当前位置：首页 > news >正文

助力花生作物智能化采摘，基于嵌入式端超轻量级模型LeYOLO全系列【n/s/m/l】参数模型开发构建花生种植采摘场景下花生果实智能检测计数系统

news 来源：原创 2025/7/21 15:31:01

秋天，是大地回馈辛勤耕耘者的季节，金黄的稻田、硕果累累的果园、还有那一片片郁郁葱葱的花生地，共同绘制出一幅幅丰收的画卷。对于农民而言，秋收不仅仅是收获的季节，更是他们与土地情感交织、汗水与希望交织的见证。花生，作为重要的经济作物之一，其采摘过程历来是农业生产中的重要环节。然而，传统的花生采摘方式大多依赖人工，劳动强度大、效率低，且伴随着不小的浪费问题。在往昔的秋日里，农民们需先小心翼翼地松土，再缓缓拔出花生植株，抖落泥土，一颗颗地将花生果实摘下，装入编织袋中。这种纯手工的方式，虽承载着世代传承的智慧与汗水，却也难以掩盖其低效与辛劳。随着科技的飞速发展，特别是人工智能、大模型、具身智能机器人等技术的不断突破，农业生产正迎来一场前所未有的变革。

近年来，越来越多的传统行业开始探索AI技术的应用，以期提升生产效率、优化作业模式。在农业领域，这一趋势尤为明显。以花生采摘为例，传统作业中常见的场景是：收割机作业后，仍有大量花生遗落在田间，需要人工弯腰捡拾，这不仅耗时费力，还容易遗漏，造成资源浪费。针对这一问题，AI智能化采摘机器人的出现，为花生采摘带来了新的解决方案。智能化采摘机器人，集成了环境感知、图像处理、机械臂操作等多项先进技术。它们能够通过环境交互式感知系统，精准定位并挖掘地里的花生。机器人头部的高清摄像头则扮演着“眼睛”的角色，负责捕捉花生植株的图像信息。这些图像数据随后被送入预先训练好的目标检测模型中，该模型能够高效、精确地识别并定位花生果实，甚至能进行计数，确保每一颗花生都不被遗漏。

为了实现这一目标，关键在于构建高效高精度的目标检测模型。这要求我们在软件开发阶段，广泛收集田间地头花生采摘的真实场景图像，并进行细致的人工标注。这些标注数据是模型训练的基石，它们帮助模型学习到花生果实在不同光照、角度、遮挡情况下的特征，从而提升模型的泛化能力和识别精度。通过深度学习算法的不断迭代优化，最终得到的模型能够在复杂多变的田间环境中，准确识别并定位花生果实，为机械臂的精准采摘提供可靠依据。本文正是基于这样的背景思考下，考虑基于轻量级的检测模型来实践开发花生果实检测计数系统，首先看下实例效果：

接下来看下实例数据：

深度神经网络中的计算效率对于目标检测至关重要，尤其是在新模型将速度优先于高效计算（FLOP）的情况下。这种演变在某种程度上已经落后于嵌入式和面向移动的AI对象检测应用程序。这里重点讨论了基于FLOP的高效目标检测计算的神经网络结构的设计选择，并提出了几种优化方法来提高基于YLO的模型的效率。
首先，介绍了一种基于反向瓶颈和信息瓶颈原理的有效主干扩展方法。其次，提出了快速金字塔结构网络（FPAN），旨在促进快速多尺度特征共享，同时减少计算资源。最后提出了一个解耦的网络中网络（DNiN）检测头的设计，以提供快速而轻量级的计算分类和回归任务。
在这些优化的基础上，利用更高效的主干，为对象检测和以YOLO为中心的模型（称为LeYOLO）提供了一种新的缩放范例。在各种资源限制下始终优于现有模型，实现了前所未有的准确性和失败率。值得注意的是，LeYOLO Small在COCO val上仅以4.5次失败（G）获得了38.2%的竞争性mAP分数，与最新最先进的YOLOv9微小模型相比，计算量减少了42%，同时实现了类似的精度。我们的新型模型系列实现了以前未达到的浮点精度比，提供了从超低神经网络配置（<1 GFLOP）到高效但要求苛刻的目标检测设置（>4 GFLOP）的可扩展性，对于0.66、1.47、2.53、4.51、5.8和8.4浮点（G），具有25.2、31.3、35.2、38.2、39.3和41 mAP。

