YOLOV8目标识别——详细记录从环境配置、自定义数据、模型训练到模型推理部署

一、概述

Yolov8建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性。Yolov8具有以下特点：

  1. 高效性：Yolov8采用了新的骨干网络、新的Ancher-Free检测头和新的损失函数，可在CPU到GPU的多种硬件平台上运行，使得模型在运行速度和准确性方面都表现出色。
  2. 创新性：Yolov8借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，全面提升改进了Yolov5模型结构，同时保持了Yolov5工程化简洁易用的优势。
  3. 易用性：Ultralytics没有直接将开源库命名为Yolov8，而是直接使用"ultralytics"，将其定位为算法框架，而非某一个特定算法。这使得Yolov8开源库不仅仅能够用于Yolo系列模型，而且能够支持非Yolo模型以及分类分割姿态估计等各类任务。
  4. 全面性：Yolov8在目标检测、图像分割、姿态估计等任务中都表现出色，成为实现这些任务的最佳选择。

二、YoloV8目标识别

1.目标识别

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物体并确定它们的位置。有许多目标检测算法，其中一些是经典的方法，而另一些是基于深度学习的最新方法。常见的目标检测算法：

  1. R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）：

    • R-CNN（Region-based Convolutional Neural Network）： 首次引入了区域建议网络（Region Proposal Network），然后对提议的区域进行分类。
    • Fast R-CNN： 对R-CNN进行了加速，将区域提议和特征提取合并为一个单一的神经网络。
    • Faster R-CNN： 进一步优化，将区域提议网络集成到主干网络中，提高了速度和性能。

  2. YOLO系列（YOLO、YOLOv2、YOLOv3、YOLOv4、YOLOv5）：

    • YOLO（You Only Look Once）： 通过将图像划分为网格，并在每个网格中同时预测边界框和类别，实现了快速目标检测。
    • YOLOv2（YOLO9000）： 引入了Anchor Boxes和Darknet-19网络，提高了性能。
    • YOLOv3： 进一步改进，引入了多尺度预测、跨尺度连接等特性，提高了检测性能。
    • YOLOv4： 引入了CSPNet、PANet等创新，提高了速度和精度。
    • YOLOv5： 通过引入更强大的骨干网络（backbone）和改进的训练策略，进一步提高了性能。

  3. SSD（Single Shot MultiBox Detector）：

    • 通过在不同尺度上预测边界框，实现了单次前向传播内的目标检测。

  4. RetinaNet：

    • 引入了Focal Loss，解决了类别不平衡问题，提高了检测性能。

  5. EfficientDet：

    • 结合了EfficientNet的高效网络结构和目标检测任务的特定优化，实现了高性能的目标检测。

  6. Mask R-CNN：

    • 在Faster R-CNN的基础上，增加了对目标实例分割的支持，能够生成每个检测到的物体的二进制掩码。

这些算法具有各自的特点和适用场景，选择合适的算法通常取决于具体的应用需求、计算资源以及性能要求。深度学习方法在目标检测领域取得了显著的进展，但也有一些经典的非深度学习方法在特定情境下仍然具有优势。

2.Yolov8目标识别

YOLOv8 的主要具有以下特点：

  • 对用户友好的 API（命令行 + Python）；
  • 模型更快更准确；
  • 模型能完成目标检测、实例分割和图像分类任务；
  • 与先前所有版本的 YOLO 兼容可扩展；
  • 模型采用新的网络主干架构；
  • 无锚（Anchor-Free）检测；
  • 模型采用新的损失函数。

YOLOv8 还高效灵活地支持多种导出格式，并且可在 CPU 和 GPU 上运行该模型。YOLOv8 的整体架构如下图所示：
在这里插入图片描述
YOLOv8是一种无锚（Anchor-Free）模型，这意味着它直接预测对象的中心，而不是通过预测锚框的偏移量来定位对象。相对于使用锚框的传统方法，无锚模型通过减少需要预测的边界框的数量，加速了复杂的推理步骤，如非极大值抑制（NMS）。

