DINOv2 - 无监督学习鲁棒视觉特征
本文翻译整理自：https://github.com/facebookresearch/dinov2
文章目录
- 一、关于 DINOv2
- 相关链接资源
- 关键功能特性
- 二、预训练模型
- 预训练骨架网络
- 通过 PyTorch Hub 加载预训练模型
- 预训练分类头 - ImageNet
- 预训练头 - 深度估计
- 预训练头 - 语义分割
- 三、安装
- 1、推荐安装方式（conda）
- 2、pip 安装方式
- 3、密集任务额外依赖
- conda 方式（推荐）
- pip 方式
- 四、数据准备
- 1、ImageNet-1k 数据集
- 2、ImageNet-22k 数据集
- 五、训练
- 1、快速设置：在 ImageNet-1k 上训练 DINOv2 ViT-L/16
- 2、完整设置：在 ImageNet-22k 上训练 DINOv2 ViT-L/14
- 六、评估
- 1、ImageNet-1k 上的 k-NN 分类
- 2、ImageNet-1k 上的逻辑回归分类
- 3、带数据增强的 ImageNet-1k 线性分类
- 4、预训练模型评估
- 七、Notebooks
一、关于 DINOv2
DINOv2 是 Meta AI Research (FAIR) 团队开发的视觉特征提取模型，能够在不使用任何标签或标注的情况下，从 1.42 亿张图像中学习高性能的视觉特征。
这些特征可以直接用于各种计算机视觉任务，只需配合简单的线性分类器即可获得优异表现。
主要贡献者：Maxime Oquab, Timothée Darcet, Théo Moutakanni, Huy V. Vo, Marc Szafraniec, Vasil Khalidov, Patrick Labatut, Armand Joulin, Piotr Bojanowski
相关链接资源
- github : https://github.com/facebookresearch/dinov2
- 官网：https://ai.facebook.com/research/
- 官方文档：https://github.com/facebookresearch/dinov2
- Paper :
- https://arxiv.org/abs/2304.07193
- https://arxiv.org/abs/2309.16588 注册机制
- Demo/在线试用：https://dinov2.metademolab.com
- Blog : https://ai.facebook.com/blog/dino-v2-computer-vision-self-supervised-learning/
- BibTeX : 见文末引用部分
- License : Apache License 2.0
关键功能特性
- 完全无监督预训练，无需任何标注数据
- 生成的视觉特征具有强大的跨领域泛化能力
- 支持多种视觉任务：分类、深度估计、语义分割等
- 提供不同规模的模型：ViT-S/14、ViT-B/14、ViT-L/14、ViT-g/14
- 2023-10-26 新增：支持带寄存器的 DINOv2 骨干网络
二、预训练模型
预训练骨架网络
| 模型 | 参数量 | 带寄存器 | ImageNet k-NN | ImageNet linear | 下载 |
|---|---|---|---|---|---|
| ViT-S/14 distilled | 21 M | ❌ | 79.0% | 81.1% | backbone only |
| ViT-S/14 distilled | 21 M | ✅ | 79.1% | 80.9% | backbone only |
| ViT-B/14 distilled | 86 M | ❌ | 82.1% | 84.5% | backbone only |
| ViT-B/14 distilled | 86 M | ✅ | 82.0% | 84.6% | backbone only |
| ViT-L/14 distilled | 300 M | ❌ | 83.5% | 86.3% | backbone only |
| ViT-L/14 distilled | 300 M | ✅ | 83.8% | 86.7% | backbone only |
| ViT-g/14 | 1,100 M | ❌ | 83.5% | 86.5% | backbone only |
| ViT-g/14 | 1,100 M | ✅ | 83.7% | 87.1% | backbone only |
通过 PyTorch Hub 加载预训练模型
请先按照官方指南安装 PyTorch（加载模型所需的唯一依赖项），强烈建议安装支持 CUDA 的 PyTorch 版本。
import torch# DINOv2
dinov2_vits14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14')
dinov2_vitb14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14')
dinov2_vitl14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14')
dinov2_vitg14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14')# 带寄存器的 DINOv2
dinov2_vits14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_reg')
