【计算机视觉】YOLO 入门:训练 COCO128 数据集
一、COCO128 数据集
我们以最近大热的YOLOv8为例,回顾一下之前的安装过程:
%pip install ultralytics
import ultralytics
ultralytics.checks()
这里选择训练的数据集为:COCO128
COCO128是一个小型教程数据集,由COCOtrain2017中的前128个图像组成。
在YOLO中自带的coco128.yaml文件:
1)可选的用于自动下载的下载命令/URL,
2)指向培训图像目录的路径(或指向带有培训图像列表的*.txt文件的路径),
3)与验证图像相同,
4)类数,
5)类名列表:
# download command/URL (optional)
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../coco128/images/train2017/
val: ../coco128/images/train2017/# number of classes
nc: 80# class names
names: ['person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck', 'boat', 'traffic light','fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow','elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee','skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard','tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple','sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch','potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote', 'keyboard', 'cell phone', 'microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 'teddy bear', 'hair drier', 'toothbrush']
二、训练过程
!yolo train model = yolov8n.pt data = coco128.yaml epochs = 10 imgsz = 640
训练过程为:
from n params module arguments 0 -1 1 464 ultralytics.nn.modules.conv.Conv [3, 16, 3, 2] 1 -1 1 4672 ultralytics.nn.modules.conv.Conv [16, 32, 3, 2] 2 -1 1 7360 ultralytics.nn.modules.block.C2f [32, 32, 1, True] 3 -1 1 18560 ultralytics.nn.modules.conv.Conv [32, 64, 3, 2] 4 -1 2 49664 ultralytics.nn.modules.block.C2f [64, 64, 2, Tr
ue] 5 -1 1 73984 ultralytics.nn.modules.conv.Conv [64, 128, 3, 2] 6 -1 2 197632 ultralytics.nn.modules.block.C2f [128, 128, 2, True] 7 -1 1 295424 ultralytics.nn.modules.conv.Conv [128, 256, 3, 2] 8 -1 1 460288 ultralytics.nn.modules.block.C2f [256, 256, 1, True] 9 -1 1 164608 ultralytics.nn.modules.block.SPPF [256, 256, 5] 10 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 11 [-1, 6] 1 0 ultralytics.nn.modules.conv.Concat [1] 12 -1 1 148224 ultralytics.nn.modules.block.C2f [384, 128, 1] 13 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 14 [-1, 4] 1 0 ultralytics.nn.modules.conv.Concat [1] 15 -1 1 37248 ultralytics.nn.modules.block.C2f [192, 64, 1] 16 -1 1 36992 ultralytics.nn.modules.conv.Conv [64, 64, 3, 2] 17 [-1, 12] 1 0 ultralytics.nn.modules.conv.Concat [1] 18 -1 1 123648 ultralytics.nn.modules.block.C2f [192, 128, 1] 19 -1 1 147712 ultralytics.nn.modules.conv.Conv [128, 128, 3, 2] 20 [-1, 9] 1 0 ultralytics.nn.modules.conv.Concat [1] 21 -1 1 493056 ultralytics.nn.modules.block.C2f [384, 256, 1] 22 [15, 18, 21] 1 897664 ultralytics.nn.modules.head.Detect [80, [64, 128, 256]]
Model summary: 225 layers, 3157200 parameters, 3157184 gradients
Transferred 355/355 items from pretrained weights
TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/
AMP: running Automatic Mixed Precision (AMP) checks with YOLOv8n...
AMP: checks passed ✅
train: Scanning /kaggle/working/datasets/coco128/labels/train2017.cache... 126 i
albumentations: Blur(p=0.01, blur_limit=(3, 7)), MedianBlur(p=0.01, blur_limit=(3, 7)), ToGray(p=0.01), CLAHE(p=0.01, clip_limit=(1, 4.0), tile_grid_size=(8, 8))
val: Scanning /kaggle/working/datasets/coco128/labels/train2017.cache... 126 ima
Plotting labels to runs/detect/train/labels.jpg...
optimizer: AdamW(lr=0.000119, momentum=0.9) with parameter groups 57 weight(decay=0.0), 64 weight(decay=0.0005), 63 bias(decay=0.0)
Image sizes 640 train, 640 val
Using 2 dataloader workers
Logging results to runs/detect/train
Starting training for 10 epochs...
Closing dataloader mosaic
albumentations: Blur(p=0.01, blur_limit=(3, 7)), MedianBlur(p=0.01, blur_limit=(3, 7)), ToGray(p=0.01), CLAHE(p=0.01, clip_limit=(1, 4.0), tile_grid_size=(8, 8))
Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size1/10 2.61G 1.153 1.398 1.192 81 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.688 0.506 0.61 0.446Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size2/10 2.56G 1.142 1.345 1.202 121 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.678 0.525 0.63 0.456Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size3/10 2.57G 1.147 1.25 1.175 108 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.656 0.548 0.64 0.466Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size4/10 2.57G 1.149 1.287 1.177 116 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.684 0.568 0.654 0.482Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size5/10 2.57G 1.169 1.233 1.207 68 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.664 0.586 0.668 0.491Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size6/10 2.57G 1.139 1.231 1.177 95 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.66 0.613 0.677 0.5Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size7/10 2.57G 1.134 1.211 1.181 115 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.649 0.631 0.683 0.504Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size8/10 2.57G 1.114 1.194 1.178 71 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.664 0.634 0.69 0.513Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size9/10 2.57G 1.117 1.127 1.148 142 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.624 0.671 0.697 0.52Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size10/10 2.57G 1.085 1.133 1.172 104 640: 1Class Images Instances Box(P R mAP50 mall 128 929 0.631 0.676 0.704 0.522
10 epochs completed in 0.018 hours.
Optimizer stripped from runs/detect/train/weights/last.pt, 6.5MB
Optimizer stripped from runs/detect/train/weights/best.pt, 6.5MBValidating runs/detect/train/weights/best.pt...
Ultralytics YOLOv8.0.128 🚀 Python-3.10.10 torch-2.0.0 CUDA:0 (Tesla P100-PCIE-16GB, 16281MiB)
Model summary (fused): 168 layers, 3151904 parameters, 0 gradients
Class Images Instances Box(P R mAP50 mall 128 929 0.629 0.677 0.704 0.523person 128 254 0.763 0.721 0.778 0.569bicycle 128 6 0.765 0.333 0.391 0.321car 128 46 0.487 0.217 0.322 0.192motorcycle 128 5 0.613 0.8 0.906 0.732airplane 128 6 0.842 1 0.972 0.809bus 128 7 0.832 0.714 0.712 0.61train 128 3 0.52 1 0.995 0.858truck 128 12 0.597 0.5 0.547 0.373boat 128 6 0.526 0.167 0.448 0.328traffic light 128 14 0.471 0.214 0.184 0.145stop sign 128 2 0.671 1 0.995 0.647bench 128 9 0.675 0.695 0.72 0.489bird 128 16 0.936 0.921 0.961 0.67cat 128 4 0.818 1 0.995 0.772dog 128 9 0.68 0.889 0.908 0.722horse 128 2 0.441 1 0.828 0.497elephant 128 17 0.742 0.848 0.933 0.71bear 128 1 0.461 1 0.995 0.995zebra 128 4 0.85 1 0.995 0.972giraffe 128 9 0.824 1 0.995 0.772backpack 128 6 0.596 0.333 0.394 0.257umbrella 128 18 0.564 0.722 0.681 0.429handbag 128 19 0.635 0.185 0.326 0.178tie 128 7 0.671 0.714 0.758 0.522suitcase 128 4 0.687 1 0.945 0.603frisbee 128 5 0.52 0.8 0.799 0.689skis 128 1 0.694 1 0.995 0.497snowboard 128 7 0.499 0.714 0.732 0.589sports ball 128 6 0.747 0.494 0.573 0.342kite 128 10 0.539 0.5 0.504 0.181baseball bat 128 4 0.595 0.5 0.509 0.253baseball glove 128 7 0.808 0.429 0.431 0.318skateboard 128 5 0.493 0.6 0.609 0.465tennis racket 128 7 0.451 0.286 0.446 0.274bottle 128 18 0.4 0.389 0.365 0.257wine glass 128 16 0.597 0.557 0.675 0.366cup 128 36 0.586 0.389 0.465 0.338fork 128 6 0.582 0.167 0.306 0.234knife 128 16 0.621 0.625 0.669 0.405spoon 128 22 0.525 0.364 0.41 0.227bowl 128 28 0.657 0.714 0.719 0.584banana 128 1 0.319 1 0.497 0.0622sandwich 128 2 0.812 1 0.995 0.995orange 128 4 0.784 1 0.895 0.594broccoli 128 11 0.431 0.273 0.339 0.26carrot 128 24 0.553 0.833 0.801 0.504hot dog 128 2 