深的Backbone网络和更高的分辨率输入图像,以提高检测精度和速度。单目测距实现方法在目标检测的基础上,我们可以通过计算物体在图像中的像素大小来估计其距离。具体方法是,首先确定某个物体的实际尺寸,然后根据该物体在图像中的像素大小计算其距离。这个方法可以应用于各种
- YOLOv10涨点改进:特征融合创新 | 多层次特征融合(SDI),小目标涨点明显,| UNet v2,比UNet显存占用更少、参数更少
AI小怪兽
YOLOv10魔术师YOLO目标检测算法人工智能目标跟踪
本文独家改进:多层次特征融合(SDI),能够显著提升不同尺度和小目标的识别率如何引入到YOLOv10:1)替代原始的Concat;改进结构图如下:《YOLOv10魔术师专栏》将从以下各个方向进行创新:【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结合】【损失&IOU优化】【上下采样优化】【小目标性能提升】【前沿论文分享】【训练实战篇】订阅者通过添加WX:AI_C
- YOLO11涨点优化:特征融合创新 | 多层次特征融合(SDI),小目标涨点明显| UNet v2,比UNet显存占用更少、参数更少
AI小怪兽
YOLO11魔术师深度学习目标检测计算机视觉目标跟踪神经网络python
本文独家改进:多层次特征融合(SDI),能够显著提升不同尺度和小目标的识别率如何引入到YOLO11:1)替代原始的Concat;改进结构图如下:《YOLOv11魔术师专栏》将从以下各个方向进行创新:【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结合】【损失&IOU优化】【上下采样优化】【小目标性能提升】【前沿论文分享】【训练实战篇】订阅者通过添加WX:AI_CV
- SalFAU-Net:显著性目标检测的显著性融合注意U-Net
明初啥都能学会
目标检测人工智能计算机视觉
SalFAU-Net:显著性目标检测的显著性融合注意U-Net摘要IntroductionRelatedWorksSalFAU-Net:SaliencyFusionAttentionU-NetforSalientObjectDetection摘要显著目标检测(SOD)在计算机视觉中仍然是一个重要的任务,其应用范围从图像分割到自动驾驶。基于全卷积网络(FCN)的方法在过去几十年里在视觉显著性检测方面
- bash: /home/xxx/anaconda3/bin/conda: No such file or directory
鲤鱼不懂
bugbashconda开发语言
一背景最近把conda移动后,出现了一堆bug,目前pip不能使用,在此记录一下解决方案。二报错信息bash:/home/xxx/anaconda3/envs/yolov10/bin/pip3/home/xxx/.conda/envs/yolov10/bin/python:badinterpreter:NosuchfileordirectoryNosuchfileordirectory错误说明是p
- 基于深度学习的遥感目标检测系统:UI界面、R-CNN模型与数据集准备
2025年数学建模美赛
R-CNN检测系统人工智能深度学习r语言cnnpythonui目标检测
一、引言遥感图像中的目标检测在很多领域,如环境监测、土地利用、城市规划、农业资源监测等方面有着广泛应用。遥感图像具有高分辨率和丰富的空间信息,但同时也带来了目标检测中的许多挑战,特别是在目标尺度变化、遮挡和复杂背景的情况下。因此,采用深度学习技术,尤其是卷积神经网络(CNN)和区域卷积神经网络(R-CNN),在遥感图像目标检测中取得了显著的成果。本文将详细介绍基于深度学习的遥感目标检测系统,使用R
- ultralytics 是什么?
