静静AI学堂
静静AI学堂

YoloV8改进策略：全新特征融合模块AFPN，更换YoloV8的Neck

文章目录

  • 摘要
  • 论文：《AFPN：用于目标检测的渐近特征金字塔网络》
  • 1、介绍
  • 2、相关工作
  • 3、渐进特征金字塔网络
  • 4、实验
  • 5、结论
  • 改进方法
  • 测试结果

摘要

目标检测中的特征金字塔结构，包括FPN和PAFPN，这两种结构都可以应用于一阶段和二阶段方法中，以提高目标检测的性能。FPN是最常用的特征金字塔结构，用于解决尺度变化问题，而PAFPN则通过增加自下而上的路径来补偿平均精度的不足。

本文提出了新型的特征金字塔网络（AFPN），旨在支持非相邻级别的直接交互，提高目标检测任务的性能。AFPN通过融合两个相邻的低级别特征，并以渐近方式将更高级别的特征纳入融合过程中，避免了非相邻级别之间的语义鸿沟。此外，还采用了自适应空间融合操作来缓解多目标信息冲突。与经典的特征金字塔网络相比，AFPN提供了更好的特征融合效果。
经过MS-COCO 2017验证和测试数据集的评估，实验结果表明比其他最先进的方法更具竞争力。

将AFPN用来改进YoloV8，效果如何呢？

论文：《AFPN：用于目标检测的渐近特征金字塔网络》

你可能感兴趣的:(YOLO)

  • 【yolov8】模型导出----pytorch导出为onnx模型 栗子风暴 YOLOpytorch人工智能深度学习
    【yolov8】模型导出一、为什么要使用yolo的导出模式二、确保安装必要的库：三、yolov8模型导出3.1不同格式配置参数3.2导出格式四、导出模型性能优化4.1使用TensorRT导出模型有什么好处？4.2导出YOLOv8模型时，如何启用INT8量化？4.3为什么输出模型时动态输入尺寸很重要？4.4优化模型性能需要考虑哪些关键的导出参数？五、问题六、疑问训练模型的最终目标是将其部署到实际应用
  • YOLOv12改进之A2(区域注意力) 清风AI 深度学习算法详解及代码复现深度学习机器学习计算机视觉人工智能算法
    注意力回顾注意力机制作为深度学习领域的核心技术，已广泛应用于自然语言处理和计算机视觉等多个领域。在YOLOv12改进之A2中，注意力机制扮演着关键角色。已有研究成果包括：Transformer架构：引入了自注意力机制，有效捕捉输入序列中的长距离依赖关系。CBAM模块：提出了通道和空间注意力的结合，显著提升了图像分类和目标检测的性能。SENet：引入了通道注意力机制，通过自适应学习特征通道的重要性，
  • YOLOv8目标检测推理流程及C++代码 吃鱼不卡次 YOLOonnxc++
    这部分主要是使用c++对Onnx模型进行推理，边先贴代码，过段时间再详细补充下代码说明。代码主要分成三部分，1.main_det.cpp推理函数主入口；2.inference_det.h头文件及inference_det.cpp具体函数实现；3.CMakeList.txt.1.main_det推理配置信息全部写在config.txt中，执行代码时会读取该文本中配置信息来进行推理，config.tx
  • yolov8训练模型、测试视频 灰灰学姐 深度学习神经网络YOLOpython机器学习
    yolov8先训练生成best.pt文件，用这个生成的模型进行视频的测试因为本来用的代码生成的测试视频打不开，格式应该是损坏了，或者部分帧没有正常保存吧。修改了一下代码，现状可以正常打开生成的视频了。1、训练代码train.pyimportos#os.environ["CUDA_VISIBLE_DEVICES"]="3"#同样是选择第3块GPUfromultralyticsimportYOLO#L
  • 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
  • YoLo运用学习7 老农民编程 YoLo学习YOLO学习
    目录前言一、C#环境使用YoLo模型进行AI推理检测1.加载图片2.图片预处理3.加载onnx模型并推理4.数据后处理5.图片属性值缩放还原和反归一化6.将解析到的信息的集合绘制成处理后图片总结前言根据YoLo运用学习3所说，实现在C#环境使用YoLo模型进行AI推理检测，最常见有两种：1、python训练好YoLo的模型pt格式，将其转化为onnx格式，通过C#的相关库去加载并推理onnx格式并
  • 【目标检测论文解读复现NO.38】基于改进YOLOv8模型的轻量化板栗果实识别方法 人工智能算法研究院 中文核心论文解读复现目标检测YOLO目标跟踪
    前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。本文仅对论文代码实现，如果原文章的作者觉得不方便，请联系删除，尊重每一位论文作者。一、摘要为实现自然环境下的板栗果实目
  • YOLOv8改进主干RTMDet论文系列：高效涨点的单阶段目标检测器主干 IdfdFsharp YOLO计算机视觉
    近年来，目标检测技术在计算机视觉领域取得了显著的进展。为了提高目标检测器的性能和降低延时，研究人员不断提出新的方法和架构。本文介绍了一篇名为"YOLOv8改进主干RTMDet"的论文系列，该系列通过结合最新的RTMDet论文和采用CSPNeXt主干结构，实现了高性能、低延时的单阶段目标检测器主干。在本论文系列中，作者着重研究了目标检测器主干的改进方法。主干网络在目标检测中扮演着重要的角色，它负责提
  • 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.
