当前位置： 首页 > news >正文

Yolov8 目标检测剪枝学习记录

news 来源：原创 2025/6/7 15:16:48

最近在进行YOLOv8系列的轻量化，目前在网络结构方面的优化已经接近极限了，所以想要学习一下模型剪枝是否能够进一步优化模型的性能
这里主要参考了torch-pruning的基本使用，v8模型剪枝，Jetson nano部署剪枝YOLOv8
下面只是记录一个简单流程，用于后续使用在自己的任务和网络中，数据不作为参考

首先训练一个base模型用于参考

  • 环境：Ultralytics YOLOv8.2.18 🚀 Python-3.10.14 torch-2.4.0 CUDA:0 (NVIDIA H100 PCIe, 81008MiB)
  • 训练代码

参考网上或者自己写一个能训练即可，为了方便我将通用的记录下来，实测可用来自代码来源

from ultralytics import YOLO
import osroot = os.getcwd()
## 配置文件路径
name_yaml             = os.path.join(root, "ultralytics/datasets/VOC.yaml")
name_pretrain         = os.path.join(root, "yolov8s.pt")
## 原始训练路径
path_train            = os.path.join(root, "runs/detect/VOC")
name_train            = os.path.join(path_train, "weights/last.pt")
## 约束训练路径、剪枝模型文件
path_constraint_train = os.path.join(root, "runs/detect/VOC_Constraint")
name_prune_before     = os.path.join(path_constraint_train, "weights/last.pt")
name_prune_after      = os.path.join(path_constraint_train, "weights/last_prune.pt")
## 微调路径
path_fineturn         = os.path.join(root, "runs/detect/VOC_finetune")def else_api():path_data = ""path_result = ""model = YOLO(name_pretrain) metrics = model.val()  # evaluate model performance on the validation setmodel.export(format='onnx', opset=11, simplify=True, dynamic=False, imgsz=640)model.predict(path_data, device="0", save=True, show=False, save_txt=True, imgsz=[288,480], save_conf=True, name=path_result, iou=0.5)  # 这里的imgsz为高宽def step1_train():model = YOLO(name_pretrain) model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, workers=16, save_period=1, name=path_train)  # train the model## 2024.3.4添加【amp=False】
def step2_Constraint_train():model = YOLO(name_train) model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, amp=False, workers=16, save_period=1,name=path_constraint_train)  # train the modeldef step3_pruning():from LL_pruning import do_pruningdo_pruning(name_prune_before, name_prune_after)def step4_finetune():model = YOLO(name_prune_after)     # load a pretrained model (recommended for training)model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, workers=16, save_period=1, name=path_fineturn)  # train the modelstep1_train()
# step2_Constraint_train()
# step3_pruning()
# step4_finetune()

第一步，step1_train()

  • 即训练一个base模型，用于最后性能好坏的重要参考
    在这里插入图片描述

第二步，step2_Constraint_train()

训练之前在ultralytics\engine\trainer.py添加bn的L1正则，使得bn参数在训练时变得稀疏

  • 通过对参数的绝对值进行惩罚，使得一些不重要的权重变为零，从而实现模型的稀疏化和简化
     # Backwardself.scaler.scale(self.loss).backward()## add new code=============================duj## add l1 regulation for step2_Constraint_train               l1_lambda = 1e-2 * (1 - 0.9 * epoch / self.epochs)for k, m in self.model.named_modules():if isinstance(m, nn.BatchNorm2d):m.weight.grad.data.add_(l1_lambda * torch.sign(m.weight.data))m.bias.grad.data.add_(1e-2 * torch.sign(m.bias.data))# Optimize - https://pytorch.org/docs/master/notes/amp_examples.htmlif ni - last_opt_step >= self.accumulate:self.optimizer_step()last_opt_step = ni

在这里插入图片描述

  • 个人理解的稀疏化作用
    • 通过对 gamma 和 beta 添加 L1 正则化，可以促使某些通道的 BN 权重变得非常小，甚至为零。这意味着在剪枝时，可以将这些通道从模型中移除
    • 通过稀疏化 BN 层并剪除不重要的通道，剩下的通道会更有效地利用计算资源，减少无用计算。