博刻
AI学习笔记python
ultralytics是一个用于计算机视觉任务的Python库,专注于提供高效、易用的目标检测、实例分割和图像分类工具。它最著名的功能是实现YOLO(YouOnlyLookOnce)系列模型,特别是最新的YOLOv8。1.YOLO是什么?YOLO是一种流行的目标检测算法,以其速度快和精度高而闻名。YOLO的核心思想是将目标检测问题转化为一个回归问题,直接预测目标的边界框和类别。YOLOv8是YOL
- 使用onnxruntime-web 运行yolov8-nano推理
CHEN_RUI_2200
机器学习YOLO
ONNX(OpenNeuralNetworkExchange)模型具有以下两个特点促成了我们可以使用onnxruntime-web直接在web端上运行推理模型,为了让这个推理更直观,我选择了试验下yolov8识别预览图片:1.跨平台兼容性ONNX是一种开放的格式,可以在不同的深度学习框架之间共享模型,如PyTorch、TensorFlow、MXNet和Caffe2。这使得用户可以在一个框架中训练模
- json格式的标记文件转yolo格式(txt)的标记文件
帅气的亮
jsonYOLOpython
背景我在使用anylabeling标记软件时发现导出的标记文件格式只能是json格式,而我yolov8训练模型的标记文件需要时txt格式的,所以我需要写一个转换脚本脚本1.脚本1这个脚本是针对于矩形框标记的转换,也就是目标检测importjsonimportosdefconvert_json_to_yolo(json_file_path,output_dir,class_mapping):"""将
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-transformer.py
红色的山茶花
YOLO笔记transformer深度学习
transformer.pyultralytics\nn\modules\transformer.py目录transformer.py1.所需的库和模块2.classTransformerEncoderLayer(nn.Module):3.classAIFI(TransformerEncoderLayer):4.classTransformerLayer(nn.Module):5.classTra
- Java序列化进阶篇
g21121
java序列化
1.transient
类一旦实现了Serializable 接口即被声明为可序列化,然而某些情况下并不是所有的属性都需要序列化,想要人为的去阻止这些属性被序列化,就需要用到transient 关键字。
- escape()、encodeURI()、encodeURIComponent()区别详解
aigo
JavaScriptWeb
原文:http://blog.sina.com.cn/s/blog_4586764e0101khi0.html
JavaScript中有三个可以对字符串编码的函数,分别是: escape,encodeURI,encodeURIComponent,相应3个解码函数:,decodeURI,decodeURIComponent 。
下面简单介绍一下它们的区别
1 escape()函
- ArcgisEngine实现对地图的放大、缩小和平移
Cb123456
添加矢量数据对地图的放大、缩小和平移Engine
ArcgisEngine实现对地图的放大、缩小和平移:
个人觉得是平移,不过网上的都是漫游,通俗的说就是把一个地图对象从一边拉到另一边而已。就看人说话吧.
具体实现:
一、引入命名空间
using ESRI.ArcGIS.Geometry;
using ESRI.ArcGIS.Controls;
二、代码实现.
- Java集合框架概述
天子之骄
Java集合框架概述
集合框架
集合框架可以理解为一个容器,该容器主要指映射(map)、集合(set)、数组(array)和列表(list)等抽象数据结构。
从本质上来说,Java集合框架的主要组成是用来操作对象的接口。不同接口描述不同的数据类型。
简单介绍:
Collection接口是最基本的接口,它定义了List和Set,List又定义了LinkLi
- 旗正4.0页面跳转传值问题
何必如此
javajsp
跳转和成功提示
a) 成功字段非空forward
成功字段非空forward,不会弹出成功字段,为jsp转发,页面能超链接传值,传输变量时需要拼接。接拼接方式list.jsp?test="+strweightUnit+"或list.jsp?test="+weightUnit+&qu
- 全网唯一:移动互联网服务器端开发课程
cocos2d-x小菜
web开发移动开发移动端开发移动互联程序员
移动互联网时代来了! App市场爆发式增长为Web开发程序员带来新一轮机遇,近两年新增创业者,几乎全部选择了移动互联网项目!传统互联网企业中超过98%的门户网站已经或者正在从单一的网站入口转向PC、手机、Pad、智能电视等多端全平台兼容体系。据统计,AppStore中超过85%的App项目都选择了PHP作为后端程
- Log4J通用配置|注意问题 笔记
7454103
DAOapachetomcatlog4jWeb
关于日志的等级 那些去 百度就知道了!
这几天 要搭个新框架 配置了 日志 记下来 !做个备忘!
#这里定义能显示到的最低级别,若定义到INFO级别,则看不到DEBUG级别的信息了~!
log4j.rootLogger=INFO,allLog
# DAO层 log记录到dao.log 控制台 和 总日志文件
log4j.logger.DAO=INFO,dao,C
- SQLServer TCP/IP 连接失败问题 ---SQL Server Configuration Manager
darkranger
sqlcwindowsSQL ServerXP
当你安装完之后,连接数据库的时候可能会发现你的TCP/IP 没有启动..