  • 新环境搭建时的pip install -r requirements.txt m0_65915256 pip运维
    直接安装pipinstall-rrequirements.txt时会出现ERROR:Couldnotopenrequirementsfile:[Errno2]Nosuchfileordirectory:'requirements.txt'的报错1、首先进入你的环境：（yolov9是我的环境名称，请替换成你自己的环境名）condaactivateyolov92、生成requirements.txt文
  • 《YOLOv12魔术师专栏》专栏介绍 & 专栏目录 AI小怪兽 YOLOv811v12成长师YOLO深度学习人工智能目标检测计算机视觉
    《YOLOv12魔术师专栏》将从以下各个方向进行创新（更新日期25.03.05）：【原创自研模块】【多组合点优化】【注意力机制】【主干篇】【neck优化】【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】订阅者可以申请发票，便于报销定期向订阅者提供源码工程+windows编译好的环境，配合博客使用《YOLOv12魔术师专栏
  • YOLO 银行柜员业务助手 鱼弦 人工智能时代YOLO
    YOLO银行柜员业务助手介绍YOLO（YouOnlyLookOnce）是一种实时目标检测算法，因其快速、准确的特点，被广泛应用于各种领域。在银行环境中，YOLO可以帮助自动识别和处理柜台上出现的文档、货币等物品，从而支持柜员进行高效、安全的操作。这类系统能够减少人为错误，提高客户服务质量。应用使用场景文件和票据识别：自动检测和分类客户提供的文件和票据。货币识别与计数：自动识别并记录不同面额的钞票，
  • 运行时候的导包搜索路径虽然pycharm中标红但不影响程序的执行 火星种萝卜 python实践深度学习人工智能
    在pycharm中报如下包找不到frommodels.yolo_layerimportYoloLayer，但是该行的前面已经导入了搜包的路径，运行时并不报错，只是pycharm在分析静态代码结构层面会标红提示找不到包importosimportsysPACKAGE_PARENT='..'SCRIPT_DIR=os.path.dirname(os.path.realpath(os.path.join
  • 深度学习数据集封装-----目标检测篇 科研小天才 深度学习目标检测人工智能
    前言在上篇文章中，我们深入探讨了图像分类数据集的制作流程。图像分类作为计算机视觉领域的一个基础任务，通常被认为是最为简单直接的子任务之一。然而，当我们转向目标检测任务时，复杂度便显著提升，尤其是在标注框的处理环节。不同的模型架构往往对标注框的处理方式有着各自独特的要求。以YOLO系列为例，它自有一套成熟且高效的方法来应对这一挑战。鉴于篇幅有限，本文暂不深入展开YOLO的相关内容，感兴趣的读者可以查
  • 【目标检测】工地扬尘检测数据集3832张YOLO+VOC格式 不会仰游的河马君 目标检测YOLO人工智能工地扬尘数据集
    【目标检测】工地扬尘检测数据集3832张YOLO+VOC格式数据集格式：VOC格式+YOLO格式压缩包内含：3个文件夹，分别存储图片、xml、txt文件JPEGImages文件夹中jpg图片总计：3832Annotations文件夹中xml文件总计：3832labels文件夹中txt文件总计：3832标签种类数：1标签名称:["dust"]每个标签的框数（注意yolo格式类别顺序不和这个对应，而以
  • YOLO在PiscTrace上检测到数据分析 那雨倾城 PiscTraceYOLO计算机视觉视觉检测数据分析信息可视化
    在现代计算机视觉领域，实时视频数据的检测与分析对于安全监控、交通管理以及智能制造等领域具有重要意义。YOLO（YouOnlyLookOnce）作为一种高效的目标检测算法，能够在保持高精度的同时实现实时检测。而PiscTrace作为一款集成了OpenCV、MiDaS和YOLO技术的桌面应用，为用户提供了全面的图像与视频流处理解决方案。本文将探讨如何利用YOLO进行实时视频数据检测，并结合PiscTr
  • 分布式多卡训练(DDP)踩坑 m0_54804970 面试学习路线阿里巴巴分布式
    多卡训练最近在跑yolov10版本的RT-DETR，用来进行目标检测。单卡训练语句（正常运行）：pythonmain.py多卡训练语句：需要通过torch.distributed.launch来启动，一般是单节点，其中CUDA_VISIBLE_DEVICES设置用的显卡编号，也可以不用，直接在main.py里面指定device也行，–nproc_pre_node每个节点的显卡数量。python-m
  • YOLO 中 SPFF 模块的优化与 Focal Modulation 替代研究 向哆哆 YOLOyolov8
    文章目录1.YOLO中的SPPF模块分析2.FocalModulation简介3.在YOLO中用FocalModulation替换SPPF4.实验与对比分析4.1代码替换YOLO模型中的SPPF4.2训练对比5.AblationStudy（消融实验）5.1不同模块的对比实验5.2目标尺寸对比分析6.模型部署与推理优化6.1ONNX加速推理6.2适配JetsonNano7.进一步优化方向8.在YOL