一共提供了n、s、m和l四款不同参数量级的模型。

这里我们保持完全相同的实验参数设置来进行四款模型的开发训练，等待训练完成之后我们来整体进行各项指标的对比分析。

【Precision曲线】
精确率曲线（Precision Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。
绘制精确率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率和召回率。
将每个阈值下的精确率和召回率绘制在同一个图表上，形成精确率曲线。
根据精确率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察精确率曲线，我们可以根据需求确定最佳的阈值，以平衡精确率和召回率。较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
精确率曲线通常与召回率曲线（Recall Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。

【Recall曲线】
召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。
绘制召回率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的召回率和对应的精确率。
将每个阈值下的召回率和精确率绘制在同一个图表上，形成召回率曲线。
根据召回率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察召回率曲线，我们可以根据需求确定最佳的阈值，以平衡召回率和精确率。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
召回率曲线通常与精确率曲线（Precision Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。

【loss曲线】

在深度学习的训练过程中，loss函数用于衡量模型预测结果与实际标签之间的差异。loss曲线则是通过记录每个epoch（或者迭代步数）的loss值，并将其以图形化的方式展现出来，以便我们更好地理解和分析模型的训练过程。

【mAP0.5】
mAP0.5，也被称为mAP@0.5或AP50，指的是当Intersection over Union（IoU）阈值为0.5时的平均精度（mean Average Precision）。IoU是一个用于衡量预测边界框与真实边界框之间重叠程度的指标，其值范围在0到1之间。当IoU值为0.5时，意味着预测框与真实框至少有50%的重叠部分。
在计算mAP0.5时，首先会为每个类别计算所有图片的AP（Average Precision），然后将所有类别的AP值求平均，得到mAP0.5。AP是Precision-Recall Curve曲线下面的面积，这个面积越大，说明AP的值越大，类别的检测精度就越高。
mAP0.5主要关注模型在IoU阈值为0.5时的性能，当mAP0.5的值很高时，说明算法能够准确检测到物体的位置，并且将其与真实标注框的IoU值超过了阈值0.5。

【mAP0.5:0.95】
mAP0.5:0.95，也被称为mAP@[0.5:0.95]或AP@[0.5:0.95]，表示在IoU阈值从0.5到0.95变化时，取各个阈值对应的mAP的平均值。具体来说，它会在IoU阈值从0.5开始，以0.05为步长，逐步增加到0.95，并在每个阈值下计算mAP，然后将这些mAP值求平均。
这个指标考虑了多个IoU阈值下的平均精度，从而更全面、更准确地评估模型性能。当mAP0.5:0.95的值很高时，说明算法在不同阈值下的检测结果均非常准确，覆盖面广，可以适应不同的场景和应用需求。
对于一些需求比较高的场合，比如安全监控等领域，需要保证高的准确率和召回率，这时mAP0.5:0.95可能更适合作为模型的评价标准。
综上所述，mAP0.5和mAP0.5:0.95都是用于评估目标检测模型性能的重要指标，但它们的关注点有所不同。mAP0.5主要关注模型在IoU阈值为0.5时的性能，而mAP0.5:0.95则考虑了多个IoU阈值下的平均精度，从而更全面、更准确地评估模型性能。

【F1值曲线】
F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。
绘制F1值曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率、召回率和F1分数。
将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上，形成F1值曲线。
根据F1值曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
F1值曲线通常与接收者操作特征曲线（ROC曲线）一起使用，以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析，可以根据具体应用场景来选择合适的模型和阈值设置。