发现需要启动客户端协议 : TCP/IP
需要打开 SQL Server Configuration Manager...
却发现无法打开 SQL Server Configuration Manager..??
解决方法: C:\WINDOWS\system32目录搜索framedyn.
- [置顶] 做有中国特色的程序员
aijuans
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有些技术书读得可
- document.domain 跨域问题
avords
document
document.domain用来得到当前网页的域名。比如在地址栏里输入:javascript:alert(document.domain); //www.315ta.com我们也可以给document.domain属性赋值,不过是有限制的,你只能赋成当前的域名或者基础域名。比如:javascript:alert(document.domain = "315ta.com");
- 关于管理软件的一些思考
houxinyou
管理
工作好多看年了,一直在做管理软件,不知道是我最开始做的时候产生了一些惯性的思维,还是现在接触的管理软件水平有所下降.换过好多年公司,越来越感觉现在的管理软件做的越来越乱.
在我看来,管理软件不论是以前的结构化编程,还是现在的面向对象编程,不管是CS模式,还是BS模式.模块的划分是很重要的.当然,模块的划分有很多种方式.我只是以我自己的划分方式来说一下.
做为管理软件,就像现在讲究MVC这
- NoSQL数据库之Redis数据库管理(String类型和hash类型)
bijian1013
redis数据库NoSQL
一.Redis的数据类型
1.String类型及操作
String是最简单的类型,一个key对应一个value,string类型是二进制安全的。Redis的string可以包含任何数据,比如jpg图片或者序列化的对象。
Set方法:设置key对应的值为string类型的value
- Tomcat 一些技巧
征客丶
javatomcatdos
以下操作都是在windows 环境下
一、Tomcat 启动时配置 JAVA_HOME
在 tomcat 安装目录,bin 文件夹下的 catalina.bat 或 setclasspath.bat 中添加
set JAVA_HOME=JAVA 安装目录
set JRE_HOME=JAVA 安装目录/jre
即可;
二、查看Tomcat 版本
在 tomcat 安装目
- 【Spark七十二】Spark的日志配置
bit1129
spark
在测试Spark Streaming时,大量的日志显示到控制台,影响了Spark Streaming程序代码的输出结果的查看(代码中通过println将输出打印到控制台上),可以通过修改Spark的日志配置的方式,不让Spark Streaming把它的日志显示在console
在Spark的conf目录下,把log4j.properties.template修改为log4j.p
- Haskell版冒泡排序
bookjovi
冒泡排序haskell
面试的时候问的比较多的算法题要么是binary search,要么是冒泡排序,真的不想用写C写冒泡排序了,贴上个Haskell版的,思维简单,代码简单,下次谁要是再要我用C写冒泡排序,直接上个haskell版的,让他自己去理解吧。
sort [] = []
sort [x] = [x]
sort (x:x1:xs)
| x>x1 = x1:so
- java 路径 配置文件读取
bro_feng
java
这几天做一个项目,关于路径做如下笔记,有需要供参考。
取工程内的文件,一般都要用相对路径,这个自然不用多说。
在src统计目录建配置文件目录res,在res中放入配置文件。
读取文件使用方式:
1. MyTest.class.getResourceAsStream("/res/xx.properties")
2. properties.load(MyTest.