第三步，step3_pruning()剪枝操作

LL_pruning.py

from ultralytics import YOLO
import torch
from ultralytics.nn.modules import Bottleneck, Conv, C2f, SPPF, Detect
import osclass PRUNE():def __init__(self) -> None:self.threshold = Nonedef get_threshold(self, model, factor=0.8):ws = []bs = []for name, m in model.named_modules():if isinstance(m, torch.nn.BatchNorm2d):w = m.weight.abs().detach()b = m.bias.abs().detach()ws.append(w)bs.append(b)print(name, w.max().item(), w.min().item(), b.max().item(), b.min().item())print()# keepws = torch.cat(ws)self.threshold = torch.sort(ws, descending=True)[0][int(len(ws) * factor)]def prune_conv(self, conv1: Conv, conv2: Conv):## a. 根据BN中的参数，获取需要保留的index================gamma = conv1.bn.weight.data.detach()beta  = conv1.bn.bias.data.detach()keep_idxs = []local_threshold = self.thresholdwhile len(keep_idxs) < 8:  ## 若剩余卷积核<8, 则降低阈值重新筛选keep_idxs = torch.where(gamma.abs() >= local_threshold)[0]local_threshold = local_threshold * 0.5n = len(keep_idxs)# n = max(int(len(idxs) * 0.8), p)print(n / len(gamma) * 100)# scale = len(idxs) / n## b. 利用index对BN进行剪枝============================conv1.bn.weight.data = gamma[keep_idxs]conv1.bn.bias.data   = beta[keep_idxs]conv1.bn.running_var.data = conv1.bn.running_var.data[keep_idxs]conv1.bn.running_mean.data = conv1.bn.running_mean.data[keep_idxs]conv1.bn.num_features = nconv1.conv.weight.data = conv1.conv.weight.data[keep_idxs]conv1.conv.out_channels = n## c. 利用index对conv1进行剪枝=========================if conv1.conv.bias is not None:conv1.conv.bias.data = conv1.conv.bias.data[keep_idxs]## d. 利用index对conv2进行剪枝=========================if not isinstance(conv2, list):conv2 = [conv2]for item in conv2:if item is None: continueif isinstance(item, Conv):conv = item.convelse:conv = itemconv.in_channels = nconv.weight.data = conv.weight.data[:, keep_idxs]def prune(self, m1, m2):if isinstance(m1, C2f):      # C2f as a top convm1 = m1.cv2if not isinstance(m2, list): # m2 is just one modulem2 = [m2]for i, item in enumerate(m2):if isinstance(item, C2f) or isinstance(item, SPPF):m2[i] = item.cv1self.prune_conv(m1, m2)def do_pruning(modelpath, savepath):pruning = PRUNE()### 0. 加载模型yolo = YOLO(modelpath)                  # build a new model from scratchpruning.get_threshold(yolo.model, 0.8)  # 获取剪枝时bn参数的阈值，这里的0.8为剪枝率。### 1. 剪枝c2f 中的Bottleneckfor name, m in yolo.model.named_modules():if isinstance(m, Bottleneck):pruning.prune_conv(m.cv1, m.cv2)### 2. 指定剪枝不同模块之间的卷积核seq = yolo.model.modelfor i in [3,5,7,8]: pruning.prune(seq[i], seq[i+1])### 3. 对检测头进行剪枝# 在P3层: seq[15]之后的网络节点与其相连的有 seq[16]、detect.cv2[0] (box分支)、detect.cv3[0] (class分支)# 在P4层: seq[18]之后的网络节点与其相连的有 seq[19]、detect.cv2[1] 、detect.cv3[1] # 在P5层: seq[21]之后的网络节点与其相连的有 detect.cv2[2] 、detect.cv3[2] detect:Detect = seq[-1]last_inputs   = [seq[15], seq[18], seq[21]]colasts       = [seq[16], seq[19], None]for last_input, colast, cv2, cv3 in zip(last_inputs, colasts, detect.cv2, detect.cv3):pruning.prune(last_input, [colast, cv2[0], cv3[0]])pruning.prune(cv2[0], cv2[1])pruning.prune(cv2[1], cv2[2])pruning.prune(cv3[0], cv3[1])pruning.prune(cv3[1], cv3[2])### 4. 模型梯度设置与保存for name, p in yolo.model.named_parameters():p.requires_grad = Trueyolo.val()torch.save(yolo.ckpt, savepath)yolo.model.pt_path = yolo.model.pt_path.replace("last.pt", os.path.basename(savepath))yolo.export(format="onnx")## 重新load模型，修改保存命名，用以比较剪枝前后的onnx的大小yolo = YOLO(modelpath)  # build a new model from scratchyolo.export(format="onnx")if __name__ == "__main__":modelpath = "runs/detect1/14_Constraint/weights/last.pt"savepath  = "runs/detect1/14_Constraint/weights/last_prune.pt"do_pruning(modelpath, savepath)