整体对比分析来看：不难发现四款不同参数量级的模型最终达到了较为相似的结果，其中：n系列模型效果最差，m、s和l三款模型效果相近，l系列模型效果最优，这里综合参数量考虑我们最终选定了s系列的模型来作为线上的推理计算模型。

接下来看下s系列模型的详细情况。

【离线推理实例】

【Batch实例】

【F1值曲线】

【Precision曲线】

【PR曲线】

【Recall曲线】

【训练可视化】

AI智能化采摘机器人的应用必将极大地提高花生采摘的效率，减轻了农民的劳动强度，还有效减少了作物浪费，促进了农业资源的合理利用。农业生产智能化、精准化是当前传统农业发展和变革的潜力赛道。展望未来，随着AI技术的持续进步和应用的不断深化，我们有理由相信，农业生产将变得更加高效、智能、环保。智能化采摘机器人，作为科技与农业融合的典范，将引领农业生产方式的新一轮变革，让每一份辛勤耕耘都能收获更加丰硕的成果，让农业成为更加有尊严、有希望的行业。

助力花生作物智能化采摘，基于嵌入式端超轻量级模型LeYOLO全系列【n/s/m/l】参数模型开发构建花生种植采摘场景下花生果实智能检测计数系统

秋天，是大地回馈辛勤耕耘者的季节，金黄的稻田、硕果累累的果园、还有那一片片郁郁葱葱的花生地，共同绘制出一幅幅丰收的画卷。对于农民而言，秋收不仅仅是收获的季节，更是他们与土地情感交织、汗水与希望交织的见证。花…...

编程日记 2025/7/21 15:31:01

物联网无线局域网WiFi开发(二)：WiFi_RTOS_SDK

一、编译工程模板 （一）搭建app目录在SDK目录下新建app目录 cd 到examples目录下拷贝smart_config下所有文件到app目录下 cd 到app目录下查看文件是否拷贝成功 (二)修改gen_misc.sh vim 打开gen_misc.sh进行编辑修改SDK_PATH为当前SDK路径&#xf…...

编程日记 2025/7/20 16:20:01

GitLab｜应用部署

创建docker-compose.yaml文件输入docker-compose配置 version: 3.8 services:gitlab:image: gitlab/gitlab-ce:15.11.2-ce.0restart: alwayscontainer_name: gitlab-ceprivileged: truehostname: 192.168.44.235environment:TZ: Asia/ShanghaiGITLAB_OMNIBUS_CONFIG: |exter…...

编程日记 2025/7/21 14:56:50

替换Nacos的MySQL驱动

前言：替换Nacos的MySQL驱动能实现使Nacos支持MySQL8.0及以上版本的MySQL数据库注：下述教程会使用命令先解压Nacos的jar包然后重新用命令把Nacos压缩成jar包，不然直接用压缩工具替换MySQL驱动后的Nacos是会启动不起来的（因为没有替…...

编程日记 2025/7/21 15:13:03

链表内指定区间反转

描述将一个节点数为 size 链表 m 位置到 n 位置之间的区间反转，要求时间复杂度 O(n)O(n)，空间复杂度 O(1)O(1)。例如： 给出的链表为 1→2→3→4→5→NULL1→2→3→4→5→NULL, m2,n4m2,n4, 返回 1→4→3→2→5→NULL1→4→3→2→5→NULL. …...

编程日记 2025/7/21 14:01:27

jmeter5.6.3安装教程

一、官网下载需要提前配置好jdk的环境变量 jmeter官网：https://jmeter.apache.org/download_jmeter.cgi 选择点击二进制的zip文件下载成功后，默认解压下一步，更改安装路径就行(我安装在D盘) 实用jmeter的bin目录作为系统变量然后把这…...