0.474 1 0.995 0.946pizza 128 5 0.736 1 0.995 0.882donut 128 14 0.574 1 0.929 0.85cake 128 4 0.769 1 0.995 0.89chair 128 35 0.503 0.571 0.542 0.307couch 128 6 0.526 0.667 0.805 0.612potted plant 128 14 0.479 0.786 0.784 0.545bed 128 3 0.714 1 0.995 0.83dining table 128 13 0.451 0.615 0.552 0.437toilet 128 2 1 0.942 0.995 0.946tv 128 2 0.622 1 0.995 0.846laptop 128 3 1 0.452 0.863 0.738mouse 128 2 1 0 0.0459 0.00459remote 128 8 0.736 0.5 0.62 0.527cell phone 128 8 0.0541 0.027 0.0731 0.043microwave 128 3 0.773 0.667 0.913 0.807oven 128 5 0.442 0.483 0.433 0.336sink 128 6 0.378 0.167 0.336 0.231refrigerator 128 5 0.662 0.786 0.778 0.616book 128 29 0.47 0.336 0.402 0.23clock 128 9 0.76 0.778 0.884 0.762vase 128 2 0.428 1 0.828 0.745scissors 128 1 0.911 1 0.995 0.256teddy bear 128 21 0.551 0.667 0.805 0.515toothbrush 128 5 0.768 1 0.995 0.65
Speed: 3.4ms preprocess, 1.9ms inference, 0.0ms loss, 2.4ms postprocess per image
Results saved to runs/detect/train
三、验证过程
!yolo val model = yolov8n.pt data = coco128.yaml
输出的结果为:
Class Images Instances Box(P R mAP50 mall 128 929 0.64 0.537 0.605 0.446person 128 254 0.797 0.677 0.764 0.538bicycle 128 6 0.514 0.333 0.315 0.264car 128 46 0.813 0.217 0.273 0.168motorcycle 128 5 0.687 0.887 0.898 0.685airplane 128 6 0.82 0.833 0.927 0.675bus 128 7 0.491 0.714 0.728 0.671train 128 3 0.534 0.667 0.706 0.604truck 128 12 1 0.332 0.473 0.297boat 128 6 0.226 0.167 0.316 0.134traffic light 128 14 0.734 0.2 0.202 0.139stop sign 128 2 1 0.992 0.995 0.701bench 128 9 0.839 0.582 0.62 0.365bird 128 16 0.921 0.728 0.864 0.51cat 128 4 0.875 1 0.995 0.791dog 128 9 0.603 0.889 0.785 0.585horse 128 2 0.597 1 0.995 0.518elephant 128 17 0.849 0.765 0.9 0.679bear 128 1 0.593 1 0.995 0.995zebra 128 4 0.848 1 0.995 0.965giraffe 128 9 0.72 1 0.951 0.722backpack 128 6 0.589 0.333 0.376 0.232umbrella 128 18 0.804 0.5 0.643 0.414handbag 128 19 0.424 0.0526 0.165 0.0889tie 128 7 0.804 0.714 0.674 0.476suitcase 128 4 0.635 0.883 0.745 0.534frisbee 128 5 0.675 0.8 0.759 0.688skis 128 1 0.567 1 0.995 0.497snowboard 128 7 0.742 0.714 0.747 0.5sports ball 128 6 0.716 0.433 0.485 0.278kite 128 10 0.817 0.45 0.569 0.184baseball bat 128 4 0.551 0.25 0.353 0.175baseball glove 128 7 0.624 0.429 0.429 0.293skateboard 128 5 0.846 0.6 0.6 0.41tennis racket 128 7 0.726 0.387 0.487 0.33bottle 128 18 0.448 0.389 0.376 0.208wine glass 128 16 0.743 0.362 0.584 0.333cup 128 36 0.58 0.278 0.404 0.29fork 128 6 0.527 0.167 0.246 0.184knife 128 16 0.564 0.5 0.59 0.36spoon 128 22 0.597 0.182 0.328 0.19bowl 128 28 0.648 0.643 0.618 0.491banana 128 1 0 0 0.124 0.0379sandwich 128 2 0.249 0.5 0.308 0.308orange 128 4 1 0.31 0.995 0.623broccoli 128 11 0.374 0.182 0.249 0.203carrot 128 24 0.648 0.458 0.572 0.362hot dog 128 2 0.351 0.553 0.745 0.721pizza 128 5 0.644 1 0.995 0.843donut 128 14 0.657 1 0.94 0.864cake 128 4 0.618 1 0.945 0.845chair 128 35 0.506 0.514 0.442 0.239couch 128 6 0.463 0.5 0.706 0.555potted plant 128 14 0.65 0.643 0.711 0.472bed 128 3 0.698 0.667 0.789 0.625dining table 128 13 0.432 0.615 0.485 0.366toilet 128 2 0.615 0.5 0.695 0.676tv 128 2 0.373 0.62 0.745 0.696laptop 128 3 1 0 0.451 0.361mouse 128 2 1 0 0.0625 0.00625remote 128 8 0.843 0.5 0.605 0.529cell phone 128 8 0 0 0.0549 0.0393microwave 128 3 0.435 0.667 0.806 0.718oven 128 5 0.412 0.4 0.339 0.27sink 128 6 0.35 0.167 0.182 0.129refrigerator 128 5 0.589 0.4 0.604 0.452book 128 29 0.629 0.103 0.346 0.178clock 128 9 0.788 0.83 0.875 0.74vase 128 2 0.376 1 0.828 0.795scissors 128 1 1 0 0.249 0.0746teddy bear 128 21 0.877 0.333 0.591 0.394toothbrush 128 5 0.743 0.6 0.638 0.374
Speed: 1.0ms preprocess, 8.5ms inference, 0.0ms loss, 1.6ms postprocess per image
Results saved to runs/detect/val
可视化的结果为:
相关文章:

