当前位置：首页 > news >正文

目标检测基础知识

news 来源：原创 2025/7/1 9:23:54

如今，使用最新的驾驶辅助技术（如车道检测、盲点、交通信号灯等）驾驶汽车已经很常见。

如果我们退后一步来了解幕后发生的事情，我们的数据科学家很快就会意识到系统不仅对对象进行分类，而且还在场景中（实时）定位它们。

这些功能是正在运行的物体检测系统的主要例子。驾驶辅助技术、工业机器人和安全系统都利用对象检测模型来检测感兴趣的对象。对象检测是一项先进的计算机视觉任务，涉及对象的定位和分类。

在本文中，我们将更深入地研究对象检测任务的细节。我们将了解与之相关的各种概念，以帮助我们理解新颖的架构（在后续文章中介绍）。

我们将涵盖从迁移学习的角度理解对象检测模型所需的关键方面和概念。

关键概念和构建模块

目标检测由两个主要子任务组成：定位和分类。识别对象的分类很容易理解。但是我们如何定义对象的本地化呢？让我们介绍一些关键概念：

Bounding Boxes 边界框

对于对象检测任务，我们使用矩形框来识别给定对象的位置。这个规则框被称为边界框，用于对象的定位。通常，输入图像的左上角被设置为原点或(0,0)。矩形边界框是借助左上角和右下角顶点的 x 和 y 坐标来定义的。让我们直观地理解这一点。

图 1(a) 描绘了一个示例图像，其原点设置在左上角。

图 1：(a) 包含不同对象的示例图像，(b) 每个对象的边界框，并注释了左上角和右下角顶点，(c.) 识别边界框的另一种方法是使用其顶部-左坐标以及宽度和高度参数。

图 1(b) 显示了每个已识别的对象及其相应的边界框。值得注意的是，边界框用相对于图像原点的左上角和右下角坐标进行注释。

通过 4 个值，我们可以唯一地标识一个边界框。识别边界框的另一种方法是使用左上角坐标及其宽度和高度值。图 1(c) 显示了这种识别边界框的替代方法。

不同的解决方案可能使用不同的方法，这主要取决于一种方法相对于另一种方法的偏好。

除了类标签之外，对象检测模型还需要每个训练样本的每个对象的边界框坐标。类似地，对象检测模型在推理阶段生成边界框坐标以及每个识别对象的类标签。

Anchor Boxes 锚盒

每个对象检测模型都会扫描大量可能的区域，以识别/定位任何给定图像的对象。

在训练过程中，模型学习确定哪些扫描区域是感兴趣的，并调整这些区域的坐标以匹配地面实况边界框。不同的模型可能会以不同的方式生成这些感兴趣区域。

然而，最流行和最广泛使用的方法是基于锚框的。对于给定图像中的每个像素，会生成多个不同大小和纵横比（宽度与高度的比率）的边界框。这些边界框称为锚框。图 2 说明了给定图像中特定像素的不同锚框。

图 2：给定图像的特定像素（以红色突出显示）的不同锚框

锚框尺寸由两个参数控制，比例表示为 s 𝜖 (0,1]，纵横比表示为 r >0。如图 2 所示，对于高度和宽度为 h ⨉ w 的图像以及 s 和的具体值r，可以生成多个anchor box，通常我们使用下面的公式来获取anchor box的尺寸：

其中wₐ和hₐ分别是锚框的宽度和高度。锚框的数量和尺寸要么是预先定义的，要么是在训练过程中由模型选取的。

为了正确看待事物，模型会为每个像素生成多个锚框，并随着训练的进行，学习将它们与地面真实边界框进行调整/匹配。

边界框和锚框是理解整个目标检测任务的关键概念。在我们详细了解此类架构如何工作之前，让我们首先了解评估此类模型性能的方式。

以下是使用的一些重要评估指标：

交集与并集 (IOU)

对象检测模型通常会生成许多锚框，然后调整这些锚框以匹配地面实况边界框。但我们如何知道比赛何时发生或比赛的效果如何？

杰卡德指数是用于确定两个集合之间相似性的度量。在物体检测中，Jaccard Index 也称为 Intersection Over Union 或 IOU。其给出如下：

其中 Bₜ 是真实边界框，Bₚ 是预测边界框。简单来说，它是 0 到 1 之间的分数，由预测边界框和真实边界框之间的重叠面积与联合面积之比确定。重叠度越高，得分就越高。