  • 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
  • Python之使用动态导包优化软件加载速度 Sherry Wangs Python开发实践python开发语言
    在开发大型Python软件时，可能会遇到以下问题：由于静态导入了大量模块，导致软件启动时间过长，用户体验不佳。例如，一个复杂的桌面应用程序或Web服务可能依赖于多个大型库（如numpy、pandas、torch或Yolo），这些库在启动时被静态导入，即使某些功能模块在启动时并不需要立即使用。这种情况下，静态导入会显著增加软件的启动时间，故使用动态导入。文章目录1.静态导入（StaticImport
  • 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
  • [论文阅读]DAMO-YOLO——实时目标检测设计报告 一朵小红花HH 知识蒸馏目标检测YOLO目标检测目标跟踪论文阅读人工智能
    DAMO-YOLODAMO-YOLO:AReportonReal-TimeObjectDetectionDesign实时目标检测设计报告论文网址：DAMO-YOLO简读论文这篇论文介绍了一个名为DAMO-YOLO的新型目标检测方法,相比YOLO系列的其他方法有着更好的性能。该方法的优势来自于几项新技术:使用了MAE-NAS作为骨干网络,可以自动搜索出不同延迟预算下的优化网络结构。MAE-NAS被称
  • 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
  • 计算机视觉实战：YOLOv8在工业质检中的应用（附完整代码+数据集） emmm形成中 深度学习人工智能python计算机视觉
    计算机视觉实战：YOLOv8在工业质检中的应用（附完整代码+数据集）摘要：本文为零基础读者系统讲解目标检测核心原理，基于YOLOv8实现工业缺陷检测实战项目。从数据标注到模型部署，包含环境配置、数据增强、模型训练全流程详解，手把手教你打造高精度智能质检系统！关键词：YOLOv8、目标检测、工业质检、缺陷识别、PyTorch一、为什么选择YOLOv8做工业质检？1.1工业质检的三大痛点人工成本高：传
  • 高效空间编码技术：SPD-Conv在目标检测中的创新应用 向哆哆 目标检测目标跟踪人工智能yolov8
    文章目录SPD-Conv：高效空间编码的技术背景SPD-Conv的原理YOLOv8中的SPD-Conv实现YOLOv8SPD-Conv代码实现代码解析性能提升SPD-Conv的优势与应用场景SPD-Conv的设计细节与优化1.空间深度转换机制的进一步优化2.SPD-Conv的训练技巧与改进3.SPD-Conv与YOLOv8的其他模块结合SPD-Conv的应用扩展1.自动驾驶2.无人机目标检测3.安
  • yolo目标检测项目 m0_75047393 YOLO目标检测人工智能
    一、前言（一）、什么是目标检测目标检测是指在图像或视频中准确地识别和定位出现的特定目标物体的任务。目标检测通常包括以下几个步骤：目标分类：确定图像中出现的物体属于哪一类别，例如汽车、行人、狗等。目标定位：确定图像中物体的位置，通常通过绘制边界框或遮罩来标识物体的位置。目标识别：将检测到的目标与预定义的类别进行匹配，以便为目标添加语义标签。多目标检测：在一张图像中检测并识别多个目标，包括重叠目标和不
  • YOLOv11-ultralytics-8.3.67部分代码阅读笔记-VOC.yaml 红色的山茶花 YOLO笔记深度学习
    VOC.yamlultralytics\cfg\datasets\VOC.yaml目录VOC.yaml1.YAML文件内容2.所需的库和模块3.defconvert_label(path,lb_path,year,image_id):4.Download5.Convert1.YAML文件内容#UltralyticsAGPL-3.0License-https://ultralytics.com/li
  • SCP传输 超好的小白 vscode+服务器python
    scp-P10022yolo_world.taruser@***.88.148.***:/[email protected]:/home/admin1.将本地文件复制到远程scp/home/data/file.zipusername@remote_host:/home/username/2.将远程文件复制到本地scpusername@rem
  • YOLOv8 赋能道路状况检测：革新交通基础设施监测 他是只猫 YOLOv8在交通领域的应用YOLO目标跟踪人工智能
    文章目录一、YOLOv8在道路状况检测中的原理与优势（一）检测原理（二）相较于传统方法的优势二、YOLOv8在道路状况检测中的具体应用实例（一）裂缝检测（二）坑洼检测（三）积水检测三、基于YOLOv8的道路状况检测流程（一）图像采集（二）数据预处理（三）模型训练与评估（四）检测与结果输出四、YOLOv8用于道路状况检测面临的挑战与应对策略（一）面临的挑战（二）应对策略五、基于YOLOv8的道路状况