YOLOv8系列包含5个模型，其中YOLOv8 Nano（YOLOv8n）是最小且速度最快的模型，而YOLOv8 Extra Large（YOLOv8x）则是最准确但速度较慢的模型。这种层次结构允许用户在速度和准确性之间做出权衡，选择适合其特定需求的模型。
在这里插入图片描述

三、环境安装

1.直接安装

yolov8有两种安装方式，一种可直接安装U神的库，为了方便管理，还是在conda里面安装：

conda create -n yolov8 python=3.8
activate ylolv8
pip install ultralytics

2.源码安装

源码安装时，要单独安装torch，要不然训练的时候，有可能用不了GPU，我的环境是cuda 11.7。

#新建虚拟环境
conda create -n yolov8 python=3.8
#激活
conda activate yolov8
#安装torch,
conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.7 -c pytorch -c nvidia
#下载源码
git clone https://github.com/ultralytics/ultralytics.gitcd ultralytics
#将requirements.txt中torch torchbision 注释掉，下载其他包
pip install -r requirements.txt

3.验证

安装完成之后，验证是否安装成功。

yolo task=segment mode=predict model=yolov8s-seg.pt source='1.jpg' show=True

在这里插入图片描述

4.安装错误

1.OMP: Error #15: Initializing libomp.dylib, but found libiomp5.dylib already initialize
如果在训练时出现这个错误，要么就降低numpy的版本，要么就是python的版本太高，降到3.9以下就可以了。

四、数据集处理

1.数据集采集

数据采集是深度学习和人工智能任务中至关重要的一步，它为模型提供了必要的训练样本和测试数据。在实际应用中，数据采集的方法多种多样，每种方法都有其独特的优势和适用场景。以下是一些常见的数据采集方法：

  1. 使用开源已标记数据集：

    • 利用公开可用的已标记数据集，如ImageNet、COCO、MNIST等。这些数据集通常包含大量的图像和相应的标注，可用于训练和评估深度学习模型。

  2. 爬取数据集：

    • 通过网络爬虫从互联网上收集数据。这对于特定领域的数据集创建非常有用，但需要注意法律和道德问题，确保数据采集的合法性和隐私。

  3. 自己拍摄数据集：

    • 在某些情况下，特定领域或任务可能需要自己采集数据，例如拍摄独特的图像或视频。这样的数据集可以满足特定需求，但也可能需要更多的时间和资源。

  4. 使用数据增强生成数据集：

    • 利用数据增强技术，通过对现有数据进行旋转、翻转、缩放等变换，生成更多的训练样本。这有助于模型更好地泛化到不同的场景。

  5. 众包数据标注：

    • 将数据标注任务分发给大量工作者进行标注。这适用于大规模数据标注，但需要有效的质量控制机制。

  6. 合成数据集：

    • 利用计算机图形学技术生成合成数据，用于模型训练。这对于某些任务，如虚拟场景下的目标检测，非常有用。

在数据采集过程中，确保数据的质量和多样性非常重要。同时，对于敏感信息的数据，需要遵循隐私法规，并采取相应的保护措施。综合使用多种数据采集方法，根据任务和需求选择最适合的方法，有助于建立高质量、多样性且具代表性的数据集，提高模型的性能和泛化能力。

2.数据集标注

LabelMe 是一种流行的开源图像标注工具，用于创建包含各种标注，如边界框、多边形、线条和点的标记的图像数据集。LabelMe进行标注的一般步骤：

  1. 安装LabelMe：

    • 首先，确保安装了LabelMe工具。你可以在其官方GitHub存储库（https://github.com/wkentaro/labelme）中找到详细的安装说明。

