当前位置：首页 > news >正文

关于目标检测YOLO 各版本区别v1-v11/vX/vR

news 来源：原创 2025/6/21 13:18:51

概述

YOLO（You Only Look Once，你只看一次）是一系列开创性的实时目标检测模型，它们彻底改变了计算机视觉领域。由Joseph Redmon开发，后续版本由不同研究人员迭代，YOLO模型以其在图像中检测对象的高速度和准确性而闻名。以下是对每个YOLO版本的详细查看：

1. YOLOv1

发布时间：2016年

主要贡献：

1. 统一检测：YOLOv1引入了一种新方法，将目标检测框架作为一个单一的回归问题，直接从图像像素到边界框坐标和类别概率。

2. 网格系统：图像被划分为S x S的网格，每个网格单元预测B个边界框及其置信度分数。

3. 速度：YOLOv1比之前的检测系统（如R-CNN和Faster R-CNN）快得多，实现了每秒45帧（fps）的实时性能，快速版本达到155 fps。

限制：

1. 定位误差：YOLOv1在精确定位较小对象时存在困难。

2. 泛化：它倾向于对新出现或频率较低的对象泛化能力较差。

2. YOLOv2（YOLO9000）

发布时间：2017年

主要贡献：1. 批量归一化：实施批量归一化以归一化每层的输入，改善了收敛性和正则化。

2. 高分辨率分类器：在高分辨率图像上训练模型，从而提高了性能。

3. 锚框：采用锚框（Faster R-CNN引入的一种技术）来预测边界框，提高了定位精度。

4. YOLO9000：模型在COCO数据集和超过9000个类别的自定义数据集上进行训练，因此得名YOLO9000，允许检测广泛范围的对象类别。

改进：

1. 与YOLOv1相比，平均精度均值（mAP）更好。

2. 提高了速度和准确性的平衡。

3. YOLOv3

发布时间：2018年

主要贡献：

1. 特征金字塔网络（FPN）：YOLOv3使用FPN在三个不同的尺度上检测对象，提高了对小对象的检测。

2. Darknet-53主干网络：引入了新的主干网络Darknet-53，它更深、更高效，结合了残差连接。

3. 多标签分类：每个边界框可以预测多个类别标签，这有助于处理对象可能属于多个类别的情况。

改进：

1. YOLOv3在保持实时速度的同时显著提高了准确性。

2. 在检测小对象和处理复杂图像方面取得了显著改进。

4. YOLOv4

发布时间：2020年

主要贡献：

1. 免费工具包（BoF）和特殊工具包（BoS）：引入了一系列增强功能，分为BoF（在不增加推理时间的情况下提高准确性的技术）和BoS（略微增加推理时间但显著提高准确性的技术）。

2. CSPDarknet53主干网络：使用了CSPDarknet53，它结合了跨阶段部分连接，提高了学习效率并减少了计算负载。

3. 数据增强技术：采用了如Mosaic和Self-Adversarial Training等技术来增强模型的鲁棒性和泛化能力。

改进：

1. mAP和FPS显著增加，使其成为发布时最快、最准确的模型之一。

2. 提高了检测小对象和大对象的能力。

5. YOLOv5

发布时间：2020年（由Ultralytics发布，不是Joseph Redmon的官方续作）

主要贡献：1. PyTorch实现：YOLOv5使用PyTorch开发，使其更易于访问和修改。

2. 预训练模型：为不同用例提供了各种预训练模型（小到大），促进了迁移学习。

3. 自学习边界框锚：通过在训练期间自动调整锚框来增强学习过程。

改进：

1. 保持实时检测能力，提高了准确性。

2. 简化了部署和集成到各种应用程序中。

6. YOLOv6

发布时间：2022年

YOLOv6在前身YOLOv5的基础上引入了几项创新和改进，专注于提高性能、效率和适用性，以适应各种现实世界场景。

以下是关键的新功能和改进：

主要贡献：

1. 工业适用性：YOLOv6专门针对工业应用设计，优化了边缘设备上的实时性能，这些设备的计算资源可能有限。

2. 增强架构：YOLOv6包括改进的主干和颈部设计，提高了特征提取和表示能力。这导致更好的检测精度和性能。

3. 无锚检测：YOLOv6的一个重要创新是探索无锚检测方法。这通过去除锚生成和匹配的需求来简化训练过程，可能导致更快的训练时间和某些数据集上的性能改进。

4. 高级训练技术：YOLOv6采用了高级训练技术，如复杂的数据增强策略和优化的训练时间表。这些技术提高了模型在不同条件和数据集下的鲁棒性和泛化能力。

5. 改进的损失函数：模型使用经过改进的损失函数，在训练期间提供更准确的梯度，帮助模型更好地学习对象及其位置的表示。这些损失函数旨在更有效地处理目标检测任务的复杂性。