dinov2_vitb14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_reg')
dinov2_vitl14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg')
dinov2_vitg14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_reg')
预训练分类头 - ImageNet
| 骨干网络 | 带寄存器 | ImageNet 分类头下载 |
|---|---|---|
| ViT-S/14 distilled | ❌ | linear head (1层, 4层) |
| ViT-S/14 distilled | ✅ | linear head (1层, 4层) |
| ViT-B/14 distilled | ❌ | linear head (1层, 4层) |
| ViT-B/14 distilled | ✅ | linear head (1层, 4层) |
| ViT-L/14 distilled | ❌ | linear head (1层, 4层) |
| ViT-L/14 distilled | ✅ | linear head (1层, 4层) |
| ViT-g/14 | ❌ | linear head (1层, 4层) |
| ViT-g/14 | ✅ | linear head (1层, 4层) |
完整分类器模型可通过 PyTorch Hub 加载：
import torch# DINOv2
dinov2_vits14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_lc')
dinov2_vitb14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_lc')
dinov2_vitl14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_lc')
dinov2_vitg14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_lc')# 带寄存器的 DINOv2
dinov2_vits14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_reg_lc')
dinov2_vitb14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_reg_lc')
dinov2_vitl14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg_lc')
dinov2_vitg14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_reg_lc')
预训练头 - 深度估计
| 骨干网络 | NYUd 下载头 | KITTI 下载头 |
|---|---|---|
| ViT-S/14 distilled | linear (1层, 4层), DPT | linear (1层, 4层), DPT |
| ViT-B/14 distilled | linear (1层, 4层), DPT | linear (1层, 4层), DPT |
| ViT-L/14 distilled | linear (1层, 4层), DPT | linear (1层, 4层), DPT |
| ViT-g/14 | linear (1层, 4层), DPT | linear (1层, 4层), DPT |
预训练头 - 语义分割
| 骨干网络 | ADE20K 模型下载 | ADE20K 头下载 | VOC2012 头下载 |
|---|---|---|---|
| ViT-S/14 distilled | - | linear, multi-scale | linear, multi-scale |
| ViT-B/14 distilled | - | linear, multi-scale | linear, multi-scale |
| ViT-L/14 distilled | - | linear, multi-scale | linear, multi-scale |
| ViT-g/14 | Mask2Former | linear, multi-scale | linear, multi-scale |
三、安装
训练和评估代码需要 PyTorch 2.0 和 xFormers 0.0.18 以及其他多个第三方包。
请注意，代码仅经过指定版本的测试，且需要 Linux 环境。
请按以下说明设置所有训练和评估所需的依赖项：
1、推荐安装方式（conda）
克隆仓库后，使用提供的环境定义文件创建并激活 dinov2 conda 环境：
conda env create -f conda.yaml
conda activate dinov2
2、pip 安装方式
克隆仓库后，使用提供的 requirements.txt 安装依赖项：
pip install -r requirements.txt
3、密集任务额外依赖
对于深度估计和语义分割等密集任务，需要额外安装特定版本的 mmcv 和 mmsegmentation：
conda 方式（推荐）
conda env create -f conda-extras.yaml
conda activate dinov2-extras
pip 方式
pip install -r requirements.txt -r requirements-extras.txt
四、数据准备
1、ImageNet-1k 数据集