  2. 启动LabelMe：

    • 运行LabelMe应用程序，打开需要标注的图像。你可以使用命令行运行 labelme 或者使用图形用户界面（GUI）。

  3. 创建新项目或打开现有项目：

    • 在LabelMe中，你可以选择创建新项目或打开现有的项目。项目是一个包含标注信息的文件夹。

  4. 标注对象：

    • 在图像中使用不同的工具（边界框、多边形、线条、点）标注感兴趣的对象。你可以选择标注对象的类别，并为每个类别定义名称和颜色。

  5. 保存标注：

    • 保存标注后，LabelMe将生成一个包含标注信息的JSON文件，与原始图像一起保存在项目文件夹中。

  6. 导出标注数据：

    • 可以将标注数据导出为各种格式，例如Pascal VOC、COCO等，以便用于深度学习模型的训练和评估。

  7. 数据集管理：

    • 可以使用LabelMe创建的标注数据集进行训练、验证和测试深度学习模型。在训练模型之前，通常需要将标注数据集转换为模型所需的特定格式。

LabelMe的灵活性和易用性使其成为图像标注领域的一种流行选择。它适用于各种项目，包括目标检测、实例分割、图像分类等。在使用LabelMe进行标注时，确保按照项目需求设置合适的类别、名称和颜色，以便后续的数据处理和模型训练。
在这里插入图片描述

3.数据转换

将LabelMe标注生成的JSON文件转换为YOLO格式的TXT文件需要进行一些数据格式的映射和坐标的转换。以下是一般的步骤：

  1. LabelMe JSON结构：
    • LabelMe生成的JSON文件包含了图像的标注信息，其中每个对象都有其边界框或多边形的坐标信息，以及对象的类别等。JSON结构可能如下所示：
  {"version": "5.3.0a0","flags": {},"shapes": [{"label": "person","points": [[55.59312320916908,1.6332378223495834],[191.40974212034385,258.36676217765046]],"group_id": null,"description": "","shape_type": "rectangle","flags": {}},{"label": "backpack","points": [[108.88825214899715,19.684813753581675],[169.63323782234957,132.2922636103152]],"group_id": null,"description": "","shape_type": "rectangle","flags": {}},{"label": "suitcase","points": [[142.69914040114614,125.41547277936962],[254.77429459472592,259.0]],"group_id": null,"description": "","shape_type": "rectangle","flags": {}}],"imagePath": "aod (2).png","imageData": "xxxxxx...................................","imageHeight": 260,"imageWidth": 396
}
  1. YOLO TXT格式：
    YOLO使用相对边界框坐标来描述图像中的对象。YOLO算法中的文本文件（通常以.txt为扩展名）包含了每个图像中对象的标注信息，格式通常如下：
<class_index> <x_center> <y_center> <width> <height>
  • <class_index>：对象的类别索引（从0开始）。
  • <x_center>、<y_center>：对象边界框中心相对于图像宽度和高度的坐标（范围通常在0到1之间）。
  • <width>、<height>：对象边界框的宽度和高度相对于图像宽度和高度的比例（范围通常在0到1之间）。
    每一行对应于图像中的一个对象，例如，如果图像中有多个对象，则每行表示一个对象的标注信息。

以下是一个示例：

0 0.5 0.4 0.2 0.3
1 0.3 0.6 0.4 0.5

在此示例中，有两个对象被标注。第一个对象属于类别0，其边界框中心位于图像宽度的50%和高度的40%，宽度占图像宽度的20%，高度占图像高度的30%。第二个对象属于类别1，其边界框中心位于图像宽度的30%和高度的60%，宽度占图像宽度的40%，高度占图像高度的50%。

