- Datawhale AI夏令营第五期CV Task02
m0_60530253
人工智能深度学习
一、yolo模型介绍YOLO,全称为"YouOnlyLookOnce",是一种流行的实时目标检测算法,由JosephRedmon等人于2015年首次提出。YOLO的核心思想是将目标检测任务视为一个单一的回归问题,直接从图像像素到边界框坐标和类别概率的映射。这种设计使得YOLO能够以非常快的速度进行目标检测,同时保持较高的精度,特别适合需要实时处理的应用场景。YOLO算法的一个显著特点是它在单个网络
- Datawhale AI夏令营第五期魔搭-CV竞赛方向Task1笔记--初识yolo模型
切记 我是一个 温柔的 刀客
YOLO目标检测机器学习
DatawhaleAI夏令营第五期魔搭-CV竞赛方向Task1笔记–初识yolo模型作者:福州大学我是一个温柔的刀客2024/8/221.赛题简介本赛题最终目标是开发一套智能识别系统,能够自动检测和分类城市管理中的违规行为。该系统应利用先进的图像处理和计算机视觉技术,通过对摄像头捕获的视频进行分析,自动准确识别违规行为,并及时向管理部门发出告警,以实现更高效的城市管理。本质上是属于CV中的目标检测
- 【目标检测数据集】塑料瓶玻璃瓶检测数据集5378张2类VOC+YOLO格式
国产bug零零柒
数据集目标检测YOLO塑料瓶数据集玻璃瓶
数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数):5378标注数量(xml文件个数):5378标注数量(txt文件个数):5378标注类别数:2标注类别名称:["glass-bottle","plastic-bottle"]每个类别标注的框数:glass-bottle框
- 【论文笔记】:LAYN:用于小目标检测的轻量级多尺度注意力YOLOv8网络
hhhhhhkkkyyy
论文阅读目标检测YOLO
背景针对嵌入式设备对目标检测算法的需求,大多数主流目标检测框架目前缺乏针对小目标的具体改进,然后提出的一种轻量级多尺度注意力YOLOv8小目标检测算法。小目标检测精度低的原因随着网络在训练过程中的加深,检测到的目标容易丢失边缘信息和灰度信息等。获得高级语义信息也较少,图像中可能存在一些噪声信息,误导训练网络学习不正确的特征。映射到原始图像的感受野的大小。当感受野相对较小时,空间结构特征保留较多,但
- 【目标检测数据集】家禽家畜检测数据集25234张7类VOC+YOLO格式(鸡鸭鹅牛羊猪狗数据集)
熬夜写代码的平头哥∰
数据集目标检测YOLO人工智能
数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数):25234标注数量(xml文件个数):25234标注数量(txt文件个数):25234标注类别数:7标注类别名称:["cattle","chicken","dog","duck","goat","goose","pig"
- 基于yolov8的课堂行为检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO
【算法介绍】基于YOLOv8的课堂行为检测系统是现代教育技术的创新应用,该系统利用YOLOv8这一先进的深度学习算法,实现了对学生课堂行为的自动、高效和精准监测。YOLOv8在目标检测领域以其卓越的性能和速度著称,通过对学生上课视频或实时摄像头的输入进行深度分析,系统能够准确识别学生的多种行为,如举手、阅读、写作、使用手机、低头等。该系统不仅提高了课堂监测的效率和准确性,还具备实时反馈功能,帮助教
- 基于detectron2框架的深度学习模型载入自定义数据集
Midsummer-逐梦
解决方案深度学习人工智能计算机视觉
基于detectron2框架的深度学习模型载入自定义数据集一、前言最近在做微光目标检测的研究工作,使用了Rank_DETR;这个模型是基于detrex框架,而detrex框架又是基于detectron2的。找了一圈没找到载入数据集的地方,后面查阅了资料得知要用API进行注册。二、步骤注册数据集:在脚本中,我们首先要注册数据集。Detectron2提供了多种注册数据集的方式,常用的是register
- YoloV8改进策略:主干网络改进|使用YoloV8实现多任务检测|基于MobileNetV4实时与通用多任务检测模型的改进
AI智韵
YOLO网络
摘要在自动驾驶领域,高精度、轻量级和实时响应是三个至关重要的要求。本文介绍了一种基于MobileNetV4的改进版A-YOLOM(AdaptiveYOLOMulti-task)模型,该模型旨在进一步提升实时性能,同时保持对目标检测、可行驶区域分割和车道线分割任务的高精度处理能力。通过替换原A-YOLOM模型中的YOLOv8骨干网络为MobileNetV4,我们成功降低了模型复杂度,显著提升了推理速