改进：

1. 性能提升：与YOLOv5相比，YOLOv6在平均精度均值（mAP）方面显示出显著改进。这是通过架构优化和增强的训练方法实现的，使YOLOv6能够更准确地检测对象。

2. 效率和速度：YOLOv6旨在比YOLOv5更具计算效率。它在保持或提高准确性的同时实现了更高的检测速度，使其更适合实时应用，特别是在边缘设备上。

3. 减少模型大小和计算成本：与YOLOv5相比，YOLOv6以更少的参数和更低的计算要求实现了更好的性能。这种模型大小和计算成本的减少使YOLOv6在资源受限的环境中部署更有效。

4. 多功能性和适应性：与YOLOv5相比，YOLOv6具有更广泛的多功能性和适应性，能够处理各种大小和复杂性的对象，这得益于其改进的特征提取机制和无锚检测方法。

5. 针对边缘设备的优化：对YOLOv6的特别关注包括模型量化和剪枝等技术。这些优化使YOLOv6更适合在计算能力有限的设备上部署，提高了其在工业应用中的实用性。

6. 延迟减少：通过一致的双重分配消除了对非最大抑制（NMS）的需求，与YOLOv5相比，YOLOv6显著减少了端到端延迟，提高了实时性能。

7. YOLOv7

发布年份：2022年YOLOv7是YOLO（你只看一次）系列目标检测模型的延续，以其实时性能和准确性而闻名。这一迭代带来了几个值得注意的进步，增强了架构设计和性能效率。

主要贡献：1. 高效层聚合网络（ELAN）：

YOLOv7引入了一种名为高效层聚合网络（ELAN）的新架构设计，显著提高了网络学习和有效表示特征的能力。
ELAN结构增强了梯度流，并加强了在不同层捕获不同特征的能力。

2. 扩展高效层聚合网络（E-ELAN）：在ELAN的基础上，扩展版本E-ELAN通过提高参数利用率和计算效率进一步优化了网络。这允许更深的网络具有更好的性能指标。

3. 动态头部：YOLOv7以动态头部模块为特色，该模块在训练期间自适应地调整网络的重点。这种机制有助于更好地处理各种大小的对象，并提高了检测精度，特别是对于较小的对象。

4. 辅助和引导损失：模型采用了辅助和引导损失的组合来促进更好的学习。辅助损失在训练的早期阶段引导网络，而引导损失确保了准确的最终预测。

5. 标签分配策略：YOLOv7引入了一种新的标签分配策略来优化训练过程。这种策略确保使用了最相关和最有信息量的标签，从而提高了准确性和鲁棒性。

改进：

1. 性能提升：与YOLOv6相比，YOLOv7实现了更高的平均精度均值（mAP）。性能提升归因于YOLOv7中实施的架构改进和新颖的训练策略。

2. 计算效率：尽管网络的复杂性和深度增加，YOLOv7旨在更具计算效率。它以更少的计算资源实现了更好的性能，使其适合在资源受限的环境中部署。

3. 改进的训练技术：YOLOv7利用高级训练技术，如动态头部模块和高效层聚合，来增强学习过程。这些技术导致更快的收敛和在不同数据集上更好的泛化。

4. 更好地处理对象尺度变化：动态头部和改进的标签分配策略使YOLOv7能够更好地检测不同尺度的对象，特别是以前版本难以检测的小型对象。

5. 增强的主干和颈部设计：— YOLOv7的主干和颈部组件经过改进，以提高特征提取和表示。这导致在广泛的情境中更准确、更强大的目标检测。

8. YOLOv8

发布年份：2023年，由Ultralytics发布。主要贡献和改进：

C2f构建块：YOLOv8引入了C2f（连接到融合）构建块，改进了
特征提取和融合，增强了模型处理复杂目标检测任务的能力。
增强的网络架构：网络架构经过改进，以实现更好的性能和效率，专注于以更低的计算成本实现更高的准确性。
改进的训练策略：结合了先进的训练策略，包括更好的增强技术和优化算法，有助于提高模型的鲁棒性和准确性。
与Ultralytics Hub集成：YOLOv8与Ultralytics Hub集成，这是一个管理和部署模型的平台，简化了用户的工作流程，并促进了更容易的模型管理。