接近 1 的分数表示接近完美的匹配。图 3 显示了样本图像的预测边界框和真实边界框之间重叠的不同场景。

图 3：并交交集 (IOU) 是预测边界框与真实边界框之间的匹配程度的度量。重叠度越高，得分就越好。

根据问题陈述和数据集的复杂性，设置不同的 IOU 阈值来确定应考虑哪些预测边界框。例如，基于 MS-COCO 的对象检测挑战使用 0.5 的 IOU 阈值将预测的边界框视为真阳性。

平均精度 (MAP)

精度和召回率是用于了解机器学习环境中分类器性能的典型指标。以下公式定义了这些指标：

其中，TP、FP 和 FN 分别代表 True Positive、False Positive 和 False Negative 结果。精度和召回率通常一起使用来生成精度-召回率曲线，以获得可靠的性能量化。这是由于精确度和召回率的对立性质所必需的，即

随着模型的召回率增加，其精确度开始下降。PR 曲线用于计算 F1 分数、曲线下面积 (AUC) 或平均精度 (AP) 指标。平均精度计算为不同召回阈值下精度的平均值。图 4(a) 显示了典型的 PR 曲线，图 4(b) 描述了 AP 的计算方法。

图 4：a) 典型的 PR 曲线显示了模型在不同召回值下的精度。由于精确度和召回率指标的相反性质，这是一个向下倾斜的图表；

(b) PR-Curve用于计算聚合/组合分数，例如F1分数、曲线下面积(AUC)和平均精度(AP)；

每条彩色线根据每个类别的特定 IOU 阈值描绘了不同的 PR 曲线。

图 4(c) 描述了如何将平均精度度量扩展到对象检测任务。如图所示，我们计算不同 IOU 阈值下的 PR 曲线（这是针对每个类别进行的）。

然后，我们对所有平均精度值（每个类别）取平均值，以获得最终的 mAP 指标。这种综合指标是对给定模型性能的稳健量化。

通过将性能范围缩小到仅一个可量化的指标，可以轻松比较同一测试数据集上的不同模型。

用于对目标检测模型进行基准测试的另一个指标是每秒帧数 (FPS)。该指标表示模型每秒可以分析对象的输入图像或帧的数量。这是安全视频监控、人脸检测等实时用例的重要指标。

有了这些概念，我们现在就准备好了解接下来对象检测的一般框架了。

物体检测框架

物体检测是一个重要且活跃的研究领域。多年来，已经开发了许多不同但有效的架构并在现实环境中使用。对象检测任务需要所有此类架构来处理一系列子任务。

在详细了解特定模型如何处理对象检测之前，让我们先了解处理对象检测的总体框架。总体框架包括以下步骤：

Region Proposal Network 区域提案网络

Localization and Class Predictions 本地化和类别预测

Output Optimizations 输出优化

现在让我们详细介绍一下每个步骤。

Regional Proposal 区域提案

区域提议网络（Region Proposal Network, RPN）是一个用于目标检测的神经网络组件，其作用是在图像中找出可能包含目标的区域，即候选区域。RPN 通常与 Faster R-CNN 框架结合使用，在进行目标检测任务时，它首先会生成一系列的矩形区域提议，这些提议随后被用来定位图像中的目标。

RPN 通过滑动窗口的方式在特征图（feature map）上移动，每个位置上评估多个预定义大小和比例的锚点框（anchor boxes），然后对这些锚点框进行分类和回归，以判断它们是否包含目标以及框的位置需要如何调整以更好地匹配目标。

具体来说，RPN 会输出两个值：一个是每个锚点框是否包含目标的概率（前景与背景），另一个是框的位置调整量。这样，RPN 能够为后续的检测网络（如 Fast R-CNN）提供高质量的区域提议。

顾名思义，目标检测框架的第一步也是最重要的一步是提出感兴趣区域（ROI）。ROI 是输入图像中模型认为很可能存在对象的区域。对象存在或不存在的可能性是使用称为对象性分数的分数来定义的。