在这里插入图片描述

  • 如下图可用看到剪枝前后还是有区别的，参数量减少很多，网络性能将不可用，需要微调恢复精度
    在这里插入图片描述
  • 查看剪枝前后模型大小 du -sh ./runs/detect/VOC_Constraint/weights/last*（yolov8n模型）
    在这里插入图片描述

微调

该部分内容我也存在一些疑问，例如很多博主让ultralytics\engine\trainer.py添加加载模型代码，经过我8.2版本测试代码添加是完全失效的，因为setup_model在执行if isinstance(self.model, torch.nn.Module)就已经return了。

 def setup_model(self):"""Load/create/download model for any task."""if isinstance(self.model, torch.nn.Module):  # if model is loaded beforehand. No setup neededreturn
  • 例如ultralytics\engine\trainer.py
  • v8…x添加代码：548行 参考这里
self.model = self.get_model(cfg=cfg, weights=weights, verbose=RANK == -1)
# duj add code to finetune
self.model = weights
return ckpt
  • 如果是v8.0.x 参考这里

在看到这篇中的修改1启发

  • v8.2.x上面我不确定是哪个版本需要添加的，但是我实测都不起作用
  • 我尝试在ultralytics\engine\model.py添加如下代码加载模型成功
 self.trainer = (trainer or self._smart_load("trainer"))(overrides=args, _callbacks=self.callbacks)if not args.get("resume"):  # manually set model only if not resuming# self.trainer.model = self.trainer.get_model(weights=self.model if self.ckpt else None, cfg=self.model.yaml)# self.model = self.trainer.model# dujiang edit self.trainer.model = self.model.train()if SETTINGS["hub"] is True and not self.session:
  • 这里就是确保自己加载的是剪枝后的模型，但是不同版本好像不同，后续在探究原因。。。
  • 这里有个小插曲，我在使用自己模型稀疏训练后剪枝发现（步骤2）发现BN层全没了，这里后面我将别人的稀疏训练的v8s模型拿来进行剪枝就没问题
  • 可能是v8n的问题，也可能是我训练的问题，这里先不做深究继续查看剪枝是否成功且微调加载成功后能否恢复精度
    在这里插入图片描述
  • 此时多次尝试我基本确定微调加载的是我剪枝后的模型，接下来就是等待训练结果是否参数量正确了。
    在这里插入图片描述

总结

总的来说跑通整个流程了，接下来尝试在自己的任务和数据上面进行剪枝，看看更换了模型结构又会有哪些坑等着我

相关文章：

Yolov8 目标检测剪枝学习记录

最近在进行YOLOv8系列的轻量化&#xff0c;目前在网络结构方面的优化已经接近极限了&#xff0c;所以想要学习一下模型剪枝是否能够进一步优化模型的性能 这里主要参考了torch-pruning的基本使用&#xff0c;v8模型剪枝&#xff0c;Jetson nano部署剪枝YOLOv8 下面只是记录一个…...

编程日记 2025/6/3 13:13:15

5G+工业互联网迈入规模化发展新阶段

百度安全验证 https://blog.csdn.net/qq_25467441/article/details/145036191?sharetypeblogdetail&sharerId145036191&sharereferPC&sharesourceqq_25467441&spm1011.2480.3001.8118 好看视频-轻松有收获 产业供给加速提升。国内主流模组厂商引领全球5G模组…...

编程日记 2025/6/4 6:19:43

WOA-Transformer鲸鱼算法优化编码器时间序列预测（Matlab实现）

WOA-Transformer鲸鱼算法优化编码器时间序列预测&#xff08;Matlab实现&#xff09; 目录 WOA-Transformer鲸鱼算法优化编码器时间序列预测&#xff08;Matlab实现&#xff09;预测效果基本介绍程序设计参考资料 预测效果 基本介绍 1.Matlab实现WOA-Transformer鲸鱼算法优化编…...