- 读《研磨设计模式》-代码笔记-简单工厂模式
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/
package design.pattern;
/*
* 个人理解:简单工厂模式就是IOC;
* 客户端要用到某一对象,本来是由客户创建的,现在改成由工厂创建,客户直接取就好了
*/
interface IProduct {
- SVN与JIRA的关联
chenyu19891124
SVN
SVN与JIRA的关联一直都没能装成功,今天凝聚心思花了一天时间整合好了。下面是自己整理的步骤:
一、搭建好SVN环境,尤其是要把SVN的服务注册成系统服务
二、装好JIRA,自己用是jira-4.3.4破解版
三、下载SVN与JIRA的插件并解压,然后拷贝插件包下lib包里的三个jar,放到Atlassian\JIRA 4.3.4\atlassian-jira\WEB-INF\lib下,再
- JWFDv0.96 最新设计思路
comsci
数据结构算法工作企业应用公告
随着工作流技术的发展,工作流产品的应用范围也不断的在扩展,开始进入了像金融行业(我已经看到国有四大商业银行的工作流产品招标公告了),实时生产控制和其它比较重要的工程领域,而
- vi 保存复制内容格式粘贴
daizj
vi粘贴复制保存原格式不变形
vi是linux中非常好用的文本编辑工具,功能强大无比,但对于复制带有缩进格式的内容时,粘贴的时候内容错位很严重,不会按照复制时的格式排版,vi能不能在粘贴时,按复制进的格式进行粘贴呢? 答案是肯定的,vi有一个很强大的命令可以实现此功能 。
在命令模式输入:set paste,则进入paste模式,这样再进行粘贴时
- shell脚本运行时报错误:/bin/bash^M: bad interpreter 的解决办法
dongwei_6688
shell脚本
出现原因:windows上写的脚本,直接拷贝到linux系统上运行由于格式不兼容导致
解决办法:
1. 比如文件名为myshell.sh,vim myshell.sh
2. 执行vim中的命令 : set ff?查看文件格式,如果显示fileformat=dos,证明文件格式有问题
3. 执行vim中的命令 :set fileformat=unix 将文件格式改过来就可以了,然后:w
- 高一上学期难记忆单词
dcj3sjt126com
wordenglish
honest 诚实的;正直的
argue 争论
classical 古典的
hammer 锤子
share 分享;共有
sorrow 悲哀;悲痛
adventure 冒险
error 错误;差错
closet 壁橱;储藏室
pronounce 发音;宣告
repeat 重做;重复
majority 大多数;大半
native 本国的,本地的,本国
- hibernate查询返回DTO对象,DTO封装了多个pojo对象的属性
frankco
POJOhibernate查询DTO
DTO-数据传输对象;pojo-最纯粹的java对象与数据库中的表一一对应。
简单讲:DTO起到业务数据的传递作用,pojo则与持久层数据库打交道。
有时候我们需要查询返回DTO对象,因为DTO
- Partition List
hcx2013
partition
Given a linked list and a value x, partition it such that all nodes less than x come before nodes greater than or equal to x.
You should preserve the original relative order of th
- Spring MVC测试框架详解——客户端测试
jinnianshilongnian
上一篇《Spring MVC测试框架详解——服务端测试》已经介绍了服务端测试,接下来再看看如果测试Rest客户端,对于客户端测试以前经常使用的方法是启动一个内嵌的jetty/tomcat容器,然后发送真实的请求到相应的控制器;这种方式的缺点就是速度慢;自Spring 3.2开始提供了对RestTemplate的模拟服务器测试方式,也就是说使用RestTemplate测试时无须启动服务器,而是模拟一
- 关于推荐个人观点
liyonghui160com
推荐系统关于推荐个人观点
回想起来,我也做推荐了3年多了,最近公司做了调整招聘了很多算法工程师,以为需要多么高大上的算法才能搭建起来的,从实践中走过来,我只想说【不是这样的】
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的w
- 不间断旋转的动画
pangyulei
动画
CABasicAnimation* rotationAnimation;
rotationAnimation = [CABasicAnimation animationWithKeyPath:@"transform.rotation.z"];
rotationAnimation.toValue = [NSNumber numberWithFloat: M
- 自定义annotation
sha1064616837
javaenumannotationreflect
对象有的属性在页面上可编辑,有的属性在页面只可读,以前都是我们在页面上写死的,时间一久有时候会混乱,此处通过自定义annotation在类属性中定义。越来越发现Java的Annotation真心很强大,可以帮我们省去很多代码,让代码看上去简洁。
下面这个例子 主要用到了
1.自定义annotation:@interface,以及几个配合着自定义注解使用的几个注解
2.简单的反射
3.枚举
- Spring 源码
up2pu
spring
1.Spring源代码
https://github.com/SpringSource/spring-framework/branches/3.2.x
注:兼容svn检出
2.运行脚本
import-into-eclipse.bat
注:需要设置JAVA_HOME为jdk 1.7
build.gradle
compileJava {
sourceCompatibilit
- 利用word分词来计算文本相似度
yangshangchuan
wordword分词文本相似度余弦相似度简单共有词
word分词提供了多种文本相似度计算方式:
方式一:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度
实现类:org.apdplat.word.analysis.CosineTextSimilarity
用法如下:
String text1 = "我爱购物";
String text2 = "我爱读书";
String text3 =