数据集根目录应包含以下内容：
<ROOT>/test/ILSVRC2012_test_00000001.JPEG<ROOT>/test/[..]<ROOT>/test/ILSVRC2012_test_00100000.JPEG<ROOT>/train/n01440764/n01440764_10026.JPEG<ROOT>/train/[...]<ROOT>/train/n15075141/n15075141_9993.JPEG<ROOT>/val/n01440764/ILSVRC2012_val_00000293.JPEG<ROOT>/val/[...]<ROOT>/val/n15075141/ILSVRC2012_val_00049174.JPEG<ROOT>/labels.txt
额外目录需要包含以下元数据文件：
<EXTRA>/class-ids-TRAIN.npy<EXTRA>/class-ids-VAL.npy<EXTRA>/class-names-TRAIN.npy<EXTRA>/class-names-VAL.npy<EXTRA>/entries-TEST.npy<EXTRA>/entries-TRAIN.npy<EXTRA>/entries-VAL.npy
可通过以下 Python 代码生成这些元数据文件：
from dinov2.data.datasets import ImageNetfor split in ImageNet.Split:dataset = ImageNet(split=split, root="<ROOT>", extra="<EXTRA>")dataset.dump_extra()
注：根目录和额外目录可以是同一个目录。
2、ImageNet-22k 数据集
请根据本地设置调整 dataset class。
警告：执行后续训练和评估命令时，需将 dinov2 包包含在 Python 模块搜索路径中，即在命令前添加 PYTHONPATH=.。
五、训练
1、快速设置：在 ImageNet-1k 上训练 DINOv2 ViT-L/16
在 SLURM 集群环境（4 个 A100-80GB 节点，32 个 GPU）上运行训练：
python dinov2/run/train/train.py \--nodes 4 \--config-file dinov2/configs/train/vitl16_short.yaml \--output-dir <PATH/TO/OUTPUT/DIR> \train.dataset_path=ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>
训练时间约 1 天，最终 checkpoint 在 k-NN 评估中应达到 81.6%，线性评估中达到 82.9%。
训练代码每 12500 次迭代会将教师权重保存在 eval 文件夹中供评估使用。
2、完整设置：在 ImageNet-22k 上训练 DINOv2 ViT-L/14
在 SLURM 集群环境（12 个 A100-80GB 节点，96 个 GPU）上运行训练：
python dinov2/run/train/train.py \--nodes 12 \--config-file dinov2/configs/train/vitl14.yaml \--output-dir <PATH/TO/OUTPUT/DIR> \train.dataset_path=ImageNet22k:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>
训练时间约 3.3 天，最终 checkpoint 在 k-NN 评估中应达到 82.0%，线性评估中达到 84.5%。
训练代码每 12500 次迭代会将教师权重保存在 eval 文件夹中供评估使用。
六、评估
训练代码会定期保存教师权重。要在单节点上评估模型，请运行以下命令：
1、ImageNet-1k 上的 k-NN 分类
python dinov2/run/eval/knn.py \--config-file <PATH/TO/OUTPUT/DIR>/config.yaml \--pretrained-weights <PATH/TO/OUTPUT/DIR>/eval/training_24999/teacher_checkpoint.pth \--output-dir <PATH/TO/OUTPUT/DIR>/eval/training_24999/knn \--train-dataset ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET> \--val-dataset ImageNet:split=VAL:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>
2、ImageNet-1k 上的逻辑回归分类
python dinov2/run/eval/log_regression.py \--config-file <PATH/TO/OUTPUT/DIR>/config.yaml \--pretrained-weights <PATH/TO/OUTPUT/DIR>/eval/training_24999/teacher_checkpoint.pth \--output-dir <PATH/TO/OUTPUT/DIR>/eval/training_24999/logreg \--train-dataset ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET> \--val-dataset ImageNet:split=VAL:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>