编程日记 2025/6/1 8:01:43

「刘一哥GIS」系列专栏《GRASS GIS零基础入门实验教程（配套案例数据）》专栏上线了

「刘一哥GIS」系列专栏《GRASS GIS零基础入门实验教程》全新上线了&#xff0c;欢迎广大GISer朋友关注&#xff0c;一起探索GIS奥秘&#xff0c;分享GIS价值&#xff01; 本专栏以实战案例的形式&#xff0c;深入浅出地介绍了GRASS GIS的基本使用方法&#xff0c;用一个个实例讲…...

编程日记 2025/5/31 6:34:25

Spring boot面试题---- Spring boot项目运行原理

1.启动流程概述 Spring Boot 的启动是从一个带有main方法的主类开始的。这个主类通常会有一个@SpringBootApplication注解。这个注解是一个组合注解，它包含了@Configuration、@EnableAutoConfiguration和@ComponentScan。@Configuration注解表明这个类是一个配置类，它可以定义…...

编程日记 2025/6/4 3:54:55

HTML基础与实践

目录 HTML 结构 认识 HTML 标签 HTML 文件基本结构 标签层次结构 快速生成代码框架 HTML 常见标签 注释标签 标题标签: h1-h6 段落标签: p 换行标签: br 格式化标签 图片标签: img 超链接标签: a ​编辑链接的几种形式: 表格标签 基本使用 合并单元格 …...

编程日记 2025/6/4 6:19:59

码编译安装httpd 2.4，测试

下载链接&#xff1a;https://dlcdn.apache.org/httpd/httpd-2.4.62.tar.gz [rootopenEuler-1 ~]# yum install gcc gcc-c make -y [rootopenEuler-1 ~]# ll /root total 9648 -rw-------. 1 root root 920 Jan 10 17:15 anaconda-ks.cfg -rw-r--r-- 1 root root 9872432…...

编程日记 2025/6/4 6:19:28

计算机网络 （45）动态主机配置协议DHCP

前言 计算机网络中的动态主机配置协议&#xff08;DHCP&#xff0c;Dynamic Host Configuration Protocol&#xff09;是一种网络管理协议&#xff0c;主要用于自动分配IP地址和其他网络配置参数给连接到网络的设备。 一、基本概念 定义&#xff1a;DHCP是一种网络协议&#xf…...

编程日记 2025/6/2 17:19:25

赛灵思(Xilinx)公司Artix-7系列FPGA

苦难从不值得歌颂&#xff0c;在苦难中萃取的坚韧才值得珍视&#xff1b; 痛苦同样不必美化&#xff0c;从痛苦中开掘出希望才是壮举。 没有人是绝对意义的主角&#xff0c; 但每个人又都是自己生活剧本里的英雄。滑雪&#xff0c;是姿态优雅的“贴地飞行”&#xff0c;也有着成…...

编程日记 2025/6/2 23:30:49

【计算机体系结构、微架构性能分析】core 与 uncore 分别是哪一些部分？区分 core 和 uncore

在计算机体系结构中&#xff0c;Core 和 Uncore 是描述处理器内部架构的两个重要概念&#xff0c;尤其在多核处理器中更为常见。 1. Core&#xff08;核心&#xff09; Core 指的是处理器中的计算核心&#xff0c;是执行指令和处理数据的基本单元。每个核心都包含独立的执行单…...

编程日记 2025/6/2 23:30:30

基于 K-Means 聚类分析实现人脸照片的快速分类

注：本文在创作过程中得到了 ChatGPT、DeepSeek、Kimi 的智能辅助支持，由作者本人完成最终审阅。 在 “视频是不能 P 的” 系列文章中，博主曾先后分享过人脸检测、人脸识别等相关主题的内容。今天，博主想和大家讨论的是人脸分类问题。你是否曾在人群中认错人，或是盯着熟人的…...

编程日记 2025/6/2 23:31:24

Ubuntu更改apache的服务端口

1.介绍 承接上文&#xff0c;上文介绍了如何利用apache快速部署自己的网页&#xff0c;直接访问localhost就能打开网页的界面&#xff0c;这里其实是直接用了Ubuntu的80端口访问&#xff0c;如果我想换一个端口访问呢&#xff1f;应该怎么实现&#xff1f; 这一篇文章就来教你&…...

编程日记 2025/6/3 8:03:42

9.7 visual studio 搭建yolov10的onnx的预测（c++）

1.环境配置 在进行onnx预测前&#xff0c;需要搭建的环境如下: 1.opencv环境的配置&#xff0c;可参考博客:9.2 c搭建opencv环境-CSDN博客 2.libtorch环境的配置&#xff0c;可参考博客&#xff1a;9.4 visualStudio 2022 配置 cuda 和 torch (c)-CSDN博客 3.cuda环境的配置…...

