Alphapeople
Alphapeople

yolov8模型转换

"""
Export a YOLOv8 PyTorch model to other formats. TensorFlow exports authored by https://github.com/zldrobit

Format                  | `format=argument`         | Model
---                     | ---                       | ---
PyTorch                 | -                         | yolov8n.pt
TorchScript             | `torchscript`             | yolov8n.torchscript
ONNX                    | `onnx`                    | yolov8n.onnx
OpenVINO                | `openvino`                | yolov8n_openvino_model/
TensorRT                | `engine`                  | yolov8n.engine
CoreML                  | `coreml`                  | yolov8n.mlmodel
TensorFlow SavedModel   | `saved_model`             | yolov8n_saved_model/
TensorFlow GraphDef     | `pb`                      | yolov8n.pb
TensorFlow Lite         | `tflite`                  | yolov8n.tflite
TensorFlow Edge TPU     | `edgetpu`                 | yolov8n_edgetpu.tflite
TensorFlow.js           | `tfjs`                    | yolov8n_web_model/
PaddlePaddle            | `paddle`                  | yolov8n_paddle_model/

Requirements:
    $ pip install ultralytics[export]

Python:
    from ultralytics import YOLO
    model = YOLO('yolov8n.pt')
    results = model.export(format='onnx')

CLI:
    $ yolo mode=export model=yolov8n.pt format=onnx

Inference:
    $ yolo predict model=yolov8n.pt                 # PyTorch
                         yolov8n.torchscript        # TorchScript
                         yolov8n.onnx               # ONNX Runtime or OpenCV DNN with --dnn
                         yolov8n_openvino_model     # OpenVINO
                         yolov8n.engine             # TensorRT
                         yolov8n.mlmodel            # CoreML (macOS-only)
                         yolov8n_saved_model        # TensorFlow SavedModel
                         yolov8n.pb                 # TensorFlow GraphDef
                         yolov8n.tflite             # TensorFlow Lite
                         yolov8n_edgetpu.tflite     # TensorFlow Edge TPU
                         yolov8n_paddle_model       # PaddlePaddle

TensorFlow.js:
    $ cd .. && git clone https://github.com/zldrobit/tfjs-yolov5-example.git && cd tfjs-yolov5-example
    $ npm install
    $ ln -s ../../yolov5/yolov8n_web_model public/yolov8n_web_model
    $ npm start
"""

你可能感兴趣的:(YOLO)