  1. 转换过程：
    • 遍历LabelMe JSON文件中的每个对象，提取类别和边界框的坐标。
    • 将坐标转换为相对于图像宽度和高度的相对值。
    • 将转换后的信息写入YOLO格式的TXT文件。
import os
import numpy as np
import json
from glob import glob
import cv2
from sklearn.model_selection import train_test_split
from os import getcwddef get_file(json_path,test):files = glob(json_path + "*.json")files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files]if test:trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)else:trainval_files = filestest_files = []return trainval_files, test_filesdef convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)#
# print(wd)def json_to_txt(json_path,files, txt_name,classes):if not os.path.exists('tmp/'):os.makedirs('tmp/')list_file = open('tmp/%s.txt' % (txt_name), 'w')for json_file_ in files:# print(json_file_)json_filename = json_path + json_file_ + ".json"imagePath = json_path + json_file_ + ".jpg"list_file.write('%s/%s\n' % (wd, imagePath))out_file = open('%s/%s.txt' % (json_path, json_file_), 'w')json_file = json.load(open(json_filename, "r", encoding="utf-8"))height, width, channels = cv2.imread(json_path + json_file_ + ".jpg").shapefor multi in json_file["shapes"]:points = np.array(multi["points"])xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0label = multi["label"]if xmax <= xmin:passelif ymax <= ymin:passelse:cls_id = classes.index(label)print(json_file_)b = (float(xmin), float(xmax), float(ymin), float(ymax))bb = convert((width, height), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')# print(json_filename, xmin, ymin, xmax, ymax, cls_id)if __name__ == '__main__':wd = getcwd()classes_name = ["person","sack", "elec", "bag", "box", "um", "caron", "boot","pail"]path = "xxxx/images/"train_file,test_file = get_file(path,False)json_to_txt(path,train_file,"train",classes_name)

path = “xxxx/images/” 是标注好的数据所在的目标，里面包含了原始数据和标签json文件，当运行完上面的脚本之后，在当前目录下会多出与每个图像名称相同的txt文件。
在这里插入图片描述

4. 添加数据到目录

在项目根目录下创建一个dataset的目录,并在dataset目录添加三个目录，分别是images,json,labels：
在这里插入图片描述
把数据集里面的所有图像都拷贝到dataset/images目录下，把json文件拷贝到dataset/json目录里面，把生成的txt标签文件拷贝到dataset/labels目录下。

5. 数据验证

转换完成之后，要验证数据转换是否正确：

import  cv2
import os
def Xmin_Xmax_Ymin_Ymax(img_path, txt_path):""":param img_path: 图片文件的路径:param txt_path: 标签文件的路径:return:"""img = cv2.imread(img_path)# 获取图片的高宽h,w, _ = img.shapecon_rect = []# 读取TXT文件 中的中心坐标和框大小with open(txt_path, "r") as fp:# 以空格划分lines =fp.readlines()for l in lines:contline= l.split(' ')xmin = float((contline[1])) - float(contline[3]) / 2xmax = float(contline[1]) + float(contline[3]) / 2ymin = float(contline[2]) - float(contline[4]) / 2ymax = float(contline[2].strip()) + float(contline[4].strip()) / 2xmin, xmax = w * xmin, w * xmaxymin, ymax = h * ymin, h * ymaxcon_rect.append((contline[0], xmin, ymin, xmax, ymax))return con_rect
#根据label坐标画出目标框
def plot_tangle(img_dir,txt_dir):contents = os.listdir(img_dir)for file in contents:img_path = os.path.join(img_dir,file)img = cv2.imread(img_path)txt_path = os.path.join(txt_dir,(os.path.splitext(os.path.basename(file))[0] + ".txt"))con_rect =  Xmin_Xmax_Ymin_Ymax(img_path, txt_path)for rect in con_rect:cv2.rectangle(img, (int(rect[1]), int(rect[2])), (int(rect[3]), int(rect[4])), (0, 0, 255))cv2.namedWindow()cv2.imshow("src",img)cv2.waitKey()if __name__=="__main__":img_dir = r"xxx\images"txt_dir = r"xxx\labels"plot_tangle(img_dir,txt_dir)

五、模型训练

1.分割数据集

在深度学习中，数据集分割的目标仍然是将数据划分为训练集、验证集和测试集，但由于深度学习模型通常具有更多的参数和复杂性，因此划分时需要考虑更多的因素。以下是深度学习数据集分割的一般步骤：