  • yolo位姿估计实验 jarreyer YOLO
    目录介绍实验过程2.1数据集下载2.2模型和数据配置文件修改2.3模型训练参考链接1.介绍1.1简介YOLOv8-Pose是基于YOLOv4算法的姿势估计模型，旨在实现实时高效的人体姿势估计。姿势估计在计算机视觉领域具有重要意义，可广泛应用于视频监控、运动分析、健康管理等领域。1.2背景传统的姿势估计方法常需复杂网络架构和大量计算资源，导致实时性不佳。YOLOv8-Pose通过对YOLOv4算法进
  • PHP，安卓，UI，java，linux视频教程合集 cocos2d-x小菜 javaUIPHPandroidlinux
    ╔-----------------------------------╗┆                           
  • 各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 bozch .net.net mvc
    在.net mvc5中，在执行某一操作的时候，出现了如下错误：       各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 经查询当前的操作与错误内容无关，经过对错误信息的排查发现，事故出现在数据库迁移上。 回想过去： 在迁移之前已经对数据库进行了添加字段操作，再次进行迁移插入XXX字段的时候，就会提示如上错误。  &
  • Java 对象大小的计算 e200702084 java
                              Java对象的大小 如何计算一个对象的大小呢？    
  • Mybatis Spring 171815164 mybatis
    ApplicationContext ac = new ClassPathXmlApplicationContext("applicationContext.xml"); CustomerService userService = (CustomerService) ac.getBean("customerService"); Customer cust
  • JVM 不稳定参数 g21121 jvm
            -XX 参数被称为不稳定参数，之所以这么叫是因为此类参数的设置很容易引起JVM 性能上的差异，使JVM 存在极大的不稳定性。当然这是在非合理设置的前提下，如果此类参数设置合理讲大大提高JVM 的性能及稳定性。        可以说“不稳定参数”
  • 用户自动登录网站 永夜-极光 用户
    1.目标:实现用户登录后,再次登录就自动登录,无需用户名和密码 2.思路:将用户的信息保存为cookie            每次用户访问网站,通过filter拦截所有请求,在filter中读取所有的cookie,如果找到了保存登录信息的cookie,那么在cookie中读取登录信息,然后直接
  • centos7 安装后失去win7的引导记录 程序员是怎么炼成的 操作系统
    1.使用root身份(必须)打开 /boot/grub2/grub.cfg 2.找到 ### BEGIN /etc/grub.d/30_os-prober ###   在后面添加    menuentry "Windows 7 (loader) (on /dev/sda1)" { 
  • Oracle 10g 官方中文安装帮助文档以及Oracle官方中文教程文档下载 aijuans oracle
    Oracle 10g 官方中文安装帮助文档下载：http://download.csdn.net/tag/Oracle%E4%B8%AD%E6%96%87API%EF%BC%8COracle%E4%B8%AD%E6%96%87%E6%96%87%E6%A1%A3%EF%BC%8Coracle%E5%AD%A6%E4%B9%A0%E6%96%87%E6%A1%A3 Oracle 10g 官方中文教程
  • JavaEE开源快速开发平台G4Studio_V3.2发布了 無為子 AOPoraclemysqljavaeeG4Studio
      我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V3.2版本已经正式发布。大家可以通过如下地址下载。   访问G4Studio网站 http://www.g4it.org   G4Studio_V3.2版本变更日志 功能新增 (1).新增了系统右下角滑出提示窗口功能。 (2).新增了文件资源的Zip压缩和解压缩
  • Oracle常用的单行函数应用技巧总结 百合不是茶 日期函数转换函数(核心)数字函数通用函数(核心)字符函数
    单行函数;   字符函数,数字函数,日期函数,转换函数(核心),通用函数(核心) 一:字符函数: .UPPER(字符串) 将字符串转为大写 .LOWER (字符串) 将字符串转为小写 .INITCAP(字符串) 将首字母大写 .LENGTH (字符串) 字符串的长度 .REPLACE(字符串,'A','_') 将字符串字符A转换成_