YOLOv8.1发布年份：2024年1月，由Ultralytics发布。

YOLOv8 OBB模型：引入了定向边界框模型，提高了检测角度对象的准确性。
分割增强：高级分割功能，用于更精确的图像分析。
性能优化：专注于YOLOv8框架的速度和效率的改进。

9. YOLOv9

发布年份：2024年2月

关键特性：

1. 可编程梯度信息（PGI）：— YOLOv9引入了PGI，这是一个旨在通过辅助可逆分支生成可靠梯度的概念。这有助于保持执行目标任务所需的深度特征的关键特征。— PGI允许灵活选择适合特定任务的损失函数，克服了与传统深度监督过程相关的限制。

2. 通用ELAN（GELAN）：YOLOv9中的GELAN架构平衡了参数数量、计算复杂性、准确性和推理速度。它允许用户为不同的推理设备选择合适的计算块，提高了多功能性和性能。

3. 性能提升：— 与以前的模型相比，YOLOv9在各种指标上实现了卓越的性能。在准确性、参数效率和计算要求方面，它优于YOLOv8和其他最先进的模型。— 例如，与YOLOv8-X相比，YOLOv9-E实现了1.7%更高的平均精度（AP），参数减少了16%，计算成本降低了27%。

4. 多功能性和应用：— PGI和GELAN的集成允许YOLOv9有效地应用于轻量级和深度神经网络架构，使其适合广泛的现实世界应用。— YOLOv9的设计支持传统和深度卷积，为模型部署和优化提供了灵活性。

5. 实验验证：在MS COCO数据集上进行的广泛实验验证了YOLOv9的顶级性能。它显著超过了现有的实时目标检测器，展示了在速度、准确性和资源效率方面的改进。

贡献：

理论见解：YOLOv9的开发包括对深度神经网络架构的理论分析，特别关注可逆函数。这一分析有助于解决以前无法解释的现象，并指导了PGI和辅助可逆分支的设计。
增强的轻量级模型：PGI有效地解决了深度监督的限制，使轻量级模型实现了高准确性，使其适合日常使用。
效率和速度：使用传统卷积的GELAN设计，确保了与基于深度卷积的设计相比，参数使用效率和计算速度更高。

总之，YOLOv9代表了YOLO系列的重大进步，结合了PGI和GELAN等创新概念，提供了一个强大、多功能且高效的目标检测模型，适用于广泛的应用。

10. YOLOv10

发布年份：2024年5月YOLOv10代表了实时目标检测领域的重大进步，建立在其在YOLO（你只看一次）系列中的前辈奠定的坚实基础上。这一迭代引入了几个关键创新和改进，旨在提高性能和效率。以下是YOLOv10的主要亮点：

关键特性：

1. 无NMS训练：— YOLOv10通过使用一致的双重分配消除了其后处理阶段对非最大抑制（NMS）的需求。这种方法不仅显著减少了端到端延迟，还保持了竞争性能水平。

2. 整体模型设计：— YOLOv10的设计策略专注于效率和准确性之间的平衡。模型的各个组成部分都经过优化，以减少计算开销，同时提高能力。这包括全面的架构调整，导致更少的参数和更低的延迟。

3. 性能提升：— 在各种模型规模（N、S、M、L、X）中，YOLOv10在平均精度（AP）方面取得了改进，同时显著减少了参数和计算要求。例如，与前身YOLOv8-N相比，YOLOv10-N实现了1.2%的AP改进，参数减少了28%，计算成本降低了23%。

4. 效率增益：— YOLOv10在准确性和计算成本之间展现了优越的权衡。例如，与YOLOv6–3.0-S相比，YOLOv10-S实现了1.5 AP改进，并大幅减少了参数和FLOPs（每秒浮点运算次数）。