【计算机视觉】YOLO 入门:训练 COCO128 数据集
一、COCO128 数据集 我们以最近大热的YOLOv8为例,回顾一下之前的安装过程: %pip install ultralytics import ultralytics ultralytics.checks()这里选择训练的数据集为:COCO128 COCO128是一个小型教程数据集,由COCOtrain2017中…...
【数分面试答疑】XX场景如何分析问题的思考
问题: 如何分析消费贷客户的用款活跃度,简单列出分析报告的思路框架 解答 这个问题是一个典型的数据分析类的面试问题,主要考察面试者对于消费贷客户的用款活跃度分析的理解和方法,以及对于数据分析报告的撰写和呈现的能力。回…...

html中如何用vue语法,并使用UI组件库 ,html中引入vue+ant-design-vue或者vue+element-plus
html中如何用vue语法,并使用UI组件库 前言 先说一下本次应用的场景,本次项目中,需要引入github中别人写好的插件,插件比较大,没有方法直接在自己项目中,把别人的项目打包合并生成html(类似于前…...

【数据结构】二叉数的存储与基本操作的实现
文章目录 🍀二叉树的存储🌳二叉树的基本操作🐱👤二叉树的创建🐱👓二叉树的遍历🎡前中后序遍历📌前序遍历📌中序遍历📌后续遍历 🛫层序遍历&am…...

使用 Netty 实现群聊功能的步骤和注意事项
文章目录 前言声明功能说明实现步骤WebSocket 服务启动Channel 初始化HTTP 请求处理HTTP 页面内容WebSocket 请求处理 效果展示总结 前言 通过之前的文章介绍,我们可以深刻认识到Netty在网络编程领域的卓越表现和强大实力。这篇文章将介绍如何利用 Netty 框架开发一…...

一篇文章搞定《WebView的优化及封装》
一篇文章搞定《WebView的优化及封装》 前言WebView的过程分析确定优化方案一、预加载,复用缓冲池(初始化优化)优化的解析说明具体的实现 二、预置模版(请求、渲染优化)优化的解析说明具体的实现1、离线包2、预获取数据…...