  • YOLOv11 火焰识别：智能时代的火灾预警新利器 星际编程喵 Python探索之旅YOLOpython目标检测机器学习人工智能开发语言
    前言随着人工智能（AI）在各个领域如火如荼发展，图像识别技术也跟着飞速进步。从最初的传统算法到如今的深度学习模型，图像识别在准确性和效率上提升令人惊叹。而在这场技术革命中，YOLO（YouOnlyLookOnce）系列模型无疑扮演举足轻重的角色。今天，我们将目光聚焦在最新的版本——YOLOv11。别误会，YOLOv11可不是什么随便升级。它远不止数字上多了个“1”那么简单。YOLOv11集成许多先
  • AI：236-基于RCS-OSA的YOLOv8改进 | 增强空间对象注意力实现小物体检测精度提升 一键难忘 精通AI实战千例专栏合集人工智能YOLO目标跟踪RCS-OSA
    本文收录于专栏：精通AI实战千例专栏合集https://blog.csdn.net/weixin_52908342/category_11863492.html从基础到实践，深入学习。无论你是初学者还是经验丰富的老手，对于本专栏案例和项目实践都有参考学习意义。每一个案例都附带关键代码，详细讲解供大家学习，希望可以帮到大家。正在不断更新中~文章目录1.通过RCS-OSA替换C2f实现暴力涨点2.理论
  • 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
  • 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
  • html 周华华 html
    js 1，数组的排列 var arr=[1,4,234,43,52,]; for(var x=0;x<arr.length;x++){    for(var y=x-1;y<arr.length;y++){      if(arr[x]<arr[y]){     &
  • 【Struts2 四】Struts2拦截器 bit1129 struts2拦截器
    Struts2框架是基于拦截器实现的，可以对某个Action进行拦截，然后某些逻辑处理，拦截器相当于AOP里面的环绕通知，即在Action方法的执行之前和之后根据需要添加相应的逻辑。事实上，即使struts.xml没有任何关于拦截器的配置，Struts2也会为我们添加一组默认的拦截器，最常见的是，请求参数自动绑定到Action对应的字段上。   Struts2中自定义拦截器的步骤是：
  • make:cc 命令未找到解决方法 daizj linux命令未知make cc
    安装rz sz程序时，报下面错误：   [root@slave2 src]# make posix cc   -O -DPOSIX -DMD=2 rz.c -o rz make: cc：命令未找到 make: *** [posix] 错误 127   系统：centos 6.6 环境：虚拟机   错误原因：系统未安装gcc，这个是由于在安
  • Oracle之Job应用 周凡杨 oracle job
    最近写服务，服务上线后，需要写一个定时执行的SQL脚本，清理并更新数据库表里的数据，应用到了Oracle 的 Job的相关知识。在此总结一下。   一：查看相关job信息    1、相关视图  dba_jobs  all_jobs  user_jobs  dba_jobs_running 包含正在运行
  • 多线程机制 朱辉辉33 多线程
    转至http://blog.csdn.net/lj70024/archive/2010/04/06/5455790.aspx 程序、进程和线程： 程序是一段静态的代码，它是应用程序执行的蓝本。进程是程序的一次动态执行过程，它对应了从代码加载、执行至执行完毕的一个完整过程，这个过程也是进程本身从产生、发展至消亡的过程。线程是比进程更小的单位，一个进程执行过程中可以产生多个线程，每个线程有自身的
  • web报表工具FineReport使用中遇到的常见报错及解决办法（一） 老A不折腾 web报表finereportjava报表报表工具
    FineReport使用中遇到的常见报错及解决办法（一） 这里写点抛砖引玉，希望大家能把自己整理的问题及解决方法晾出来，Mark一下，利人利己。   出现问题先搜一下文档上有没有，再看看度娘有没有，再看看论坛有没有。有报错要看日志。下面简单罗列下常见的问题，大多文档上都有提到的。   1、address pool is full： 含义：地址池满，连接数超过并发数上
  • mysql rpm安装后没有my.cnf 林鹤霄 没有my.cnf
    Linux下用rpm包安装的MySQL是不会安装/etc/my.cnf文件的， 至于为什么没有这个文件而MySQL却也能正常启动和作用，在这儿有两个说法， 第一种说法，my.cnf只是MySQL启动时的一个参数文件，可以没有它，这时MySQL会用内置的默认参数启动， 第二种说法，MySQL在启动时自动使用/usr/share/mysql目录下的my-medium.cnf文件，这种说法仅限于r
  • Kindle Fire HDX root并安装谷歌服务框架之后仍无法登陆谷歌账号的问题 aigo root
    原文：http://kindlefireforkid.com/how-to-setup-a-google-account-on-amazon-fire-tablet/   Step 4: Run ADB command from your PC   On the PC, you need install Amazon Fire ADB driver and instal