对象性得分大于特定阈值的区域将被传递到下一阶段，而其他区域将被拒绝。

例如，请查看图 5，了解模型提出的不同 ROI。值得注意的是，这一步会生成大量的 ROI。

基于客观性得分阈值，模型将 ROI 分类为前景或背景，并且仅通过前景区域进行进一步分析。

图 5：区域提案是对象检测框架的第一步。感兴趣的区域突出显示为红色矩形框。该模型将图像可能性高（高目标得分）的区域标记为前景区域，将其余区域标记为背景区域。

有多种不同的方式来生成感兴趣区域。早期的模型通常利用选择性搜索和相关算法来生成投资回报率，而更新、更复杂的模型则利用深度学习模型来生成投资回报率。

当我们在接下来的文章中讨论特定架构时，我们将介绍这些内容。

推荐资源：

《机器学习+深度学习》和人工智能60G入门学习zi料包

【1.超详细的人工智能学习大纲】：一个月精心整理，快速理清学习思路！

【2.基础知识】：Python基础+高数基础，打好基础！

【3.机器学习入门】：机器学习十大算法经典算法详解，并且整理好哪些要重点学，哪些可以放弃的知识点！

【4.深度学习入门】：神经网络基础（CNN+RNN+GAN）包括pytorch框架+Transformer详解！

【5.方向选择】：数据、CV、NLP、大模型等项目实战

Localization And Class Predictions 本地化和类别预测

对象检测模型与我们通常使用的分类模型不同。对象检测模型为上一步中的每个前景区域生成两个输出：

对象类：这是典型的分类目标，为每个建议的前景区域分配类标签。通常，预先训练的网络用于从建议区域中提取特征，然后使用这些特征来预测类别。

最先进的模型，例如在 ImageNet 或 MS-COCO 上训练的具有大量类别的模型，得到了广泛的适应/迁移学习。

值得注意的是，我们为每个建议区域生成一个类标签，而不仅仅是整个图像的单个标签（与典型的分类任务相比）

边界框坐标：边界框定义为具有 4 个 x、y、宽度和高度值的元组。在此阶段，模型还会为每个建议的前景区域（以及对象类）生成一个元组。

Output Optimization 输出优化

如前所述，对象检测模型在第一步中提出大量 ROI，然后在第二步中提出边界框和类别预测。

虽然在第一步中对 ROI 进行了一定程度的过滤（基于客观性分数的前景与背景区域），但在第二步中仍然有大量区域用于预测。

为如此大量的建议区域生成预测可确保图像中各种对象的良好覆盖。然而，有许多区域的同一区域有大量重叠。

例如，查看图 6(a) 中为同一对象预测的 6 个边界框。这可能会导致难以准确计算输入图像中不同对象的数量。

图 6 (a) 对象检测模型为同一对象生成 6 个具有良好重叠的边界框。

(b) 使用 NMS 优化输出。

因此，该框架的第三步涉及输出的优化。这一优化步骤确保输入图像中的每个对象只有一个边界框和类别预测。有多种不同的方法可以执行此优化。

到目前为止，最流行的方法称为非极大值抑制（NMS）。顾名思义，NMS 会分析每个对象的所有边界框，以找到概率最大的一个并抑制其余的边界框（参见图 6(b)，了解应用 NMS 后的优化输出）。

这总结了对通用对象检测框架的高级理解。我们讨论了给定图像中对象的定位和分类所涉及的三个主要步骤。

目标检测基础知识

如今，使用最新的驾驶辅助技术（如车道检测、盲点、交通信号灯等）驾驶汽车已经很常见。如果我们退后一步来了解幕后发生的事情，我们的数据科学家很快就会意识到系统不仅对对象进行分类，而且还在场景中（实时…...

编程日记 2025/7/1 9:23:54

实时监控服务器CPU、内存和磁盘使用率

实时监控服务器CPU、内存和磁盘使用率监控内存使用率： free -g | awk NR2{printf "%.2f%%\t\t", $3*100/$2 }awk NR2{...} 取第二行（Mem 行）。 $3 为已用内存，$2 为总内存，$3*100/$2 即计算使用率。监控磁…...

编程日记 2025/7/1 8:06:58

前端JavaScript-嵌套事件

点击如果在多层嵌套中，对每层都设置事件监视器，试试看 <!DOCTYPE html> <html lang"cn"> <body><div id"container"><button>点我！</button></div><pre id"output…...

编程日记 2025/6/27 22:59:31

【ULR #1】打击复读（SAM， DAG链剖分）

好牛的题。 DAG链剖分好牛的 trick。题意给定一个字符集大小为 4 4 4，长度为 n n n 的字符串 S S S，同时给定两个长度为 n n n 的数组 { w l i } , { w r i } \{wl_i\}, \{wr_i\} {wli},{wri}。定义一个字符串 T T T 的左权值为 v l ( T…...