FreeSWITCH 1.10.10 简单图形化界面5 - 使用百度TTS
FreeSWITCH 1.10.10 简单图形化界面5 - 使用百度TTS 0、 界面预览1、注册百度AI开放平台,开通语音识别服务2、获取AppID/API Key/Secret Key3、 安装百度语音合成sdk4、合成代码5、在PBX中使用百度TTS6、音乐文件-TTS7、拨号规则-tts_command 0、 界面预览 http://…...

DP读书:不知道干什么就和我一起读书吧
DP读书:不知道干什么就和我一起读书吧 为啥写博客:好处一:记录自己的学习过程优点二:让自己在各大社群里不那么尴尬推荐三:坚持下去,找到一个能支持自己的伙伴 虽然清楚知识需要靠时间沉淀,但在…...

【Linux】进程通信 — 信号(上篇)
文章目录 📖 前言1. 什么是信号1.1 认识信号:1.2 信号的产生:1.3 信号的异步:1.4 信号的处理: 2. 前后台进程3. 系统接口3.1 signal:3.1 - 1 不能被捕捉的信号 3.2 kill:3.2 - 1 killall 3.3 ra…...
JS弃之可惜食之无味的代码冷知识
JS代码冷知识大全 1. 变量提升与暂死 在JavaScript中,变量提升是一个有趣且容易让人误解的概念。在代码中,变量和函数声明会在其所在作用域的顶部被提升,但是初始化并不会被提升。这可能导致在声明之前就使用变量,结果为undefin…...

数据结构初阶--排序
目录 一.排序的基本概念 1.1.什么是排序 1.2.排序算法的评价指标 1.3.排序的分类 二.插入排序 2.1.直接插入排序 2.2.希尔排序 三.选择排序 3.1.直接选择排序 3.2.堆排序 重建堆 建堆 排序 四.交换排序 4.1.冒泡排序 4.2.快速排序 快速排序的递归实现 法一&a…...

赴日IT 如何提高去日本做程序员的几率?
其实想去日本做IT工作只要满足学历、日语、技术三个必要条件,具备这些条件应聘就好,不具备条件你就想办法具备这些条件,在不具备条件之前不要轻易到日本去,日本IT行业虽然要求技术没有国内那么高,但也不是随便好进入的…...
c# 使用了 await、asnync task.run 三者结合使用
在 C# 异步编程中,await 和 async 关键字结合使用可以让你更方便地编写异步代码,而无需直接使用 Task.Run。然而,有时候你可能仍然需要使用 Task.Run 来在后台线程上执行某些工作,这取决于你的代码逻辑和需求。 await 和 async 关…...

C#获取屏幕缩放比例
现在1920x1080以上分辨率的高分屏电脑渐渐普及了。我们会在Windows的显示设置里看到缩放比例的设置。在Windows桌面客户端的开发中,有时会想要精确计算窗口的面积或位置。然而在默认情况下,无论WinForms的Screen.Bounds.Width属性还是WPF中SystemParamet…...

Rn实现省市区三级联动
省市区三级联动选择是个很频繁的需求,但是查看了市面上很多插件不是太老不维护就是不满足需求,就试着实现一个 这个功能无任何依赖插件 功能略简单,但能实现需求 核心代码也尽力控制在了60行左右 pca-code.json树型数据来源 Administrative-d…...

SpringCloud学习笔记(十)_SpringCloud监控
今天我们来学习一下actuator这个组件,它不是SpringCloud之后才有的,而是SpringBoot的一个starter,Spring Boot Actuator。我们使用SpringCloud的时候需要使用这个组件对应用程序进行监控与管理 在SpringBoot2.0版本中,actuator可以…...
测试理论与方法----测试流程的第二个环节:测试计划
二、软件测试分类与测试计划 1、软件测试的分类(理解掌握) 根绝需求规格说明书,在设计阶段会产出的两个文档: 概要设计(HLD):设计软件的结构,包含软件的组成,模块之间的层次关系,模块与模块之间的调用关系…...

postgresql-子查询
postgresql-子查询 简介派生表IN 操作符ALL 操作符ANY 操作符关联子查询横向子查询EXISTS 操作符 简介 子查询(Subquery)是指嵌套在其他 SELECT、INSERT、UPDATE 以及 DELETE 语句中的 查询语句。 子查询的作用与多表连接查询有点类似,也是为…...