编程日记 2025/7/15 5:04:34

JavaScript高级程序设计基础（五）

上接语言基础：JavaScript高级程序设计基础（四） 本节内容较简单，有一定语言基础的可以跳过 2.5 语句 2.5.1 if语句具体作用不做过多赘述。需要注意的是，在判断条件里会自动调用Boolean()；并且在执行语句…...

编程日记 2025/7/20 22:46:48

Stable Diffusion 3 部署笔记

SD3下载地址：https://huggingface.co/stabilityai/stable-diffusion-3-medium/tree/main https://huggingface.co/spaces/stabilityai/stable-diffusion-3-medium comfyui 教程： 深度测评：SD3模型表现如何？实用教程助你玩转Stabl…...

编程日记 2025/7/21 11:03:42

深度解析：Vue 自定义指令到底是什么？快来了解

自定义指令的概述在Vue中，自定义指令是开发者自定义的，用来在DOM元素上执行特定操作的功能。Vue本身提供了多种内建指令（如v-bind, v-model, v-for, v-if等），但有时候我们需要创建自己的指令来实现一些特殊功能。这些功能可以是对DOM的直接操作，或者是为了满足特定的业…...

编程日记 2025/7/19 20:04:41

CVE-2022-4230

打开什么都没有使用dirsearch扫描到一个wp-admin 访问wp-admin是一个登陆页面账号密码都在标题中登陆后是这个页面在WP Statistics < 13.2.9 – 经过身份验证的 SQLi |CVE 2022-4230 |插件漏洞 (wpscan.com)中，里边有一段对漏洞的描述。 https://wpscan.com…...

编程日记 2025/7/21 6:17:38

什么是 WPF 中的依赖属性？有什么作用？

依赖属性（Dependency Property）是 WPF 的一个核心概念，它为传统的 .NET 属性提供了增强功能，支持绑定、样式、动画和默认值等功能。通过依赖属性，WPF 提供了一种灵活的数据驱动的方式来处理 UI 属性。 1. 什么是依赖属…...

编程日记 2025/7/18 19:30:23

『 Linux 』网络层 - IP协议 (二)

文章目录路由NAT技术分片与组装分片的组装IP协议分片的短板路由通常情况路由器具备了一个非常重要的功能,即构建子网; 同时路由器需要实现跨网络通信,说明路由器必须存在两个或以上的IP地址,通常在路由器中可以看到几个接口,分别是一个WAN口和几个LAN口; WAN口IP被称为公网I…...

编程日记 2025/7/16 14:56:09

Linux开发者的CI/CD（11）jenkins变量

文章目录 1. **环境变量 (Environment Variables)**常见的环境变量：示例：2. **构建参数 (Build Parameters)**常见的构建参数类型：示例：3 **在 `stages` 块内定义局部变量**示例：使用 `script` 步骤定义局部变量4 变量引用陷阱在 Jenkins 中，变量是自动化流程中非常重要的…...

编程日记 2025/7/16 15:15:01

Python和R荧光分光光度法

🌵Python片段 Python在处理荧光分光光度法数据方面非常强大，得益于其丰富的数据处理和可视化库，可以轻松实现从数据读取到分析的完整流程。荧光分光光度法用于测量物质在激发光照射下发出的荧光强度，常用于定量分析和特性研究。 …...

编程日记 2025/7/20 15:19:20

理解clickhouse 里的分区和分片键区别

文章目录分片分区两分片，0副本的cluster 分片 CREATE TABLE logs_distributed AS logs_local ENGINE Distributed(cluster_name, -- 集群名称database_name, -- 数据库名称logs_local, -- 本地表名cityHash64(user_id) -- 分片键&#xf…...

编程日记 2025/7/19 21:52:26

【数据结构笔记】习题

渐进分析【2010-THU-Mid】f(n) O(g(n))，当且仅当g(n) Ω(f(n))。（√） 【2010-THU-Mid】若f(n) O(n^2)且g(n) O(n)，则以下结论正确的是（AD） A. f(n) g(n) O(n^2) B. f(n) / g(n) O(n) C. g(n) O(f(…...