- DNN学习平台(GoogleNet、SSD、FastRCNN、Yolov3)
吾名招财
人工智能MFC界面应用dnnopencv神经网络
DNN学习平台(GoogleNet、SSD、FastRCNN、Yolov3)前言相关介绍1,登录界面:2,主界面:3,部分功能演示如下(1)识别网络图片(2)GoogleNet分类(3)人脸识别(4)SSD目标检测(5)FasterRCNN目标检测资源链接(含源码)前言 还记得上学那会儿刚学完几个深度学习模型的C++简单部署应用,当时特别兴奋,外加那会儿还能自己写界面生成应用程序了,就想着做一个
- 基于yolov8的安全帽反光衣护目镜检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO
【算法介绍】基于YOLOv8的安全帽、反光衣及护目镜检测系统是一款集成了前沿深度学习与计算机视觉技术的智能监控系统。该系统利用YOLOv8这一尖端的目标检测模型,结合云计算与自动化图像处理技术,实现对工地、化工厂、煤矿等高风险作业区域工作人员安全装备穿戴情况的实时监控。该系统能够无死角地检测工作人员是否按规定佩戴安全帽、反光衣及护目镜,有效提高了安全管理的效率和准确性。一旦系统识别到未按规定穿戴安
- 快速使用transformers的pipeline实现各种深度学习任务
E寻数据
huggingface计算机视觉nlp深度学习人工智能pythonpipelinetransformers
目录引言安装情感分析文本生成文本摘要图片分类实例分割目标检测音频分类自动语音识别视觉问答文档问题回答图文描述引言在这篇中文博客中,我们将深入探讨使用transformers库中的pipeline()函数,它为预训练模型提供了一个简单且快速的推理方法。pipeline()函数支持多种任务,包括文本分类、文本生成、摘要生成、图像分类、图像分割、对象检测、音频分类、自动语音识别、视觉问题回答、文档问题回
- 线段检测:Towards Light-weight and Real-time Line Segment Detection Towards Light-weight and Real【方法解读】
智维探境
AI与SLAM论文解析人工智能线段检测论文阅读检测
目录摘要1引言2相关工作深度线段检测实时目标检测3用于线段检测的M-LSD3.1网络架构(a)TP表示法(b)SoL增广总结3.2线段表示详细解析1.线段表示的重要性2.TP表示法3.位移向量4.坐标表示5.训练过程6.非极大值抑制7.简单算术操作总结图5:匹配损失和几何损失图5标题内容解析3.3匹配损失3.3匹配损失解析1.背景和动机2.中心损失和位移损失3.匹配损失的引入4.匹配损失的计算步骤
- 基于yolov8的脑肿瘤检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO人工智能
【算法介绍】基于YOLOv8的脑肿瘤检测系统是一项前沿的医疗应用,该系统利用YOLOv8这一高效的目标检测算法,实现对脑肿瘤病灶的快速、准确识别。YOLOv8作为YOLO系列的最新版本,不仅继承了前代版本在速度和精度上的优势,还通过改进的网络结构和优化策略,进一步提升了模型性能。在脑肿瘤检测中,YOLOv8通过深度学习技术,自动从脑部图像中提取特征,并学习目标的特征表示和位置信息。系统采用模块化设
- 目标检测:Cascade R-CNN: Delving into High Quality Object Detection - 2017【方法解读】
智维探境
AI与SLAM论文解析目标检测cnnCascadeR-CNN
查看新版本论文:目标检测:CascadeR-CNN:HighQualityObjectDetectionandInstanceSegmentation-2019【方法解读】目录摘要:1.引言2.相关工作3.对象检测3.1.边界框回归3.2.分类3.3.检测质量4.级联R-CNN4.1.级联边界框回归4.2.级联检测摘要:在目标检测中,需要一个交并比(IoU)阈值来定义正样本和负样本。使用低IoU阈
- DataWhale AI夏令营 2024大运河杯-数据开发应用创新赛-task2
十分钟ll
DataWhaleAI夏令营人工智能目标跟踪计算机视觉DataWhale竞赛大运河杯机器学习