3、带数据增强的 ImageNet-1k 线性分类
python dinov2/run/eval/linear.py \--config-file <PATH/TO/OUTPUT/DIR>/config.yaml \--pretrained-weights <PATH/TO/OUTPUT/DIR>/eval/training_24999/teacher_checkpoint.pth \--output-dir <PATH/TO/OUTPUT/DIR>/eval/training_24999/linear \--train-dataset ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET> \--val-dataset ImageNet:split=VAL:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>
4、预训练模型评估
我们发布了不同模型的评估权重：
| model | with registers | ImageNet top-1 | linear evaluation |
|---|---|---|---|
| ViT-S/14 distilled | ❌ | 81.1% | linear head weights |
| ViT-S/14 distilled | ✅ | 80.8% | linear head weights |
| ViT-B/14 distilled | ❌ | 84.5% | linear head weights |
| ViT-B/14 distilled | ✅ | 84.4% | linear head weights |
| ViT-L/14 distilled | ❌ | 86.3% | linear head weights |
| ViT-L/14 distilled | ✅ | 86.5% | linear head weights |
| ViT-g/14 | ❌ | 86.5% | linear head weights |
| ViT-g/14 | ✅ | 87.0% | linear head weights |
使用以下命令评估预训练模型在 ImageNet-1k 上的性能：
python dinov2/run/eval/linear.py \--config-file dinov2/configs/eval/vitg14_pretrain.yaml \--pretrained-weights https://dl.fbaipublicfiles.com/dinov2/dinov2_vitg14/dinov2_vitg14_pretrain.pth \--train-dataset ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET> \--val-dataset ImageNet:split=VAL:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>
七、Notebooks
我们提供了一些 Notebook 帮助社区使用模型和代码：
- 深度估计 - 如何通过 mmcv 加载和使用与骨干网络匹配的深度头
- 语义分割 - 如何通过 mmcv 加载和使用与骨干网络匹配的分割头，以及如何加载和使用在 ADE20K 上训练的基于 Mask2Former 的分割模型
伊织 xAI 2025-04-25（五）
相关文章：
DINOv2 - 无监督学习鲁棒视觉特征
本文翻译整理自：https://github.com/facebookresearch/dinov2 文章目录 一、关于 DINOv2相关链接资源关键功能特性 二、预训练模型预训练骨架网络通过 PyTorch Hub 加载预训练模型预训练分类头 - ImageNet预训练头 - 深度估计预训练头 - 语义分割 三、安装1、推荐安…...
AI与无人零售：如何通过智能化技术提升消费者体验和运营效率？
引言：无人零售不只是无人值守 你走进一家无人便利店，没有迎宾、没有收银员，甚至没有一个人在场，但你刚拿起商品，货架旁的摄像头就悄悄“看懂”了你的动作，系统已经在后台为你记账。你以为只是没人管&#x…...
STM32F10X OLED屏幕点亮
本节实现点亮OLED屏 首先去原理图中查找对应引脚 配置上述的IO口 查看对应的原理图 OLED_CS 和 OLED_RES（PB6，PB7）就是配置为推挽输出OLED_SCLK 和 OLED_SDIN （PB13 PB15）OLED_D/C (PE12) 推挽输出就…...
Nginx核心功能02
目录 一：正向代理 1.编译安装nginx 2.配置正向代理 二：反向代理 1.配置nginx七层代理 2.配置nginx四层代理（传输层，TCP/UDP） 三：nginx缓存 1.缓存功能的核心原理和缓存类型 2.代理缓存功能设置 四…...
微格式：为Web内容赋予语义的力量
一、什么是微格式？ 微格式是一种建立在已有 Web 标准基础上的简单、开放的数据格式。它的核心思想是通过在 HTML 标签中添加特定的属性和类名，为网页内容添加语义注解，从而兼顾 HTML 文档的人机可读性。 简单来说，微格式就是一套约定俗成的 HTML 标记方式，让我们能够在不…...
Linux基础 -- Generic Netlink 框架详解与开发实践
Generic Netlink 框架详解与开发实践 本文旨在系统性介绍 Linux 内核中的 Generic Netlink 框架，包括其设计背景、结构设计、核心数据结构 genl_ops 的使用，以及完整的内核与用户态通信示例，适合用于驱动开发、用户空间控制接口构建及系统通信…...