  • javascript 中var提升的典型实例 alxw4616 JavaScript
    // 刚刚在书上看到的一个小问题,很有意思.大家一起思考下吧 myname = 'global'; var fn = function () { console.log(myname); // undefined var myname = 'local'; console.log(myname); // local }; fn() // 上述代码实际上等同于以下代码 m
  • 定时器和获取时间的使用 百合不是茶 时间的转换定时器
    定时器:定时创建任务在游戏设计的时候用的比较多   Timer();定时器 TImerTask();Timer的子类  由 Timer 安排为一次执行或重复执行的任务。       定时器类Timer在java.util包中。使用时，先实例化，然后使用实例的schedule(TimerTask task, long delay)方法，设定
  • JDK1.5 Queue bijian1013 javathreadjava多线程Queue
    JDK1.5 Queue LinkedList： LinkedList不是同步的。如果多个线程同时访问列表，而其中至少一个线程从结构上修改了该列表，则它必须 保持外部同步。（结构修改指添加或删除一个或多个元素的任何操作；仅设置元素的值不是结构修改。）这一般通过对自然封装该列表的对象进行同步操作来完成。如果不存在这样的对象，则应该使用 Collections.synchronizedList 方
  • http认证原理和https bijian1013 httphttps
    一.基础介绍         在URL前加https://前缀表明是用SSL加密的。 你的电脑与服务器之间收发的信息传输将更加安全。         Web服务器启用SSL需要获得一个服务器证书并将该证书与要使用SSL的服务器绑定。 http和https使用的是完全不同的连接方式，用的端口也不一样,前者是80，后
  • 【Java范型五】范型继承 bit1129 java
    定义如下一个抽象的范型类，其中定义了两个范型参数，T1，T2   package com.tom.lang.generics; public abstract class SuperGenerics<T1, T2> { private T1 t1; private T2 t2; public abstract void doIt(T
  • 【Nginx六】nginx.conf常用指令(Directive) bit1129 Directive
    1. worker_processes    8; 表示Nginx将启动8个工作者进程，通过ps -ef|grep nginx,会发现有8个Nginx Worker Process在运行   nobody 53879 118449 0 Apr22 ? 00:26:15 nginx: worker process
  • lua 遍历Header头部 ronin47 lua header 遍历　
    local headers = ngx.req.get_headers()   ngx.say("headers begin", "<br/>")   ngx.say("Host : ", he
  • java-32.通过交换a,b中的元素，使[序列a元素的和]与[序列b元素的和]之间的差最小(两数组的差最小)。 bylijinnan java
    import java.util.Arrays; public class MinSumASumB { /** * Q32.有两个序列a,b，大小都为n,序列元素的值任意整数，无序. * * 要求：通过交换a,b中的元素，使[序列a元素的和]与[序列b元素的和]之间的差最小。 * 例如: * int[] a = {100,99,98,1,2,3
  • redis 开窍的石头 redis
    在redis的redis.conf配置文件中找到# requirepass foobared 把它替换成requirepass 12356789 后边的12356789就是你的密码 打开redis客户端输入config get requirepass 返回 redis 127.0.0.1:6379> config get requirepass 1) "require
  • [JAVA图像与图形]现有的GPU架构支持JAVA语言吗？ comsci java语言
          无论是opengl还是cuda，都是建立在C语言体系架构基础上的，在未来，图像图形处理业务快速发展，相关领域市场不断扩大的情况下，我们JAVA语言系统怎么从这么庞大，且还在不断扩大的市场上分到一块蛋糕，是值得每个JAVAER认真思考和行动的事情       
  • 安装ubuntu14.04登录后花屏了怎么办 cuiyadll ubuntu
    这个情况，一般属于显卡驱动问题。 可以先尝试安装显卡的官方闭源驱动。 按键盘三个键：CTRL + ALT  +  F1 进入终端，输入用户名和密码登录终端： 安装amd的显卡驱动 sudo  apt-get  install  fglrx 安装nvidia显卡驱动 sudo  ap
  • SSL 与 数字证书 的基本概念和工作原理 darrenzhu 加密ssl证书密钥签名