编程日记 2025/6/4 1:20:48

“飞的”点外卖，科技新潮流来袭

一、开篇引入 上个周末&#xff0c;阳光正好&#xff0c;我带着孩子去公园游玩。公园里绿草如茵&#xff0c;花朵绽放&#xff0c;孩子们在草地上嬉笑奔跑&#xff0c;好不快活。玩累了&#xff0c;我们便在草坪上的帐篷里休息。 就在这时&#xff0c;天空中突然传来一阵嗡嗡…...

编程日记 2025/6/4 5:19:45

kubernetes v1.29.XX版本HPA、KPA、VPA并压力测试

序言&#xff1a; 在大型电商、购物、直播活动期间&#xff0c;对于火爆流量的激增&#xff0c;如何保障业务稳定并且做到资源不浪费&#xff0c;自动回收。 场景&#xff1a;kubernetes 原生容器化承载业务流量&#xff08;非云环境&#xff09; 方案&#xff1a;kubernetes自…...

编程日记 2025/6/2 20:31:56

java使用poi-tl自定义word模板导出

文章目录 概要整体架构流程创建word模板核心代码导出结果 概要 在软件开发领域&#xff0c;自定义Word模板的使用是导出格式化数据的一种常见做法。poi-tl&#xff08;Apache POI Template Language&#xff09;作为一款基于广受认可的Apache POI库的Word模板引擎&#xff0c;…...

编程日记 2025/6/2 17:22:38

云手机技术怎么实现的？

前言 随着亚矩阵云手机在跨境电商、海外社媒矩阵搭建、出海运营、海外广告投放、国内新媒体矩阵运营、品牌应用矩阵运营等领域内的普及和使用&#xff0c;云手机的理念已经被越来越多人所接受和认同。今天我们就一起来浅析一下&#xff0c;到底云手机的技术是怎么实现的&#…...

编程日记 2025/5/29 23:24:39

本地部署Web-Check网站检测与分析利器并实现远程访问实时监测

文章目录 前言1.关于Web-Check2.功能特点3.安装Docker4.创建并启动Web-Check容器5.本地访问测试6.公网远程访问本地Web-Check7.内网穿透工具安装8.创建远程连接公网地址9.使用固定公网地址远程访问 前言 本文我们将详细介绍如何在Ubuntu系统上使用Docker部署Web-Check&#xf…...

编程日记 2025/5/31 23:24:09

简洁明快git入门及github实践教程

简洁明快git入门及github快速入门实践教程 前言git知识概要&#xff1a;一&#xff1a;什么是 Git&#xff1f;二&#xff1a;安装 Git三&#xff1a;配置 Git配置git的用户名和邮箱地址创建仓库 四&#xff1a;Git实践五&#xff1a;远程仓库操作&#xff08;基于git命令使用G…...

编程日记 2025/5/29 12:57:43

doris:本地文件导入

Doris 提供多种方式从本地数据导入&#xff1a; Stream Load Stream Load 是通过 HTTP 协议将本地文件或数据流导入到 Doris 中。Stream Load 是一个同步导入方式&#xff0c;执行导入后返回导入结果&#xff0c;可以通过请求的返回判断导入是否成功。支持导入 CSV、JSON、Pa…...

编程日记 2025/6/3 19:14:34

【网络安全】FortiOS Authentication bypass in Node.js websocket module

文章目录 漏洞说明严重等级影响的产品和解决措施推荐阅读 漏洞说明 FortiOS存在一个使用替代路径或者信道进行身份验证绕过漏洞&#xff0c;可能允许未经身份验证的远程攻击者透过向Node.js WebSocket模块发送特别设计的请求&#xff0c;可能获得超级管理员权限。 Fortinet 官…...

编程日记 2025/6/4 6:47:41

原型与原型链

建议大家看的时候手动画图&#xff01;&#xff01;&#xff01;这点很重要&#xff01;&#xff01;&#xff01; 原型链在结构上很像链表&#xff0c;每个对象中都保存着一个地址&#xff0c;指向当前对象的原型&#xff0c;可以层层向上查找&#xff0c;起到继承的效果。 …...