  1. 训练集（Training Set）：

    • 用于训练深度学习模型的数据集。模型通过反向传播和梯度下降等优化算法来学习数据的特征和模式。

  2. 验证集（Validation Set）：

    • 用于调整模型的超参数、选择模型和进行早停（early stopping）等操作。验证集的性能评估不影响模型的权重和参数。

  3. 测试集（Test Set）：

    • 用于最终评估模型的性能。测试集是模型未曾见过的数据，用于评估模型在真实世界中的泛化能力。

一般而言，数据集分割的比例可能是 70%-15%-15% 或 80%-10%-10%。在深度学习中通常会追求更大的数据集，因此可以有更多的数据用于训练。

数据集分割时需要注意以下几点：

  • 样本均衡： 确保每个分组中的类别分布相似，以避免模型过度适应于某些特定类别。

  • 随机性： 使用随机种子（例如，random_state 参数）以确保划分的重复性。

  • 数据预处理一致性： 确保对数据的任何预处理步骤在所有分组上都是一致的，以防止引入不一致性。

在深度学习任务中，合适的数据集分割是构建有效模型的重要一环，可以帮助评估模型的性能、优化超参数，并准确衡量模型在未见过数据上的表现。

分割代码：

# -*- coding:utf-8 -*
import os
import random
import os
import shutil
def data_split(full_list, ratio):n_total = len(full_list)offset = int(n_total * ratio)if n_total == 0 or offset < 1:return [], full_listrandom.shuffle(full_list)sublist_1 = full_list[:offset]sublist_2 = full_list[offset:]return sublist_1, sublist_2train_p="dataset/train"
val_p="dataset/val"
imgs_p="images"
labels_p="labels"#创建训练集
if not os.path.exists(train_p):#指定要创建的目录os.mkdir(train_p)
tp1=os.path.join(train_p,imgs_p)
tp2=os.path.join(train_p,labels_p)
print(tp1,tp2)
if not os.path.exists(tp1):#指定要创建的目录os.mkdir(tp1)
if not os.path.exists(tp2):  # 指定要创建的目录os.mkdir(tp2)#创建测试集文件夹
if not os.path.exists(val_p):#指定要创建的目录os.mkdir(val_p)
vp1=os.path.join(val_p,imgs_p)
vp2=os.path.join(val_p,labels_p)
print(vp1,vp2)
if not os.path.exists(vp1):#指定要创建的目录os.mkdir(vp1)
if not os.path.exists(vp2):  # 指定要创建的目录os.mkdir(vp2)#数据集路径
images_dir="D:/DL/ultralytics/dataset/images"
labels_dir="D:/DL/ultralytics/dataset/labels"
#划分数据集，设置数据集数量占比
proportion_ = 0.9 #训练集占比total_file = os.listdir(images_dir)num = len(total_file)  # 统计所有的标注文件
list_=[]
for i in range(0,num):list_.append(i)list1,list2=data_split(list_,proportion_)for i in range(0,num):file=total_file[i]print(i,' - ',total_file[i])name=file.split('.')[0]if i in list1:jpg_1 = os.path.join(images_dir, file)jpg_2 = os.path.join(train_p, imgs_p, file)txt_1 = os.path.join(labels_dir, name + '.txt')txt_2 = os.path.join(train_p, labels_p, name + '.txt')if os.path.exists(txt_1) and os.path.exists(jpg_1):shutil.copyfile(jpg_1, jpg_2)shutil.copyfile(txt_1, txt_2)elif os.path.exists(txt_1):print(txt_1)else:print(jpg_1)elif i in list2:jpg_1 = os.path.join(images_dir, file)jpg_2 = os.path.join(val_p, imgs_p, file)txt_1 = os.path.join(labels_dir, name + '.txt')txt_2 = os.path.join(val_p, labels_p, name + '.txt')shutil.copyfile(jpg_1, jpg_2)shutil.copyfile(txt_1, txt_2)print("数据集划分完成： 总数量：",num," 训练集数量：",len(list1)," 验证集数量：",len(list2))