5. 延迟减少：— 通过消除NMS和优化模型架构，YOLOv10实现了显著的延迟减少。例如，与YOLOv9-C相比，YOLOv10-S的延迟降低了46%，展示了模型在实时应用中的效率。

6. 比较性能：— YOLOv10在速度和准确性方面一致优于其他最先进的模型，如RT-DETR和以前的YOLO版本。它比RT-DETR-R18快1.8倍，同时保持类似的AP性能，并且在参数和FLOPs方面也大幅减少。

11.YOLOV11

发布年份：2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11
关键特性：

增强的特征提取：YOLO11采用改进的主干和颈部架构，增强了特征提取能力，以实现更精确的目标检测和复杂任务性能。
针对效率和速度进行优化：YOLO11 引入了精致的架构设计和优化的训练管道，提供更快的处理速度并保持准确性和性能之间的最佳平衡。
使用更少的参数获得更高的精度：随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度(mAP)，同时使用的参数比 YOLOv8m 少 22%，从而在不影响精度的情况下提高计算效率。
跨环境适应性：YOLO11可以无缝部署在各种环境中，包括边缘设备、云平台以及支持NVIDIA GPU的系统，确保最大的灵活性。
支持的任务范围广泛：无论是对象检测、实例分割、图像分类、姿态估计还是定向对象检测 (OBB)，YOLO11 旨在应对各种计算机视觉挑战。
与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？

Ultralytics YOLO11 与其前身相比引入了多项重大进步。主要改进包括：
增强的特征提取：YOLO11采用改进的主干和颈部架构，增强了特征提取能力，以实现更精确的目标检测。
优化的效率和速度：精细的架构设计和优化的训练管道可提供更快的处理速度，同时保持准确性和性能之间的平衡。
使用更少的参数获得更高的精度：YOLO11m 在 COCO 数据集上实现了更高的平均精度(mAP)，参数比 YOLOv8m 少 22%，从而在不影响精度的情况下提高计算效率。
跨环境适应性：YOLO11可以跨各种环境部署，包括边缘设备、云平台和支持NVIDIA GPU的系统。
支持的任务范围广泛：YOLO11 支持多种计算机视觉任务，例如对象检测、实例分割、图像分类、姿态估计和定向对象检测 (OBB)

12. YOLOX

发布年份：2021年主要贡献和改进：

无锚设计：YOLOX采用无锚机制，简化了模型架构和训练过程。
分离的头部：分离的头部将分类和定位任务分开，提高了整体性能。
高级增强技术：使用Mosaic和MixUp等技术来增强模型的泛化能力和鲁棒性。
性能提升：与以前的YOLO版本相比，YOLOX实现了更高的准确性和效率，使其与其他最先进的模型竞争。

13. YOLOR

发布年份：2021年主要贡献和改进：

统一网络：YOLOR（你只学习一次表示）将显性和隐性知识整合到统一网络中，增强了模型的学习能力。
知识蒸馏：利用知识蒸馏来提高轻量级模型的性能。
改进的主干：在主干中结合了CSPNet，增强了特征提取和表示。
多功能性：在各种任务中表现出色，包括目标检测、实例分割和关键点检测。

关于目标检测YOLO 各版本区别v1-v11/vX/vR

概述 YOLO（You Only Look Once，你只看一次）是一系列开创性的实时目标检测模型，它们彻底改变了计算机视觉领域。由Joseph Redmon开发，后续版本由不同研究人员迭代，YOLO模型以其在图像中检测对象的高速度和准…...

编程日记 2025/6/21 13:18:51

求成绩的平均值，统计低于平均分的人数

【问题描述】编写函数double average(double score[ ], int n,int *m)对存放在实型数组中考试成绩进行求平均分和低于平均分的人数，要求在主函数里面进行班级人数和成绩的输入，调用average函数进行计算成绩平均值和低于平均分的人数后，返回主…...

编程日记 2025/6/21 1:32:33

SGD、BGD、MBGD 之间的区别

文章目录 SGD（Stochastic Gradient Descent，随机梯度下降）BGD（Batch Gradient Descent，批量梯度下降）MBGD（Mini-Batch Gradient Descent，小批量梯度下降） 前置&#xff1…...