CMake解析参数用法示例
cmake_parse_arguments 是 CMake 中用于解析函数或宏参数的工具，特别适合处理带有选项（OPTIONS）、单值参数（SINGLE_ARGS）和多值参数（MULTI_ARGS）的复杂参数列表。以下是用法说明和一个示例&…...
开源项目实战学习之YOLO11：ultralytics-cfg-models-fastsam（九）
👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路 文章大纲 1. __init__.py2. model.py3. predict.py4. utils.py5. val.py FastSAM 是一种目标检测和图像分割模型，Ultralytics 是一个在计算机视觉领域广泛使用的库&#x…...
使用frpc链接内网的mysql
以下是配置 frpc 连接内网 MySQL 服务的详细步骤： 1. 准备工作 frps 服务器：已部署在公网 IP 11.117.11.245，假设 frps 的默认端口为 7000。 内网 MySQL 服务：运行在内网机器的 3306 端口。 目标：通过公网 IP 11.117…...
分享:VTK版本的选择 - WPF空域问题
在早期版本中，ActiViz 对 Windows Presentation Foundation (WPF) 框架的支持是通过 WindowsFormHost 组件实现的，这种方式依赖于 WindowsForm 和 WPF 的互操作性。然而，这种方法存在一个众所周知的“空域问题”（airspace issue&a…...
MIPS架构详解：定义、应用与其他架构对比
一、MIPS架构的定义 MIPS（Microprocessor without Interlocked Pipeline Stages） 是一种经典的精简指令集（RISC）处理器架构，由斯坦福大学John Hennessy团队于1981年提出，强调高效流水线设计和硬件简化。 核…...
项目剖析:基于Agent的个人知识管理系统如何设计
为什么写这篇文章？最近在思考如果想要构建一个个人知识管理的Agent应该怎样设计才好，然后最近看到这样一个项目，就想剖析一下它的架构，看一下它的设计思想。然后一些剖析得过程就沉淀到本文当中。本文档主要从整体架构、dataflow的视角剖析khoj项目，分析应该一个知识管理A…...
Python魔法函数深度解析
一、魔法函数是什么？ 魔法函数（Magic Methods）是Python中以双下划线（__xx__）包裹的特殊方法，它们为类提供了一种与Python内置语法深度集成的能力。这些方法由解释器自动调用，无需显式调用&…...
PCB设计工艺规范（一）概述
PCB设计工艺规范（一） 1.概述2.关键词及引用标准3.PCB板材要求3.1 确定PCB使用板材以及TG值3.2 确定 PCB 的表面处理镀层 4.热设计要求5.器件库选项要求 资料来自网络，仅供学习使用。 1.概述 规范产品的 PCB 工艺设计，规定 PCB 工…...
Github开通第三方平台OAuth登录及Java对接步骤
调研起因： 准备搞AI Agent海外项目，有相当一部分用户群体是程序员，所以当然要接入Github这个全球最大的同性交友网站了，让用户使用Github账号一键完成注册或登录。 本教程基于Web H5界面进行对接，同时也提供了spring-…...
DeepSeek V1：初代模型的架构与性能
DeepSeek V1（又称DeepSeek-MoE）是DeepSeek系列的首代大规模语言模型，它采用Transformer结合稀疏混合专家（MoE）的创新架构，实现了在受控算力下的大容量模型。本文将深入解析DeepSeek V1的架构设计与技术细节，包括其关键机制、训练优化策略，以及在各类NLP任务上的表现。 …...
Java ResourceBundle 资源绑定详解
Java ResourceBundle 资源绑定详解 ResourceBundle 是 Java 提供的国际化（i18n）资源管理工具，位于 java.util 包。它专门用于加载本地化的 .properties 资源文件，支持多语言切换，是国际化和本地化开发的核心类。 1. 核心特性 （1）基本特点 基于 .properties 文件管理键…...
flutter 专题 六十一 支持上拉加载更多的自定义横向滑动表格
在股票软件中，经常会看到如下所示的效果（ps：由于公司数据敏感，所以使用另一个朋友的一个图）。 分析需要后，我先在网上找了下支持横向滑动的组件，最后找到了这个：flutter_horizontal…...