编程日记 2025/7/1 9:16:42

Web3 领域中的一些专业术语

1. Uniswap 是什么： Uniswap 是一个去中心化的交易所，运行在以太坊区块链上，相当于一个“无人管理的货币兑换市场”。它允许用户直接用加密钱包（如 MetaMask）交换不同类型的数字货币（称为代币）…...

编程日记 2025/7/1 1:25:35

Vue组件通信方式及最佳实践

1. Props / 自定义事件 (父子通信) 使用场景父子组件直接数据传递代码实现  <template><Child :message"parentMsg" update"handleUpdate" /> </template><script setup> import { ref } from vue…...

编程日记 2025/7/1 8:56:04

JUC并发编程（下）

五、共享模型之内存 JMM（java内存模型） 主存：所有线程共享的数据（静态成员变量、成员变量） 工作内存：每个线程私有的数据（局部变量） 简化对底层的控制可见性问题线程t通过r…...

编程日记 2025/7/1 8:20:35

Go语言中new与make的深度解析

在 Go 语言中，new 和 make 是两个用于内存分配的内置函数，但它们的作用和使用场景有显著区别。理解它们的核心在于： new(T): 为类型 T 分配内存，并将其初始化为零值，然后返回一个指向该内存的指针 (*T)。make(T, ar…...

编程日记 2025/7/1 9:13:22

Xilinx 7Series\UltraScale 在线升级FLASH STARTUPE2和STARTUPE3使用

一、FPGA 在线升级 FPGA 在线升级FLASH时，一般是通过逻辑生成SPI接口操作FLASH，当然也可以通过其他SOC经FPGA操作FLASH，那么FPGA就要实现在启动后对FLASH的控制。对于7Series FPGA，只有CCLK是专用引脚，SPI接口均为普…...

编程日记 2025/7/1 8:37:08

redisson-spring-boot-starter 版本选择

以下是更详细的 Spring Boot 与 redisson-spring-boot-starter 版本对应关系，按照 Spring Boot 主版本和子版本细分： 1. Spring Boot 3.x 系列 3.2.x 推荐 Redisson 版本：3.23.1（最新稳定版，兼容 Redis 7.x&#xf…...

编程日记 2025/6/27 21:14:10

QML定时器Timer和线程任务WorkerScript

定时器 Timer 属性 interval: 事件间隔毫秒repeat: 多次执行，默认只执行一次running: 定时器启动triggeredOnStart: 定时器启动时立刻触发一次事件信号 triggered(): 定时时间到，触发此信号方法 restart(): 重启定时器start(): 启动定时器stop(): 停止…...

编程日记 2025/7/1 8:10:33

Jsoup解析商品信息具体怎么写？

使用 Jsoup 解析商品信息是一个常见的任务，尤其是在爬取电商网站的商品详情时。以下是一个详细的步骤和代码示例，展示如何使用 Jsoup 解析商品信息。一、准备工作确保你的项目中已经添加了 Jsoup 依赖。如果你使用的是 Maven，可以在 pom.…...

编程日记 2025/7/1 9:17:32

jenkins数据备份

jenkins数据备份一般情况下分为两种, 1.使用crontab进行备份.这种备份方式是技术人员手动填写的备份的时候将workspace目录排除. 2.使用jenkins插件备份. 下载备份插件 ThinBackup,这里已经下载完成,如果没下载的情况下点击安装好之后重启jenkins(直接点击插件安装位置的闲…...

编程日记 2025/6/30 10:54:39

IP核警告，Bus Interface ‘AD_clk‘: ASSOCIATED_BUSIF bus parameter is missing.

创建IP核生成输出的clk信号无法在GUI（customization GUI）显示clk信号，并且出现如下2个warning： [IP_Flow 19-3153] Bus Interface AD_clk: ASSOCIATED_BUSIF bus parameter is missing. [IP_Flow 19-4751] Bus Interface AD_clk:…...

编程日记 2025/7/1 8:09:43

Nginx配置同一端口不同域名或同一IP不同端口

以下是如何在Nginx中配置同一端口不同域名，以及同一IP不同端口的详细说明： 一、同一端口不同域名（基于名称的虚拟主机） 场景： 通过80端口，让 example.com 和 test.com 指向不同的网站目录（如 /…...

编程日记 2025/7/1 8:30:10

一键启动多个 Chrome 实例并自动清理的 Bash 脚本分享！

目录一、📦 脚本功能概览二、📜 脚本代码一览三、🔍 脚本功能说明 （一）✅ 支持批量启动多个 Chrome 实例 （二）✅ 每个实例使用独立用户数据目录 （三）✅ 启动后自…...