编程日记 2025/6/21 12:09:49

Android -- WebView之loadData加载html字符串显示网页

目录前言1. loadUrl 加载网页地址2. loadData 加载Html字符来显示网页3. loadDataWithBaseURL4. 总结前言最近在给一个老项目做64位so文件的适配，当应用发布到应用市场上后，用户反馈64位手机上的网页加载不出内容，但32位的手机上是正常…...

编程日记 2025/6/20 20:42:01

单片机：实现数码管00盗99显示（附带源码）

单片机实现数码管00到99显示在嵌入式开发中，数码管是最常用的显示设备之一，特别适合用于显示数字信息。本项目的目标是利用8051单片机控制数码管实现数字显示，从00到99的循环显示。我们将通过按键或定时器来控制数字的增减，并通…...

编程日记 2025/6/21 11:13:18

大厂面试智力题大全（详细解题思路，持续更新）

目录八个球有一个比较重，问称几次可以把较重的球拎出来，具体称重的方法是怎样的？ 64 匹马 8 个赛道，找出前四名，最少赛多少场（腾讯）一个城市的加油站数量 5L的水桶和3L的水桶怎么量出4L的水有一堆粗细不均匀的绳子，燃烧完一个绳子需要2小时，如何用这些绳子凑出…...

编程日记 2025/6/21 12:59:22

使用 acme.sh 签发和自动续期 ssl https 证书

acme.sh 是一个热度非常高的签发和自动续期 https 证书的工具，虽然官网上提供了充分的操作说明，但是不够简洁，本文以在 nginx 中签发和配置http 为例，列出必要的几个简单步骤。安装因为网络原因，github 大部分人是…...

编程日记 2025/6/19 18:33:52

YOLOv9改进，YOLOv9引入DLKA-Attention可变形大核注意力，WACV2024，二次创新RepNCSPELAN4结构

摘要作者引入了一种称为可变形大核注意力（D-LKA Attention）的新方法来增强医学图像分割。这种方法使用大型卷积内核有效地捕获体积上下文，避免了过多的计算需求。D-LKA Attention 还受益于可变形卷积，以适应不同的数据模式。理论介绍大核卷积（Large Kernel Convolu…...

编程日记 2025/5/29 22:36:47

docker安装mysql8

上一篇提到了docker安装mysql5.7和mysql8有所不同，这一篇说一下mysql8的安装 1、宿主机创建映射目录 mkdir -p /data/mysql8/log mkdir -p /data/mysql8/data mkdir -p /data/mysql8/conf这里我放在了/data/mysql8目录下 2、拉取mysql镜像 docker pull mysql:8.…...

编程日记 2025/6/19 22:55:29

【云原生知识】Kubernets实践-前端服务如何访问后端服务

文章目录概述步骤1：部署后端服务步骤2：配置Nginx步骤3：创建Nginx服务总结如何确保 Nginx 能持续访问后端服务？相关文献概述假设你正在使用Kubernetes作为容器云平台，以下是如何配置Nginx以及相关服务，…...

编程日记 2025/6/19 23:26:33

M3DM的autodl环境构建过程笔记

文章目录在3D-ADS环境https://blog.csdn.net/tfxzgp/article/details/144259472基础上构建(失败的记录，不用看)更换镜像重来（成功）安装缺少的包修改models.py中的RGB和点云backbone的路径修改main.py路径参数运行在3D-ADS环境https://blog.…...

编程日记 2025/5/30 18:04:51

jmeter CLI Mode 传参实现动态设置用户数

一.需求 CLI 运行模式下每次运行想要传入不同的用户数，比如寻找瓶颈值的场景，需要运行多次设置不同的用户数。二.解决思路查看官方API Apache JMeter - Users Manual: Getting Started api CLI Mode 一节中提到可以使用如下参数做属性的替换&#…...

编程日记 2025/6/3 17:43:34

Mac系统下 jdk和maven 安装教程

一、jdk安装教程 1、先去官网选择对应版本下载官网网址：Java SE | Oracle Technology Network | Oracle 中国这里我选择的是jdk8的版本，如果你们想下载更高的版本就选择其他版本，目前大部分公司和教程使用jdk8的版本比较多。点击macos&a…...

编程日记 2025/5/31 21:20:23

pyfink1.20版本下实现消费kafka中数据并实时计算

1、环境 JDK版本：1.8.0_412python版本：3.10.6apache-flink版本：1.20.0flink版本：1.20kafka版本：kafka_2.12-3.1.1flink-sql-connector-kafka版本：3.3.0-1.202、执行python-flink脚本从kafka的demo获取消…...