暗夜模式续
之前写过一篇笨拙的方式实现暗夜模式，但是当真正去适配的时候发现简直恶心至极；然后想通过一些方式可以把笨拙的方式变得优雅； 之前实现暗夜模式的快速通道，这篇文章在基于这个基础上优化而来 目录 背景 优化步骤 OK…...
[吾爱出品] 文件夹迁移工具（DirMapper）
文件夹迁移工具（DirMapper） 链接：https://pan.xunlei.com/s/VOP4Uf6vu3dalYLaZ1iZUhJ1A1?pwdfhzi# 文件夹迁移工具（DirMapper） 智能识别源文件夹分类 复制/移动两种迁移模式 冲突解决方案（覆盖/跳过/合…...
DeepSeek 4月30日发布新模型：DeepSeek-Prover-V2-671B 可进一步降低数学AI应用门槛，推动教育、科研领域的智能化升级
DeepSeek-Prover-V2-671B模型特点： 一、超大参数规模与数学推理能力 参数规模跃升 模型参数量高达6710亿，是前代数学推理模型Prover-V1.5（70亿参数）的近100倍，表明其具备更强的复杂问题处理能力。 前代Prover-V1.5在高…...
)
GitHub修炼法则：第一次提交代码教学(Liunx系统)
前言 github是广大程序员们必须要掌握的一个技能，万事开头难，如果成功提交了第一次代码，那么后来就会简单很多。网上的相关资料往往都不是从第一次开始，导致很多新手们会在过程中遇到很多权限认证相关的问题，进而被卡…...
百家号等新媒体私信入口是否可以聚合到企业微信的客服，如何实现
一、技术实现路径 1. 百家号 API 对接 接口权限申请： 登录百度开发者平台，创建应用并获取 API 密钥（app_id和app_token）。申请私信相关接口权限（如消息通知、粉丝查询），需满足百家号的审核要求…...
【来自AI】RS485，Rs232，Modbus的区别和联系是什么
RS485、RS232 和 Modbus 是常用于工业自动化和通信中的技术标准，它们有不同的特点和应用。下面是它们的区别和联系： RS232 (Recommended Standard 232) 定义：RS232 是一种串行通信标准，通常用于短距离（一般最多15米&…...
java实现序列化与反序列化
va 实现序列化与反序列化 序列化（Serialization） 是将 Java 对象转换为字节流（二进制数据），以便存储或网络传输。 反序列化（Deserialization） 则是将字节流恢复为 Java 对象。 Java 提供了 ja…...
harmonyOS 手机，双折叠，平板，PC端屏幕适配
由于HarmonyOS设备的屏幕尺寸和分辨率各不相同，开发者需要采取适当的措施来适配不同的屏幕。 1.EntryAbility.ets文件里：onWindowStageCreate方法里判断设备类型， 如果是pad，需全屏展示（按客户需求来，本次…...
Qt Creator环境编译的Release软件放在其他电脑上使用方法
本文解决的问题：将Qt Creator环境编译的exe可执行程序放到其他电脑上不可用情况 1、寻找windeployqt工具所在路径" D:\Qt5.12.10\5.12.10\msvc2015_64\bin" ，将此路径配置到环境变量； 2、用Qt Creator环境编译出Release版本可执行…...
electron+vite+vue3 快速入门教程
Electron、Vite 和 Vue 3 结合使用可以创建强大的跨平台桌面应用程序，下面是一个快速入门教程，帮助你搭建一个基于 Electron Vite Vue 3 的项目。 环境准备 Node.js: 首先确保你的机器上已经安装了 Node.js。你可以通过以下命令来检查是否已安装&…...