2.指定数据集路径

在ultralytics/cfg/datasets目录下复制一份coco.yaml复制ultralytics根目录，重新命名成my_coco.yaml，然后把文件内容改成自己的数据路径和自己所标注的数据名称。

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8  ← downloads here (1 MB)# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:/DL/ultralytics  # dataset root dir
train: dataset/train  # train images (relative to 'path') 4 images
val: dataset/val  # val images (relative to 'path') 4 images
test:  # test images (optional)# Classes
names:0: person1: sack2: elec3: bag4: box5: um6: caron7: boot8: pail# Download script/URL (optional)
download: https://ultralytics.com/assets/coco8.zip

3.模型训练

模型训练有两种方式，直接pip安装ultralytics库的和源码安装的训练方法有差异。

3.1 直接安装ultralytics库

单卡

yolo detect train data=my_coco.yaml model=yolov8s.pt epochs=150 imgsz=640 batch=64 workers=0 device=0

多卡训练

yolo detect train data=my_coco.yaml model=./weights/yolov8s.pt epochs=150 imgsz=640 batch=128 workers= \'0,1,2,3\' device=0,1,2
3.2 源码安装训练方法

在根目录下新建一个train.py的文件


from ultralytics import YOLO#train
model = YOLO('my_coco.yaml').load('yolov8s.pt')  # build from YAML and transfer weights# Train the model
model.train(data='./ultralytics/datasets/my_coco.yaml', epochs=150, imgsz=640,batch=2, workers=0)

4. 验证训练结果

在yolo环境下运行下面指令，用来验证训练的结果：

yolo task=detect mode=predict model=last.pt source='1.jpg' show=True

在这里插入图片描述

六、模型ONNX推理部署

关于模型推理部署，可以看我之前的博客：https://blog.csdn.net/matt45m/article/details/134221201?spm=1001.2014.3001.5502

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/188730.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Vue ElementUI操作 和 Axios使用

Vue ElementUI操作 和 Axios使用

目录 一、ElementUI 1.简介 : 2.安装 : 3.配置 : 4.使用 : 二、Axios 1.简介 : 2.安装 : 3.实例 : 3.1 数据准备 3.2 应用实例 3.3 内容补充 一、ElementUI 1.简介 : ElementUI&#xff0c;是一套为开发者、设计师和产品经理准备的基于 Vue 2.0 的桌面端组件库。El…
阅读更多...
Python算法题2023 输出123456789到98765432中完全不包含2023的数有多少

Python算法题2023 输出123456789到98765432中完全不包含2023的数有多少

题目&#xff1a; 无输入&#xff0c;只需输出结果&#x1f910; 这个数字比较大&#xff0c;小伙伴们运行的时候要给代码一点耐心嗷つ﹏⊂ &#xff0c;下面是思路&#xff0c;代码注释也很详细&#xff0c;大致看一下吧&#xff08;&#xff3e;∀&#xff3e;●&#xff09…
阅读更多...
Rust图形界面：eGUI的Panel布局

Rust图形界面：eGUI的Panel布局

文章目录 Panel布局尺寸调节源码 Panel布局 eGUI提供面板堆叠的布局方案&#xff0c;即Panel布局。其布局逻辑是&#xff0c;根据当前面板指定的方向&#xff0c;尽可能地填充空间。 CentralPanel 占据屏幕剩余部分的空间SidePanel 占据屏幕两侧的空间&#xff0c;在具体调用…
阅读更多...
【自动化测试】第一次项目实施

【自动化测试】第一次项目实施

测试项目简介&#xff1a;基于python语言 跨平台的测试自动化工具&#xff0c;适用于后台、原生或混合型客户端应用的测试。它支持 Android、iOS、Web、后台、云服务和 Windows 端的 UI 自动化测试。 上手快&#xff0c;操作简单&#xff0c;只要有一点python基础&#xff0c…
阅读更多...
双11背后的中国云厂商：新“标准化”，和调整后的新韧性