  • Mockito异常测试实例 bijian1013 java单元测试mockito
    Mockito异常测试实例： package com.bijian.study; import static org.mockito.Mockito.mock; import static org.mockito.Mockito.when; import org.junit.Assert; import org.junit.Test; import org.mockito.
  • GA与量子恒道统计 Bill_chen JavaScript浏览器百度Google防火墙
    前一阵子，统计**网址时，Google Analytics（GA） 和量子恒道统计（也称量子统计），数据有较大的偏差，仔细找相关资料研究了下，总结如下：   为何GA和量子网站统计（量子统计前身为雅虎统计）结果不同？ 首先：没有一种网站统计工具能保证百分之百的准确出现该问题可能有以下几个原因：（1）不同的统计分析系统的算法机制不同；（2）统计代码放置的位置和前后
  • 【Linux命令三】Top命令 bit1129 linux命令
    Linux的Top命令类似于Windows的任务管理器，可以查看当前系统的运行情况，包括CPU、内存的使用情况等。如下是一个Top命令的执行结果：     top - 21:22:04 up 1 day, 23:49, 1 user, load average: 1.10, 1.66, 1.99 Tasks: 202 total, 4 running, 198 sl
  • spring四种依赖注入方式 白糖_ spring
      平常的java开发中，程序员在某个类中需要依赖其它类的方法，则通常是new一个依赖类再调用类实例的方法，这种开发存在的问题是new的类实例不好统一管理，spring提出了依赖注入的思想，即依赖类不由程序员实例化，而是通过spring容器帮我们new指定实例并且将实例注入到需要该对象的类中。依赖注入的另一种说法是“控制反转”，通俗的理解是：平常我们new一个实例，这个实例的控制权是我
  • angular.injector boyitech AngularJSAngularJS API
    angular.injector   描述: 创建一个injector对象, 调用injector对象的方法可以获得angular的service, 或者用来做依赖注入.   使用方法: angular.injector(modules, [strictDi])   参数详解: Param Type Details mod
  • java-同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待 bylijinnan Integer
    public class PC { /** * 题目：生产者-消费者。 * 同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待。 */ private static final Integer[] val=new Integer[10]; private static
  • 使用Struts2.2.1配置 Chen.H apachespringWebxmlstruts
    Struts2.2.1 需要如下 jar包: commons-fileupload-1.2.1.jar commons-io-1.3.2.jar commons-logging-1.0.4.jar freemarker-2.3.16.jar javassist-3.7.ga.jar ognl-3.0.jar spring.jar struts2-core-2.2.1.jar struts2-sp
  • [职业与教育]青春之歌 comsci 教育
           每个人都有自己的青春之歌............但是我要说的却不是青春...        大家如果在自己的职业生涯没有给自己以后创业留一点点机会,仅仅凭学历和人脉关系,是难以在竞争激烈的市场中生存下去的....   &nbs
  • oracle连接(join)中使用using关键字 daizj JOINoraclesqlusing
    在oracle连接(join)中使用using关键字 34. View the Exhibit and examine the structure of the ORDERS and ORDER_ITEMS tables. Evaluate the following SQL statement: SELECT oi.order_id, product_id, order_date FRO
  • NIO示例 daysinsun nio
    NIO服务端代码： public class NIOServer { private Selector selector; public void startServer(int port) throws IOException { ServerSocketChannel serverChannel = ServerSocketChannel.open(