编程日记 2025/7/19 1:10:46

非交换几何与黎曼ζ函数：数学中的一场革命性对话

非交换几何与黎曼ζ函数：数学中的一场革命性对话非交换几何（Noncommutative Geometry, NCG）是数学的一个分支领域，它将经典的几何概念扩展到非交换代数的框架中。非交换代数是一种结合代数，其中乘积不是交换性的&…...

编程日记 2025/7/20 11:15:53

【c++】模板详解(2)

🌟🌟作者主页：ephemerals__ 🌟🌟所属专栏：C 目录前言一、非类型模板参数二、模板的特化 1. 概念 2. 场景举例 3. 函数模板的特化 4. 类模板的特化全特化偏特化 1. 部分特化 2. 对参数的…...

编程日记 2025/7/20 2:54:01

DICOM图像处理：深入解析DICOM彩色图像中的Planar配置及其对像素数据解析处理的实现

引言在DICOM（Digital Imaging and Communications in Medicine）标准中，彩色图像的存储与显示涉及多个关键属性，其中**Planar Configuration（平面配置）**属性（标签 (0028,0006)）尤为重要。当遇到彩色DICOM图像在浏览时被错误地分割为9张小图，而实际应显示为一…...

编程日记 2025/7/18 13:35:15

【青牛科技】D3308 一块带有 ALC 的双通道前置放大器。它适用于立体声收录机和盒式录音机。

概述： D3308 是一块带有 ALC 的双通道前置放大器。它适用于立体声收录机和盒式录音机。采用 SIP9、SOP14 的封装形式封装。主要特点：  带内置 ALC 回路的双通道均衡放大器。  低噪声： VNI1.0V（典型值）。  开环…...

编程日记 2025/7/18 20:01:43

goframe开发一个企业网站 MongoDB 完整工具包18

1. MongoDB 工具包完整实现 (mongodb.go) package mongodbimport ("context""fmt""time""github.com/gogf/gf/v2/frame/g""go.mongodb.org/mongo-driver/mongo""go.mongodb.org/mongo-driver/mongo/options" )va…...

编程日记 2025/7/16 9:47:52

自动驾驶3D目标检测综述（四）

前三篇分别介绍了前四章的内容： 第一篇（介绍、摘要和背景）：自动驾驶3D目标检测综述（一）_3d 目标检测-CSDN博客第二篇（第三章基于激光雷达的3D目标检测）：自动驾驶3D目…...

编程日记 2025/7/5 7:13:54

远程控制软件：探究云计算和人工智能的融合

在数字化时代，远程控制工具已成为我们工作与生活的重要部分。用户能够通过网络远程操作和管理另一台计算机，极大地提升了工作效率和便捷性。随着人工智能（AI）和云计算技术的飞速发展，远程控制工具也迎来了新的发展机遇…...

编程日记 2025/7/20 5:35:26

3ds Max2024软件详细安装教程+中文安装包（永久使用）

[名称]：3ds Max2024 [大小]：5.07GB [语言]：简体中文 [安装环境]：Win11/Win10 软件介绍 3DS Max是一款三维建模和渲染软件,可以创造宏伟的游戏世界,布置精彩绝伦的场景以实现设计可视化,并打造身临其境的虚拟现实 (VR) ...在广告…...

编程日记 2025/7/18 23:06:01

深入解析 Spring MVC：架构、组件与最佳实践

文章目录 1. **DispatcherServlet**2. **HandlerMapping**3. **HandlerAdapter**4. **Controller**5. **ModelAndView**6. **ViewResolver**7. **View** 工作流程配置方式XML 配置Java 配置最佳实践示例项目项目目录结构控制器 (HelloWorldController.java)服务层 (HelloWorld…...

编程日记 2025/7/20 18:26:37

专题二十三_动态规划_回文串系列问题_算法专题详细总结

目录动态规划回文串系列问题 1. 回⽂⼦串（medium） 解析： 解决回文串问题，这里提供三个思路： 1.中心扩展法：n^2 / 1 2.马拉车算法：n / n 3.动态规划算法：n^2 / n^2 1.状态表…...