编程日记 2025/7/1 9:22:12

LLaMA-Adapter

一、技术背景与问题 1.1 传统方法的数学局限二、LLaMA-Adapter 核心技术细节 2.1 Learnable Adaption Prompts 的设计哲学这种零初始化注意力机制的目的是在训练初期稳定梯度，避免由于随机初始化的适配提示带来的不稳定因素。通过门控因子gl的自适应调整，在训…...

编程日记 2025/6/27 22:53:23

鸿蒙电脑系统和统信UOS都是自主可控的系统吗

鸿蒙电脑系统（HarmonyOS）和统信UOS（Unity Operating System）均被定位为自主可控的操作系统，但两者的技术背景、研发路径和生态成熟度存在差异，需结合具体定义和实际情况分析： 1. 鸿蒙系统&#…...

编程日记 2025/6/29 22:05:56

【Unity 如何使用 Mixamo下载免费模型/动画资源】Mixamo 结合在 Unity 中的实现（Animtor动画系统，完整配置以及效果展示）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、Mixamo介绍1、网址2、Mixamo功能介绍Mixamo 的核心功能Mixamo 适用场景二、Mixamo下载免费模型三、Mixamo下载免费动画四、导入Unity1.人物模型配置2.动画配置五、场景配置和效果测试1.人物…...

编程日记 2025/6/27 22:53:37

linux文件重命名命令

Linux文件重命名指南方法一：mv命令（单文件操作） mv 原文件名新文件名基础用法示例： mv old_file.txt new_name.txt保留扩展名技巧： mv document-v1.doc document-v2.doc方法二：rename命令&#xff08…...

编程日记 2025/7/1 8:59:14

JavaScript-DOM-02

自定义属性： <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>Document</title>…...

编程日记 2025/6/27 23:30:54

跨部门项目管理优化：告别邮件依赖

1. 工具整合 1.1 协作平台集中化 1.1.1 一体化协作工具优势使用Microsoft Teams、Slack等一体化协作工具替代邮件，集成即时消息、文件共享、任务分配和视频会议功能，减少工具切换成本，提高沟通效率。 1.1.2 具体应用案例在Teams中创建项目频道，关联任务看板（Planner）…...

编程日记 2025/7/1 9:14:21

ADB常用语句

目录基本语句 pm 包管理操作查看文件夹内容查看文件内容删除文件 dumpsys查看系统服务状态 logcat保存日志日志级别基本语句查看是否安装成功 adb version查看是否连接成功 adb devices断开连接 adb disconnect进入安卓系统 adb shell 退出安卓系统 exit…...

编程日记 2025/7/1 8:39:00

阿里发布扩散模型Wan VACE，全面支持生图、生视频、图像编辑，适配低显存～

项目背景详述推出与目的 Wan2.1-VACE 于 2025 年 5 月 14 日发布，作为一个综合模型，旨在统一视频生成和编辑任务。其目标是解决视频处理中的关键挑战，即在时间和空间维度上保持一致性。该模型支持多种任务，包括参考到视频生成&a…...

编程日记 2025/7/1 9:00:01

谷歌开源轻量级多模态文本生成模型：gemma-3n-E4B-it-litert-preview

一、Gemma 3n模型概述 1.1 模型简介 Gemma 3n是Google DeepMind开发的一系列轻量级、最先进的开源模型。这些模型基于与Gemini模型相同的研究和技术构建，适合多种内容理解任务，如问答、摘要和推理等。 1.2 模型特点 Gemma 3n模型专为在资源受限设备上…...

编程日记 2025/7/1 1:24:01

【Linux】了解消息队列 system V信号量 IPC原理

🌻个人主页：路飞雪吖~ 🌠专栏：Linux 目录一、了解消息队列 ✨消息队列函数 🍔ftok() --- 系统调用设置key 🍔 msgget() 🍔msgctl() 🍔msgsnd() ✨消息队列的管理指令二、了…...

编程日记 2025/7/1 8:48:31

Git Clone 原理详解：为什么它比本地文件复制更快？ -优雅草卓伊凡

Git Clone 原理详解：为什么它比本地文件复制更快？ -优雅草卓伊凡今天有朋友问我：“为什么 git clone 下载文件这么快？而我在本地复制粘贴文件时，速度却慢得多？” 这个问题很有意思，因为它涉及…...