Linux 系统运维工具之 OpenLMI
一、前要 OpenLMI(全称 Open Linux Management Infrastructure)即开放式的 Linux 管理基础架构。OpenLMI 是一个开源项目,用于管理 Linux 系统管理的通用基础架构。它建立在现有工具基础上,充当抽象层,以便向系统管理…...

8天长假快来了,Python分析【去哪儿旅游攻略】数据,制作可视化图表
目录 前言环境使用模块使用数据来源分析 代码实现导入模块请求数据解析保存 数据可视化导入模块、数据年份分布情况月份分布情况出行时间情况费用分布情况人员分布情况 前言 2023年的中秋节和国庆节即将来临,好消息是,它们将连休8天!这个长假…...

第19节 Node.js Express 框架
Express 是一个为Node.js设计的web开发框架,它基于nodejs平台。 Express 简介 Express是一个简洁而灵活的node.js Web应用框架, 提供了一系列强大特性帮助你创建各种Web应用,和丰富的HTTP工具。 使用Express可以快速地搭建一个完整功能的网站。 Expre…...

从WWDC看苹果产品发展的规律
WWDC 是苹果公司一年一度面向全球开发者的盛会,其主题演讲展现了苹果在产品设计、技术路线、用户体验和生态系统构建上的核心理念与演进脉络。我们借助 ChatGPT Deep Research 工具,对过去十年 WWDC 主题演讲内容进行了系统化分析,形成了这份…...

shell脚本--常见案例
1、自动备份文件或目录 2、批量重命名文件 3、查找并删除指定名称的文件: 4、批量删除文件 5、查找并替换文件内容 6、批量创建文件 7、创建文件夹并移动文件 8、在文件夹中查找文件...
C++ 基础特性深度解析
目录 引言 一、命名空间(namespace) C 中的命名空间 与 C 语言的对比 二、缺省参数 C 中的缺省参数 与 C 语言的对比 三、引用(reference) C 中的引用 与 C 语言的对比 四、inline(内联函数…...
Neo4j 集群管理:原理、技术与最佳实践深度解析
Neo4j 的集群技术是其企业级高可用性、可扩展性和容错能力的核心。通过深入分析官方文档,本文将系统阐述其集群管理的核心原理、关键技术、实用技巧和行业最佳实践。 Neo4j 的 Causal Clustering 架构提供了一个强大而灵活的基石,用于构建高可用、可扩展且一致的图数据库服务…...

《基于Apache Flink的流处理》笔记
思维导图 1-3 章 4-7章 8-11 章 参考资料 源码: https://github.com/streaming-with-flink 博客 https://flink.apache.org/bloghttps://www.ververica.com/blog 聚会及会议 https://flink-forward.orghttps://www.meetup.com/topics/apache-flink https://n…...

Android15默认授权浮窗权限
我们经常有那种需求,客户需要定制的apk集成在ROM中,并且默认授予其【显示在其他应用的上层】权限,也就是我们常说的浮窗权限,那么我们就可以通过以下方法在wms、ams等系统服务的systemReady()方法中调用即可实现预置应用默认授权浮…...

图表类系列各种样式PPT模版分享
图标图表系列PPT模版,柱状图PPT模版,线状图PPT模版,折线图PPT模版,饼状图PPT模版,雷达图PPT模版,树状图PPT模版 图表类系列各种样式PPT模版分享:图表系列PPT模板https://pan.quark.cn/s/20d40aa…...
Hive 存储格式深度解析:从 TextFile 到 ORC,如何选对数据存储方案?
在大数据处理领域,Hive 作为 Hadoop 生态中重要的数据仓库工具,其存储格式的选择直接影响数据存储成本、查询效率和计算资源消耗。面对 TextFile、SequenceFile、Parquet、RCFile、ORC 等多种存储格式,很多开发者常常陷入选择困境。本文将从底…...
iOS性能调优实战:借助克魔(KeyMob)与常用工具深度洞察App瓶颈
在日常iOS开发过程中,性能问题往往是最令人头疼的一类Bug。尤其是在App上线前的压测阶段或是处理用户反馈的高发期,开发者往往需要面对卡顿、崩溃、能耗异常、日志混乱等一系列问题。这些问题表面上看似偶发,但背后往往隐藏着系统资源调度不当…...