  • C语言学习homework1 dcj3sjt126com chomework
    0、 课堂练习做完 1、使用sizeof计算出你所知道的所有的类型占用的空间。 int x; sizeof(x);   sizeof(int);   # include <stdio.h> int main(void) { int x1; char x2; double x3; float x4; printf(&quo
  • select in order by , mysql排序 dcj3sjt126com mysql
    If i select like this: SELECT id FROM users WHERE id IN(3,4,8,1); This by default will select users in this order 1,3,4,8, I would like to select them in the same order that i put IN() values so:
  • 页面校验-新建项目 fanxiaolong 页面校验
    $(document).ready( function() { var flag = true; $('#changeform').submit(function() { var projectScValNull = true; var s =""; var parent_id = $("#parent_id").v
  • Ehcache（02）——ehcache.xml简介 234390216 ehcacheehcache.xml简介
    ehcache.xml简介          ehcache.xml文件是用来定义Ehcache的配置信息的，更准确的来说它是定义CacheManager的配置信息的。根据之前我们在《Ehcache简介》一文中对CacheManager的介绍我们知道一切Ehcache的应用都是从CacheManager开始的。在不指定配置信
  • junit 4.11中三个新功能 jackyrong java
    junit 4.11中两个新增的功能，首先是注解中可以参数化，比如 import static org.junit.Assert.assertEquals; import java.util.Arrays; import org.junit.Test; import org.junit.runner.RunWith; import org.junit.runn
  • 国外程序员爱用苹果Mac电脑的10大理由 php教程分享 windowsPHPunixMicrosoftperl
    Mac 在国外很受欢迎，尤其是在 设计/web开发/IT 人员圈子里。普通用户喜欢 Mac 可以理解，毕竟 Mac 设计美观，简单好用，没有病毒。那么为什么专业人士也对 Mac 情有独钟呢？从个人使用经验来看我想有下面几个原因： 1、Mac OS X 是基于 Unix 的 这一点太重要了，尤其是对开发人员，至少对于我来说很重要，这意味着Unix 下一堆好用的工具都可以随手捡到。如果你是个 wi
  • 位运算、异或的实际应用 wenjinglian 位运算
    一． 位操作基础，用一张表描述位操作符的应用规则并详细解释。       二． 常用位操作小技巧，有判断奇偶、交换两数、变换符号、求绝对值。       三． 位操作与空间压缩，针对筛素数进行空间压缩。    &n
  • weblogic部署项目出现的一些问题（持续补充中……） Everyday都不同 weblogic部署失败
    好吧，weblogic的问题确实……   问题一： org.springframework.beans.factory.BeanDefinitionStoreException: Failed to read candidate component class: URL [zip:E:/weblogic/user_projects/domains/base_domain/serve
  • tomcat7性能调优（01） toknowme tomcat7
        Tomcat优化： 1、最大连接数最大线程等设置 <Connector port="8082" protocol="HTTP/1.1"                useBodyEncodingForURI="t
  • PO VO DAO DTO BO TO概念与区别 xp9802 javaDAO设计模式bean领域模型
    O/R Mapping 是 Object Relational Mapping（对象关系映射）的缩写。通俗点讲，就是将对象与关系数据库绑定，用对象来表示关系数据。在O/R Mapping的世界里，有两个基本的也是重要的东东需要了解，即VO，PO。 它们的关系应该是相互独立的，一个VO可以只是PO的部分，也可以是多个PO构成，同样也可以等同于一个PO（指的是他们的属性）。这样，PO独立出来，数据持
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他