DataWhaleAI夏令营2024大运河杯-数据开发应用创新赛YOLO(YouOnlyLookOnce)上分心得分享YOLO(YouOnlyLookOnce)YOLO算的上是近几年最火的目标检测模型了,被广泛的应用在工业、学术等领域。YOLOv1(YouOnlyLookOnce第一版)于2016年由JosephRedmon等人在其论文《YouOnlyLookOnce:Unified,Real-T
- [数据集][目标检测]电力场景输电线均压环歪斜检测数据集VOC+YOLO格式303张2类别
FL1623863129
数据集目标检测YOLO人工智能
数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数):303标注数量(xml文件个数):303标注数量(txt文件个数):303标注类别数:2标注类别名称:["normal","skew"]每个类别标注的框数:normal框数=161skew框数=305总框数:466使用标
- 工地工程车分类检测数据集 6300张 带标注 voc yol
计算机视觉从业者
数据集分类人工智能机器学习工地工程车汽车
数据集特点类型:工地工程车分类检测数据集。格式:VOC和YOLO格式,适用于训练目标检测模型。规模:共包含6300张图像。标注:使用.xml(VOC格式)和.txt(YOLO格式)文件进行标注,每个文件对应一张图像,标注格式分别为VOC和YOLO格式。类别:包含多种工地工程车辆类别。质量:数据集标注准确,涵盖了多种工地环境下的工程车辆。数据集组成训练集:用于训练模型,包含约5000张图像。验证集:
- 【目标检测数据集】瓶子分类识别数据集1万张3类VOC+YOLO格式(玻璃瓶金属瓶塑料瓶数据集)
熬夜写代码的平头哥∰
数据集目标检测YOLO人工智能瓶子分类检测数据集塑料瓶金属瓶玻璃瓶
数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数):10106标注数量(xml文件个数):10106标注数量(txt文件个数):10106标注类别数:3标注类别名称:["glass-bottle","metal-bottle","plastic-bottle"]每个类别标
- 视频图像处理基础--运动目标检测与识别
小豆包的小朋友0217
音视频图像处理目标检测
系列文章目录文章目录系列文章目录前言一、视频图像处理二、运动目标检测与识别--帧差法2.1帧差法2.2算法原理2.3利用帧差法进行目标检测的方法2.4相邻帧帧间差分法的优势和不足2.5改进的帧间差分法三、运动目标检测与识别--背景减法3.1背景减法3.2算法原理3.3背景建模方法3.4背景模型更新三、运动目标检测与识别--光流场分析法3.1光流场分析3.2光流和光流场的概念3.3光流场分析法原理3
- 【目标检测数据集汇总】各类目标检测数据集VOC+YOLO格式地址汇总
熬夜写代码的平头哥∰
数据集目标检测YOLO目标跟踪
序号项目名称下载地址1【目标检测数据集】西红柿番茄成熟度检测640张3类别VOC+YOLO格式.zip点我下载2【目标检测数据集】轮船分类检测数据集500张4类别VOC+YOLO格式.zip点我下载3【目标检测数据集】手枪gun标注检测数据集VOC+YOLO格式3400张.zip点我下载4【目标检测数据集】蚊子检测数据集295张VOC+YOLO格式可训练.zip点我下载5【目标检测数据集】遥感类军
- 基于yolov8的8种人脸表情检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLOpython开发语言
【算法介绍】基于YOLOv8的人脸表情检测系统是一个结合了先进目标检测算法(YOLOv8)与深度学习技术的项目,旨在实时或离线地识别并分类人脸表情(如快乐、悲伤、愤怒、惊讶、恐惧、厌恶、中立等)。以下是一个简短的介绍,概述了该系统Python源码的核心要点:该系统直接利用YOLOv8模型进行人脸表情识别。YOLOv8以其高效的速度和准确性著称,非常适合实时应用。Python源码实现通常包括以下几个
- [数据集][目标检测]玻璃瓶塑料瓶检测数据集VOC+YOLO格式8943张2类别
FL1623863129
数据集目标检测YOLO人工智能
数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数):8943标注数量(xml文件个数):8943标注数量(txt文件个数):8943标注类别数:2标注类别名称:["glass-bottle","plastic-bottle"]每个类别标注的框数:glass-bottle框
- <数据集>斯坦福狗狗识别数据集<目标检测>
深度学习lover