    SSL 与 数字证书 的基本概念和工作原理 http://www.linuxde.net/2012/03/8301.html SSL握手协议的目的是或最终结果是让客户端和服务器拥有一个共同的密钥，握手协议本身是基于非对称加密机制的，之后就使用共同的密钥基于对称加密机制进行信息交换。 http://www.ibm.com/developerworks/cn/webspher
  • Ubuntu设置ip的步骤 dcj3sjt126com ubuntu
    在单位的一台机器完全装了Ubuntu Server，但回家只能在XP上VM一个，装的时候网卡是DHCP的，用ifconfig查了一下ip是192.168.92.128,可以ping通。 转载不是错： Ubuntu命令行修改网络配置方法 /etc/network/interfaces打开后里面可设置DHCP或手动设置静态ip。前面auto eth0，让网卡开机自动挂载. 1. 以D
  • php包管理工具推荐 dcj3sjt126com PHPComposer
    http://www.phpcomposer.com/   Composer是 PHP 用来管理依赖（dependency）关系的工具。你可以在自己的项目中声明所依赖的外部工具库（libraries），Composer 会帮你安装这些依赖的库文件。 中文文档  入门指南  下载  安装包列表 Composer 中国镜像
  • Gson使用四（TypeAdapter） eksliang jsongsonGson自定义转换器gsonTypeAdapter
    转载请出自出处：http://eksliang.iteye.com/blog/2175595 一.概述        Gson的TypeAapter可以理解成自定义序列化和返序列化 二、应用场景举例        例如我们通常去注册时（那些外国网站），会让我们输入firstName，lastName,但是转到我们都
  • JQM控件之Navbar和Tabs gundumw100 htmlxmlcss
    在JQM中使用导航栏Navbar是简单的。 只需要将data-role="navbar"赋给div即可： <div data-role="navbar"> <ul> <li><a href="#" class="ui-btn-active&qu
  • 利用归并排序算法对大文件进行排序 iwindyforest java归并排序大文件分治法Merge sort
      归并排序算法介绍，请参照Wikipeida zh.wikipedia.org/wiki/%E5%BD%92%E5%B9%B6%E6%8E%92%E5%BA%8F 基本思想： 大文件分割成行数相等的两个子文件，递归（归并排序）两个子文件，直到递归到分割成的子文件低于限制行数 低于限制行数的子文件直接排序 两个排序好的子文件归并到父文件 直到最后所有排序好的父文件归并到输入
  • iOS UIWebView URL拦截 啸笑天 UIWebView
    本文译者：candeladiao，原文：URL filtering for UIWebView on the iPhone说明：译者在做app开发时，因为页面的javascript文件比较大导致加载速度很慢，所以想把javascript文件打包在app里，当UIWebView需要加载该脚本时就从app本地读取，但UIWebView并不支持加载本地资源。最后从下文中找到了解决方法，第一次翻译，难免有
  • 索引的碎片整理SQL语句 macroli sql
    SET NOCOUNT ON DECLARE @tablename VARCHAR (128) DECLARE @execstr VARCHAR (255) DECLARE @objectid INT DECLARE @indexid INT DECLARE @frag DECIMAL DECLARE @maxfrag DECIMAL --设置最大允许的碎片数量,超过则对索引进行碎片
  • Angularjs同步操作http请求with $promise qiaolevip 每天进步一点点学习永无止境AngularJS纵观千象
    // Define a factory app.factory('profilePromise', ['$q', 'AccountService', function($q, AccountService) { var deferred = $q.defer(); AccountService.getProfile().then(function(res) {
  • hibernate联合查询问题 sxj19881213 sqlHibernateHQL联合查询
    最近在用hibernate做项目，遇到了联合查询的问题，以及联合查询中的N+1问题。 针对无外键关联的联合查询，我做了HQL和SQL的实验，希望能帮助到大家。（我使用的版本是hibernate3.3.2）   1 几个常识：  （1）hql中的几种join查询，只有在外键关联、并且作了相应配置时才能使用。  （2）hql的默认查询策略，在进行联合查询时，会产
  • struts2.xml wuai struts
    <?xml version="1.0" encoding="UTF-8" ?> <!DOCTYPE struts PUBLIC "-//Apache Software Foundation//DTD Struts Configuration 2.3//EN" "http://struts.apache
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他