编程日记 2025/6/3 16:18:54

【经验分享】私有云运维的知识点

最近忙于备考没关注，有次点进某小黄鱼发现首页出现了我的笔记还被人收费了虽然我也卖了一些资源，但我以交流、交换为主，笔记都是免费给别人看的由于当时刚刚接触写的并不成熟，为了避免更多人花没必要的钱，所以决定公…...

编程日记 2025/6/3 14:06:10

影像组学+病理组学+深度学习人工智能应用

影像组学基础学习内容： 特征提取：使用pyradiomics进行形状、纹理、小波变换等特征提取。特征筛选：应用ICC、相关系数、mRMR、Lasso等方法。建模：使用LR、SVM、RF、XGBoost、LightGBM等机器学习算法。模型评估：通过A…...

编程日记 2025/6/20 2:27:52

how to write 述职pptx as a tech manager

As a technical manager, crafting an effective 述职 (performance review) PPT requires you to highlight your leadership, team accomplishments, technical contributions, challenges faced, and future plans. Heres a structured approach to design your PPT: 1. Cov…...

编程日记 2025/6/4 12:19:46

用户发送请求后服务端i/o工作过程

华子目录服务端i/o介绍磁盘i/o机械磁盘的寻道时间、旋转延迟和数据传输时间常见的机械磁盘平均寻道时间值常见磁盘的平均延迟时间每秒最大IOPS的计算方法网络i/o网络I/O处理过程磁盘和网络i/o 一次完整的请求在内部的执行过程服务端i/o介绍 i/o在计算机中指Input/Output&am…...

编程日记 2025/6/3 2:43:15

功能篇：springboot实现防盗链功能

防盗链（Hotlink Protection）是一种防止其他网站直接链接到你网站的资源（如图片、视频等），从而节省带宽和保护内容的有效手段。在Spring Boot应用程序中实现防盗链功能，可以通过多种方式来达成，例…...

编程日记 2025/6/21 1:41:01

MySQL迁移SQLite

将 MySQL 的表结构和数据迁移到 SQLite，可以通过以下步骤实现。这个过程主要包括导出 MySQL 数据库到 SQL 文件，然后将其导入到 SQLite 数据库中。步骤 1: 导出 MySQL 数据库首先，需要将 MySQL 数据库导出为一个 SQL 文件。可以使用 mysq…...

编程日记 2025/6/1 22:11:20

嵌入式面试知识点总结 -- 面试篇

1、请你做个简单的自我介绍把所有工作内容，分类整理出和岗位匹配的能力关键字，然后围绕关键字展开讲。每段经历要用数据来支撑。例如： 面试官你好，我叫XXX，毕业于XXX，很荣幸参加此次面试。围绕面试岗位…...

编程日记 2025/6/19 18:19:52

华为OD机试真题---观看文艺汇演问题

华为OD机试中的“观看文艺汇演问题”是一道考察算法与数据结构能力的题目。以下是对该题目的详细解析： 一、题目描述为了庆祝某个重要节日（如中国共产党成立100周年），某公园将举行多场文艺表演。很多演出都是同时进行的&#x…...

编程日记 2025/5/31 18:52:06

类OCSP靶场-Kioptrix系列-Kioptrix Level 2

一、前情提要二、实战打靶 1. 信息收集 1.1. 主机发现 1.2. 端口扫描 1.3.目录遍历 2.漏洞发现 2.1. 登录框测试 2.2. 发现命令执行 2.3 构造命令执行利用payload 3.提权 3.1. 搜索提权exp 3.2. 查看exp信息 3.3. Privilege Escalation的exp利用 exp_9542 一、前…...

编程日记 2025/6/4 7:24:47

openlane

openlane数据集，lane3d_1000里训练集157807张图片，测试集39981张图，md太多了...

编程日记 2025/5/31 18:52:00

修改vscode设置的原理

转载请标明出处：小帆的帆的专栏修改vscode设置首先需要理解的是，vscode的系统设置和插件设置都是通过settings.json文件管理的。 vscode中有三个Settings，三个Settings分别对应三个settings.json文件 Default Settings：默认…...