深度学习数据集目标检测人工智能计算机视觉YOLOpython
数据集格式:VOC+YOLO格式图片数量:20580张标注数量(xml文件个数):20580标注数量(txt文件个数):20580标注类别数:120标注类别名称:['Chihuahua','Japanese_spaniel','Maltese_dog','Pekinese','Shih-Tzu','Blenheim_spaniel','papillon','toy_terrier','Rhodes
- Taco数据集的yolo格式
lhy12345678910
计算机视觉python
将Taco数据集的1500张图片和原本的coco标注改为yolo格式,方便用yolo算法对垃圾数据集进行目标检测操作。并配上改成中文标签的yaml文件。TACO原数据集GitHub链接:GitHub-pedropro/TACO:TrashAnnotationsinContextDatasetToolkityaml文件链接:https://pan.baidu.com/s/1ZI9GKeRoysCMY
- MS COCO数据集目标检测评估(Detection Evaluation)
Ambition_LAO
人工智能计算机视觉
MSCOCO(MicrosoftCommonObjectsinContext)是一个广泛应用于计算机视觉领域的数据集和评估平台,尤其是在目标检测、分割和人体关键点检测等任务中。COCO数据集和其评估方法被广泛用于学术研究和工业应用。以下是对MSCOCO数据集目标检测评估、人体关键点评估、输出数据的结果格式以及如何参加比赛的详细阐述和总结。1.MSCOCO数据集目标检测评估(DetectionEva
- 【YOLO系列】YOLO介绍
有品位的小丑
目标检测与生成式模型学习记录YOLO目标跟踪人工智能
目录前言一、算法特点二、工作原理前言YOLO,全称为"YouOnlyLookOnce",是一种流行的实时目标检测算法,由JosephRedmon等人于2015年首次提出。YOLO的核心思想是将目标检测任务视为一个单一的回归问题,直接从图像像素到边界框坐标和类别概率的映射。这种设计使得YOLO能够以非常快的速度进行目标检测,同时保持较高的精度,特别适合需要实时处理的应用场景。一、算法特点速度快YOL
- YOLO系列目标检测数据集大全_yolo数据集(1)
2401_84187537
程序员YOLO目标检测人工智能
Darknet版YOLOv4猫狗识别训练好的权重文件:https://download.csdn.net/download/zhiqingAI/85541214Darknet版YOLOv3猫狗识别训练好的权重文件:https://download.csdn.net/download/zhiqingAI/85541209DeepSORT-YOLOv5猫狗检测和跟踪+可视化目标运动轨迹yolov7猫狗
- 使用Tensorflow目标检测API训练自己的数据集
是我真的是我
使用官方1.x的目标检测API,安装过程见:https://www.jianshu.com/p/3257a32d4c5a一、制作数据集制作自己的数据集可以参考该方式:https://www.bilibili.com/video/BV1kV411k7D8即准备好图片集,然后利用LabelImg等公开标注软件进行标注并生成指定格式的标注文件。本文使用COCO数据集制作为tf_record格式数据集:C
- 【YOLOv10改进[Conv]】感受野注意力卷积RFAConv(2024.3)| 使用RFAConv 改进C2f + 含全部代码和详细修改方式
Jackilina_Stone
【魔改】YOLOv10YOLO魔改ODpython计算机视觉
本文将进行使用RFAConv改进C2f,助力YOLOv10目标检测效果,文中含全部代码、详细修改方式。助您轻松理解改进的方法。改进前和改进后的参数对比:
- 电力行业电气领域相关数据集下载地址汇总输电线路变电站电网应用数据集汇总(全网最全)
FL1623863129
数据集目标检测
在电力行业电气领域,数据集扮演着至关重要的角色。这些数据集涵盖了从发电到用电的各个环节,包括输电线路图像、变电站监测、电力负荷预测等多样化内容。例如,输电线路图像数据集通过无人机或直升机拍摄,包含了杆塔、绝缘子、导线等详细图像,为目标检测、分类和异常检测提供了丰富的素材。此外,还有针对变电站烟火检测、导线破损检测等特定任务的数据集,这些数据集通过收集实际场景中的图像和视频,帮助研究人员训练更加精准
- 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