添加了addResourceHandlers 但没用
B站黑马的视频 public class WebMvcConfig extends WebMvcConfigurationSupport { /** * 设置静态资源映射 * param registry */ Override protected void addResourceHandlers(ResourceHandlerRegistry registry) { log.info("开始进…...
uniapp如何获取安卓原生的Intent对象
通过第三方app唤起，并且获取第三方app唤起时携带的参数 因为应用a唤起应用b时，应用b第一时间就要拿到参数token，所以需要将获取参数的方法写在APP.vue中的onLaunch钩子里,如果其他地方要用可以选择vuex或者采用本地缓存。 uniapp中plus.run…...
国标GB28181视频平台EasyGBS在物业视频安防管理服务中的应用方案
一、方案背景 在现代物业服务中，高效的安全管理与便捷的服务运营至关重要。随着科技的不断发展，物业行业对智能化、集成化管理系统的需求日益增长。EasyGBS作为一款基于国标GB28181协议的视频监控平台，具备强大的视频管理与集成能力&#…...
Linux容器大师：K8s集群部署入门指南
引言 在云原生时代，Kubernetes就像一位"集群调度大师"🎮，轻松管理成千上万的容器化应用！本文将带你从零开始搭建生产级K8s集群，从基础概念到实战部署，从核心组件到安全运维。无论你是要搭建开发…...
Vue 3 中纯 template 标签
发现 Vue 3 中纯 template 标签不会被渲染。 可以加 v-if"1" 即可 https://andi.cn/page/622155.html...
极光PDF编辑器：高效编辑，轻松管理PDF文档
在日常工作和学习中，PDF文件的使用越来越普遍。无论是学术论文、工作报告还是电子书籍，PDF格式因其稳定性和兼容性而被广泛采用。然而，编辑PDF文件往往比编辑Word文档更加复杂。今天，我们要介绍的 极光PDF编辑器，就是这…...
《可信数据空间 技术架构》技术文件正式发布
可信数据空间 技术架构发布了 国家数据基础设施技术文件发布有几个月了，成为数据要素圈内必读的白皮书，接着今日国家数据局正式发布了《可信数据空间 技术架构》，笔者有幸见证了该文件出炉的过程，在这两个文件重，对数…...
)
OpenCV 图形API（74）图像与通道拼接函数-----合并三个单通道图像（GMat）为一个多通道图像的函数merge3()
操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述 从3个单通道矩阵创建一个3通道矩阵。 此函数将多个矩阵合并以生成一个单一的多通道矩阵。即，输出矩阵的每个元素将是输入矩阵元素的…...
Redis应用场景实战：穿透/雪崩/击穿解决方案与分布式锁深度剖析
一、缓存异常场景全解与工业级解决方案 1.1 缓存穿透：穿透防御的三重门 典型场景 恶意爬虫持续扫描不存在的用户ID 参数注入攻击（如SQL注入式查询） 业务设计缺陷导致无效查询泛滥 解决方案进化论 第一层防护：布隆过滤器&am…...
负载均衡技术全景指南：架构、算法与发展趋势
负载均衡技术全景指南：架构、算法与发展趋势 一、负载均衡技术概述二、应用层负载均衡（一）HTTP 重定向（二）反向代理服务器 三、传输层负载均衡（一）DNS 域名解析负载均衡（二ÿ…...
DeepSeek-V3 解析第二篇：DeepSeekMoE
这篇文章是我们 DeepSeek-V3 系列的第二篇，聚焦于 DeepSeek 模型 [1, 2, 3] 的一个关键架构突破：DeepSeekMoE。 📚 本文也是我们【LLM 架构演化系列】的第二篇，聚焦 DeepSeek-V3 的 MoE 架构创新。如果你正研究大模型性能优化或架…...