双11背后的中国云厂商：新“标准化”，和调整后的新韧性

降价并不代表一味的压缩自身利润空间&#xff0c;云厂商已经开始向具有更高利润空间的PaaS、SaaS产品腾挪&#xff0c;核心产品在总包占比越来越高。 作者|斗斗 编辑|皮爷 出品|产业家 今年云厂商&#xff0c;全面拥抱双11。 作为中国最大的云计算服务提供商&#xff0…
阅读更多...
Unity中Shader矩阵的行列式

Unity中Shader矩阵的行列式

文章目录 前言一、什么是矩阵的行列式&#xff1f;1、只有方阵才有行列式&#xff08;即 n X n 的矩阵&#xff09;2、数学上表示为 det(A) 或者 |A|3、行列式可以看做有向面积 或 体积 在空间中的变化影响 二、2 x 2矩阵的行列式三、3 x 3矩阵的行列式四、行列式计算总结五、使…
阅读更多...
UE的PlayerController方法Convert Mouse Location To World Space

UE的PlayerController方法Convert Mouse Location To World Space

先上图&#xff1a; Convert Mouse Location To World这是PlayerController对象中很重要的方法。 需要说明的是两个输出值。 第一个是World Location&#xff0c;这是个基于世界空间的位置值&#xff0c;一开始我以为这个值和当前摄像机的位置是重叠的&#xff0c;但是打印出来…
阅读更多...
git撤销未git commit的文件

git撤销未git commit的文件

目录 一、问题描述 二、方式1&#xff1a;git命令撤销&#xff08;更专业&#xff09; 1、文件已git add&#xff0c;未git commit 2、本地修改&#xff0c;未git add &#xff08;1&#xff09;撤销处于unstage的文件&#xff0c;即删除已有变动 &#xff08;2&#xff…
阅读更多...
故障发现、定位提效超 70%，去哪儿可观测体系做了哪些优化？

故障发现、定位提效超 70%，去哪儿可观测体系做了哪些优化？

一分钟精华速览 去哪儿网的原有监控系统在指标数量上展现出了强大实力——上亿指标量和百万级的告警量&#xff0c;但在故障数据方面却稍显不足——订单类故障平均发现时间长达 4 分钟&#xff0c;仅有 20%的订单类故障能在 1 分钟内被发现&#xff0c;近半数的故障处理时长超…
阅读更多...
华夏ERP打包手册

华夏ERP打包手册

Maven安装及环境配置 1.下载 浏览器搜索maven点击apache Maven 2.选择安装目录&#xff0c;注意不能有中文 3.环境变量配置 点击计算机右键属性>高级系统设置>环境变量 新建系统变量 MAVEN_HOME 变量值是安装目录 进入path点击新建点击编辑&#xff0c;写入% MAVEN_H…
阅读更多...
YashanDB服务端个人版安装部署

YashanDB服务端个人版安装部署

介绍 崖山数据库系统YashanDB是深圳计算科学研究院完全自主研发设计的新型数据库系统&#xff0c;融入原创理论&#xff0c;支持单机/主备、共享集群、分布式等多种部署方式&#xff0c;覆盖OLTP/HTAP/OLAP交易和分析混合负载场景&#xff0c;为客户提供一站式的企业级融合数据…
阅读更多...
Linux中的进程等待（超详细）

Linux中的进程等待（超详细）

Linux中的进程等待 1. 进程等待必要性2. 进程等待的方法2.1 wait方法2.2 waitpid方法 3. 获取子进程status4. 具体代码实现 1. 进程等待必要性 我们知道&#xff0c;子进程退出&#xff0c;父进程如果不管不顾&#xff0c;就可能造成‘僵尸进程’的问题&#xff0c;进而造成内…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023