编程日记 2025/6/3 19:53:04

解决docker环境下aspose-words转换word成pdf后乱码问题

描述环境：docker 部署工具：Jenkins 需求：本地上传的word文档需要转换成pdf 问题：转换之后的pdf文档出现小框框（乱码） 转换成PDF的操作 pom： <dependency><groupId>org.apach…...

编程日记 2025/6/20 5:29:35

2024年12月16日Github流行趋势

项目名称：PDFMathTranslate 项目维护者：Byaidu reycn hellofinch Wybxc YadominJinta项目介绍：基于 AI 完整保留排版的 PDF 文档全文双语翻译，支持 Google/DeepL/Ollama/OpenAI 等服务，提供 CLI/GUI/Docker。项目star数…...

编程日记 2025/6/3 3:41:25

ElasticSearch 常见故障解析与修复秘籍

文章目录一、ElasticSearch启动服务提示无法使用root用户二、ElasticSearch启动提示进程可拥有的虚拟内存少三、ElasticSearch提示用户拥有的可创建文件描述符太少四、ElasticSearch集群yellow状态分析五、ElasticSearch节点磁盘使用率过高，read_only状态问题解决六…...

编程日记 2025/6/21 1:32:33

用 Python Turtle 绘制经典汤姆猫：重温卡通角色的经典魅力

用 Python Turtle 绘制经典汤姆猫：重温卡通角色的经典魅力 🐸 前言 🐸🐞往期绘画>>点击进所有绘画🐞🐋 效果图 🐋🐉 代码 🐉 🐸 前言 🐸 汤…...

编程日记 2025/5/31 18:51:53

数据结构Day4: 链表函数封装；思维导图

目录作业：实现链表剩下的操作： 任意位置删除按位置修改按值查找返回地址反转销毁运行结果思维导图作业：实现链表剩下的操作： 1>任意位置删除 2>按位置修改 3>按值查找返回地址 4>反转 5>销毁任意…...

编程日记 2025/6/3 13:45:06

用 Python Turtle 绘制一只可爱的小狗：用代码捕捉狗狗的萌态

用 Python Turtle 绘制一只可爱的小狗：用代码捕捉狗狗的萌态 🐸 前言 🐸🐞往期绘画>>点击进所有绘画🐞🐋 效果图 🐋🐉 代码 🐉 🐸 前言 🐸 …...

编程日记 2025/6/3 22:42:35

人工智能浪潮来袭：2024年技术革命与产业变革深度解析@附64页PDF文件下载

随着2024年的到来，人工智能（AI）技术正以前所未有的速度、广度和深度改变着我们的生产和生活方式。在这篇深度解析中，我们将带您一探AI技术的最新发展、产业应用的现状以及未来的安全治理趋势。技术革命：AI技术的新范…...

编程日记 2025/6/1 15:58:37

python 下载 b站视频和音频

video_bvid： import os import requests import json import re from bs4 import BeautifulSoup import subprocess # from detail_video import video_bvid# video_bvid 是一个从外部得到的单个视频ID video_bvid BV1cx421Q7veclass BilibiliVideoAudio:def __in…...

编程日记 2025/6/2 7:32:20

【蓝桥杯选拔赛真题93】Scratch青蛙过河第十五届蓝桥杯scratch图形化编程少儿编程创意编程选拔赛真题解析

目录 Scratch青蛙过河一、题目要求编程实现二、案例分析 1、角色分析 2、背景分析 3、前期准备三、解题思路 1、思路分析 2、详细过程四、程序编写五、考点分析六、推荐资料 1、入门基础 2、蓝桥杯比赛 3、考级资料 4、视频课程 5、python资料 Scr…...

编程日记 2025/6/21 5:43:58

flink sink kafka的事务提交现象猜想

现象查看flink源码时 sink kafka有事务提交机制，查看源码发现是使用两阶段提交策略，而事务提交是checkpoint完成后才执行，那么如果checkpoint设置间隔时间比较长时，事务未提交之前，后端应该消费不到数据&#xff0c…...

编程日记 2025/6/3 19:05:09

Oracle 临时表空间管理与最佳实践

Oracle 临时表空间管理与最佳实践内容摘要本文深入探讨了Oracle数据库中临时表空间的管理和最佳实践。主要内容包括： 临时表空间的概述及其在Oracle 19c多租户架构中的特点临时表空间组的优势及其创建方法非临时表空间组的临时表空间日常维护操作命令临时表空间…...