【ArcGISPro学习笔记】布局输出时图例总是有省略号怎么办？
在用ArcGISPro制图时，发现布局输出时图例总是有省略号，例如下图： 调整半天都搞不定，必须把图例框拉很宽才没有省略号，非常影响布局体验 后来发现只需调整一个地方就把省略号弄没了，就是在图例排列这里&…...
驱散养生伪识阴霾，重铸科学养生晴空
在健康意识日益觉醒的当下，养生已然成为人们生活中备受瞩目的焦点。然而，各类养生伪知识如同阴霾，遮蔽了科学养生的光芒，误导着人们的养生实践。只有彻底驱散这些伪识阴霾，才能重铸科学养生的朗朗晴空，让健…...
 A. Boboniu Chats with Du)
【补题】Codeforces Round 664 (Div. 1) A. Boboniu Chats with Du
题意：给出n，d，m三个值，分别代表，有多少个值ai，使用超过m的ai，需要禁言d天，如果不足也能使用，m代表区分点，问能得到最大的值有多少。 思路： …...
大语言模型 06 - 从0开始训练GPT 0.25B参数量 - MiniMind 实机配置 GPT训练基本流程概念
写在前面 GPT（Generative Pre-trained Transformer）是目前最广泛应用的大语言模型架构之一，其强大的自然语言理解与生成能力背后，是一个庞大而精细的训练流程。本文将从宏观到微观，系统讲解GPT的训练过程，…...
Java进阶--设计模式
设计模式是一套被反复使用的、多数人知晓的、经过分类编目的、代码设计经验的总结。使用设计模式是为了重用代码、让代码更容易被他人理解、保证代码可靠性。设计模式使代码编制真正工程化，设计模式是软件工程的基石，如同大厦的一块块砖石一样࿰…...
同时启动俩个tomcat压缩版
下载解压tomcat压缩版 复制一份，换个名字 更改任意一个tomcat的配置文件用记事本打开 修改三个位置 1.<Server port"8005" shutdown"SHUTDOWN"> 2. <Connector port"8080" protocol"HTTP/1.1" …...
ZYNQ MPSOC之PL与PS数据交互DMA方式
ZYNQ MPSOC之PL与PS数据交互DMA方式 1 摘要 XILINX ZYNQ 以及 ZYNQ MPSOC主要优势在于异构 ARM+FPGA。其中非常关键的一点使用了 AXI 总线进行高速互联。而且这个 AXI 总线是开放给我们用户使用的。在前面的文章中我们详解了使用了AXI-HP方式PL到PS端进行数据交互。本文主要涉…...
Qwen3本地化部署，准备工作：SGLang
文章目录 SGLang安装deepseek运行Qwen3-30B-A3B官网：https://github.com/sgl-project/sglang SGLang SGLang 是一个面向大语言模型和视觉语言模型的高效服务框架。它通过协同设计后端运行时和前端编程语言，使模型交互更快速且具备更高可控性。核心特性包括： 1. 快速后端运…...
一种动态分配内存错误的解决办法
1、项目背景 一款2年前开发的无线网络通信软件在最近的使用过程中出现网络中传感器离线的问题，此软件之前已经使用的几年了，基本功能还算稳定。这次为什么出了问题。 先派工程师去现场调试一下，初步的结果是网络信号弱，并且有个别…...
golang接口和具体实现之间的类型转换
在 Go 语言中，如果你有一个接口类型的变量，并且你知道它的具体实现类型，你可以使用类型断言将其转换为具体类型。类型断言的语法是 value, ok : interfaceVar.(ConcreteType)，其中 interfaceVar 是接口变量，ConcreteTy…...
独立站SaaS平台源码搭建全流程指南：从零到部署
一、什么是独立站SaaS？ 独立站SaaS（Software as a Service）指通过自主搭建的云平台为用户提供软件服务，与第三方平台（如Shopify）相比，具有以下优势： 完全自主控制：可自…...