编程日记 2025/6/27 2:17:12

高级认知型Agent

目标：构建一个具备自主规划、多步推理、工具使用、自我反思和环境交互能力的智能代理，使其能够高效、可靠地完成复杂任务。核心理念： Agent的智能涌现于一个精密的认知循环：感知 (Perceive) -> 理解与规划 (Think/Plan - 想) -> 信息获取 (Search/Act - 查) -&g…...

编程日记 2025/7/1 4:20:20

网络爬虫（Web Crawler）详解

网络爬虫（Web Crawler）详解 1. 基本概念与核心目标定义：网络爬虫是一种自动化的程序，通过HTTP协议访问网页，提取并存储数据（如文本、链接、图片），并根据策略递归访问新链接。核心目标：数据采集：抓取特定网站或全网公开数据。索引构建：为搜索引擎提供页面内容（如…...

编程日记 2025/6/27 23:31:18

SQL 数值计算全解析：ABS、CEIL、FLOOR与ROUND函数深度精讲

一、问题拆解：数值计算需求分析 1.1 业务需求转换题目：在numbers表中计算每个数值的绝对值、向上取整、向下取整和四舍五入值。关键分析点： 需要对同一字段进行四种不同的数学运算每种运算对应一个特定的SQL数学函数需保持原始数据完整…...

编程日记 2025/6/27 23:00:52

智能导览系统多语言解说与AI问答功能：从deepseek到景区知识图谱的构建

本文面向文旅行业技术决策者、GIS 开发者、AI 算法工程师，旨在解决不够智能化导致游客体验不足的核心痛点，提供从技术选型到落地部署的全链路解决方案。如需获取智慧景区导览系统解决方案请前往文章最下方获取，如有项目合作及技术交流欢迎私…...

编程日记 2025/7/1 8:07:37

10.18 LangChain ToolMessage实战：多轮交互与状态管理全解析

使用 ToolMessage 管理工具调用输出关键词：LangChain ToolMessage, 工具调用管理, 多轮交互控制, 状态持久化, 输出解析 1. ToolMessage 的定位与价值在 LangChain v0.3 的 Agent 工作流中，ToolMessage 是专门用于管理工具调用输出的消息类型，主要解决以下核心问题： #m…...

编程日记 2025/7/1 9:14:18

linux基础操作11------（运行级别）

一.前言这个是linux最后一章节内容，主要还是介绍一下，这个就和安全有关系了，内容还是很多的，但是呢，大家还是做个了解就好了。二.权限掩码运行级别 0 关机运行级别 1 单用户 ，这个类似于windows安全…...

编程日记 2025/7/1 8:16:27

Python Ray 扩展指南

Python Ray 扩展指南 Ray 是一个开源的分布式计算框架，专为扩展 Python 应用程序而设计，尤其在人工智能和机器学习领域表现出色。它提供了简单的 API，使开发者能够轻松编写并行和分布式代码，而无需关注底层复杂性。以下是关于 Py…...

编程日记 2025/7/1 7:48:25

笑林广记读书笔记三

《锯箭杆》一人往观武场，飞箭误中其臂。请外科医治疗，医遂用小锯截其外露箭杆，即索谢礼。问：“内截箭头如何？” 医曰：“此是内科的事，你去找他们。” 白话翻译： 有…...

编程日记 2025/6/27 22:51:37

npm、pnpm、yarn 各自优劣深度剖析

在前端开发领域，包管理工具是开发者的得力助手，它们负责处理项目中的依赖安装、更新与管理。npm、pnpm、yarn 是目前最主流的三款包管理工具，它们在功能上有诸多相似之处，但在实际使用中又各有优劣。本文将结合包管理工具常见问题…...

编程日记 2025/7/1 9:17:31

Ulisses Braga-Neto《模式识别和机器学习基础》

模式识别和机器学习基础 [专著] Fundamentals of pattern recognition and machine learning / (美)乌利塞斯布拉加－内托(Ulisses Braga-Neto)著 ; 潘巍[等]译推荐这本书，作者有自己的见解，而且提供代码。问题是难度高，对于初学…...

编程日记 2025/6/27 22:51:31

python查询elasticsearch 获取指定字段的值的list

from elasticsearch import Elasticsearch from datetime import datetime, timedelta# 1.connect to Elasticsearch------------------------------------------------------------------------------------------------------ # prod连接到 Elasticsearch es_of_prod Elasti…...

编程日记 2025/6/27 23:35:32

相关文章：