编程日记 2025/6/3 12:57:56

Java转C之继承和多态

在C/C中，继承和多态是面向对象编程（OOP）的两个重要特性。以下将详细讲解C/C中如何实现继承与多态，同时结合Java的对比，帮助理解两者的异同。继承的实现 C/C中的继承继承允许一个类（派生类/子类&#xf…...

编程日记 2025/6/19 21:14:08

【密码学】ZUC祖冲之算法

一、ZUC算法简介 ZUC算法（祖冲之算法）是中国自主研发的一种流密码算法，2011年被3GPP批准成为4G国际标准，主要用于无线通信的加密和完整性保护。ZUC算法在逻辑上采用三层结构设计，包括线性反馈移位寄存器（L…...

编程日记 2025/6/3 22:56:12

MacOS系统快速安装appium 步骤详解

在macOS系统上，你可以通过使用nvm（Node Version Manager）来管理Node.js的版本，并基于nvm安装的Node.js环境来快捷地安装Appium。以下是具体步骤： 一、安装nvm 下载nvm 访问nvm的GitHub仓库（nvm GitHub&…...

编程日记 2025/5/31 18:51:37

SEGGER | 基于STM32F405 + Keil - RTT组件07 - J-Scope数据可视化，RTT方式 + DWT定时器时间戳

导言在上一章节SEGGER | 基于STM32F405 Keil - RTT组件06 - J-Scope数据可视化，使用RTT方式的第4.3章节提到，如果消息包不包含时间戳的话，那么J-Scope的横坐标的单位时间默认是100us，说白了时间戳是假的。会导致如下问题&#x…...

编程日记 2025/6/20 10:50:40

机器学习支持向量机（SVM）算法

一、引言在当今数据驱动的时代，机器学习算法在各个领域发挥着至关重要的作用。支持向量机（Support Vector Machine，SVM）作为一种强大的监督学习算法，以其在分类和回归任务中的卓越性能而备受瞩目。SVM 具有良好的泛化…...

编程日记 2025/6/4 10:40:42

浏览器端的 js 包括哪几个部分

一、核心语言部分 1. 变量与数据类型变量用于存储数据，在 JavaScript 中有多种数据类型，如基本数据类型（字符串、数字、布尔值、undefined、null）和引用数据类型（对象、数组、函数）。 let name "…...

编程日记 2025/6/4 17:51:45

【含开题报告+文档+PPT+源码】基于SpringBoot的开放实验管理平台设计与实现

开题报告设计开放实验管理平台的目的在于促进科学研究与教学的融合。传统实验室常常局限于特定地点和时间，而开放平台可以为学生、教师和研究人员提供一个便捷的交流与共享环境。通过在线平台，他们可以分享实验资源、交流经验，从而促进科学…...

编程日记 2025/6/20 15:17:01

国内可以访问的github地址

国内的IP直接访问github.com官网一般会出现无法访问或者卡顿问题，可以尝试访问下面的国内的代理网站： GitHub Build and ship software on a single, collaborative platform GitHub...

编程日记 2025/5/26 10:06:29

Spring 框架事务管理深度剖析

1.Spring框架的事务管理有哪些优点 pring框架的事务管理具有以下优点： 声明式事务管理：Spring支持声明式事务管理，这使得开发者可以通过配置而不是编程方式来定义事务边界。这种方式简化了事务管理代码，并且可以减少出错的机会。…...

编程日记 2025/6/4 2:50:12

6.1 初探MapReduce

MapReduce是一种分布式计算框架，用于处理大规模数据集。其核心思想是“分而治之”，通过Map阶段将任务分解为多个简单任务并行处理，然后在Reduce阶段汇总结果。MapReduce编程模型包括Map和Reduce两个阶段，数据来源和结果存储通常在…...

编程日记 2025/5/31 6:15:24

SpringBoot - 动态端口切换黑魔法

文章目录关键技术点核心原理Code 关键技术点利用 Spring Boot 内嵌 Servlet 容器和动态端口切换的方式实现平滑更新的方案，关键技术点如下： Servlet 容器重新绑定端口：Spring Boot 使用 ServletWebServerFactory 动态设置新端口。零停…...

编程日记 2025/6/2 1:06:56