编程日记 2025/7/8 1:59:10

Linux操作系统学习---初识环境变量

目录编辑环境变量的概念： 小插曲：main函数的第一、二个参数获取环境变量信息： 1.main函数的第三个参数 2.查看单个环境变量 3.c语言库函数getenv() 和环境变量相关的操作指令： 1.export---导出环境变量： 2.unse…...

编程日记 2025/7/20 10:12:30

通过map文件了解堆栈分配(STM32、MDK5)--避免堆栈溢出

在最近的一个项目的开发中，每当调用到一个函数，程序就直接跑飞。debug跟进去看不出什么逻辑错误，但发现函数内局部变量声明之后，全局变量的值被清零，后来查看局部变量地址已经超出栈的范围，于是确定是栈溢出。如果不稍微了解一下堆栈，在开发过程中可能碰到各种奇怪的错误…...

编程日记 2025/7/18 15:12:24

设计模式——状态模式

定义状态模式（State Pattern）是一种行为设计模式。它允许一个对象在其内部状态改变时改变它的行为。对象看起来好像修改了它的类，从直观上看，就像是对象根据自身的状态来动态地切换行为方式。结构组成环境（Conte…...

编程日记 2025/7/19 5:07:13

没有技术背景考软考高级选什么科目呀？

没有技术背景的外行小白特别推荐考取信息系统项目管理师 ，也就是软考高项！ 软考高项是软考高级资格考试中相对最容易的一门，同时也是报考人数最多的一门。为什么选择软考高项呢？ 以我自己的经历为例。刚进入职场时&#xf…...

编程日记 2025/7/15 15:13:25

大语言模型---梯度的简单介绍；梯度的定义；梯度计算的方法

1. 梯度介绍如果我们在一座山上（一个山的坡度有很多，陡峭的，平缓的），想要从山顶下山。而梯度就像告诉我们如何沿着最陡的下坡路线走，以尽快到达山脚（最低点）。 2. 梯度的定义梯度…...

编程日记 2025/7/18 13:48:40

【R语言管理】Pycharm配置R语言及使用Anaconda管理R语言虚拟环境

目录使用Anaconda创建R语言虚拟环境1. 安装Anaconda2. 创建R语言虚拟环境 Pycharm配置R语言1. 安装Pycharm2. R Language for IntelliJ插件参考使用Anaconda创建R语言虚拟环境 1. 安装Anaconda Anaconda的安装可参见另一博客-【Python环境管理工具】Anaconda安装及使用教程…...

编程日记 2025/7/16 21:56:28

蓝桥杯每日真题 - 第24天

题目：（货物摆放） 题目描述（12届 C&C B组D题） 解题思路： 这道题的核心是求因数以及枚举验证。具体步骤如下： 因数分解： 通过逐一尝试小于等于的数，找到 n 的所有因数…...

编程日记 2025/7/20 22:47:24

mac 如何查看 export NVM_NODEJS_ORG_MIRROR=https://npm.taobao.org/mirrors/node 是否正确

在 macOS 上，如果你想查看环境变量 NVM_NODEJS_ORG_MIRROR 是否已正确设置为 https://npm.taobao.org/mirrors/node，你可以按照以下步骤进行检查： 1. 检查当前环境变量值打开终端并运行以下命令来查看 NVM_NODEJS_ORG_MIRROR 环境变量的当…...

编程日记 2025/7/16 20:02:25

Android 单元测试的各种环境问题记录

报错记录 failed to configure packages targetSdkVersion failed to configure com.demo.test.SettingsActivityTest.testOnCreate_withNullSavedInstanceState: Package targetSdkVersion34 > maxSdkVersion32 java.lang.IllegalArgumentException: failed to configure …...

编程日记 2025/7/20 23:18:31

相关文章：