编程日记 2025/6/3 21:41:51

TIM定时中断

TIM定时中断 文章目录 TIM定时中断1.TIM定时器1.1定时器的定义1.1.1基本定时器1.1.2通用定时器1.1.3高级定时器 2.计数器有预装时序3.定时器结构及涉及的函数解析3.1定时中断基本结构3.2实现步骤3.3TIM本小节的库函数解释说明3.4计数器计数频率和计数器溢出频率 4.定时器定时中…...

编程日记 2025/6/4 8:36:00

Windows 上的 MySQL 8.4.3 和 WSL（Ubuntu）的 MySQL 8.0.40 之间配置 主从同步

在 Windows 上的 MySQL 8.4.3 和 WSL&#xff08;Ubuntu&#xff09;的 MySQL 8.0.40 之间配置 主从同步&#xff08;Master-Slave Replication&#xff09; 的过程略有不同&#xff0c;因为两者的 MySQL 版本和环境存在差异。以下是详细步骤&#xff0c;帮助你完成跨平台的主从…...

编程日记 2025/6/3 17:22:58

中职网络建设与运维ansible服务

ansible服务 填写hosts指定主机范围和控制节点后创建一个脚本&#xff0c;可以利用简化脚本 1. 在linux1上安装系统自带的ansible-core,作为ansible控制节点,linux2-linux7作为ansible的受控节点 Linux1 Linux1-7 Yum install ansible-core -y Vi /etc/ansible/hosts 添加…...

编程日记 2025/6/4 8:35:02

jmeter事务控制器-勾选Generate Parent Sample

1、打开jmeter工具&#xff0c;添加线程组&#xff0c;添加逻辑控制器-事务控制器 2、在事务控制器&#xff0c;勾选Generate parent sample&#xff1a;生成父样本&#xff1b;说明勾选后&#xff0c;事务控制器会作为父节点&#xff0c;其下面的请求作为子节点 3、执行&#…...

编程日记 2025/5/28 20:46:48

win32汇编环境,窗口程序中对多行编辑框的操作

;运行效果 ;win32汇编环境,窗口程序中对多行编辑框的操作 ;比如生成多行编辑框&#xff0c;显示文本、获取文本、设置滚动条、捕获超出文本长度消息等。 ;直接抄进RadAsm可编译运行。重点部分加备注。 ;下面为asm文件 ;>>>>>>>>>>>>>&g…...

编程日记 2025/6/4 8:34:44

Java反射、静态代理、动态代理

往期推荐 Java io模型-CSDN博客 如何设计一个能根据任务优先级来执行的线程池-CSDN博客 Web实时消息推送的几种方案_setmessageinnerhtml is not defined-CSDN博客 yum、dnf、apt包管理工具-CSDN博客 概述 反射机制是在运行状态中&#xff0c;对于任意一个类&#xff0c;都能够…...

编程日记 2025/6/4 8:35:22

在Android 15的设备上关闭edge-to-edge功能

Android 15在开发上有很多更新&#xff0c;当APP的targetSdk设置为35&#xff0c;且设备系统为Android 15时&#xff0c;APP会自动启动edge-to-edge功能。虽然可视面积变大了&#xff0c;但界面布局也会受影响。 如果要强制关闭edge-to-edge功能。可以在style.xml中将windowOp…...

编程日记 2025/6/3 5:07:52

GIS大模型：交通领域方面的应用

文章目录 1. 实时交通流量预测&#xff1a;2. 动态信号灯控制&#xff1a;3. 交通流模式识别&#xff1a;4. 交通事故预警&#xff1a;5. 路径推荐与导航优化&#xff1a;6. 长期交通规划&#xff1a;7. 事件影响分析&#xff1a;8. 智能停车管理&#xff1a; 大模型在交通流量…...

编程日记 2025/6/4 10:48:25

Vi 和 Vim 文本编辑器使用指南

目录 基本模式 查找与替换 Vi&#xff08;Visual&#xff09;和 Vim&#xff08;Vi Improved&#xff09;是两款在 Unix/Linux 系统中广泛使用的文本编辑器。Vim 是 Vi 的改进版本&#xff0c;继承了 Vi 的核心功能&#xff0c;并增加了许多新特性&#xff0c;如语法高亮、多…...

编程日记 2025/6/3 10:06:35

redis acl

redis acl redis 安全访问控制 官网 本文基于redis 6.2.17 版本进行测试验证 使用方式 redis 使用 acl 的配置有2种方式&#xff1a;使用 redis.conf 文件配置&#xff0c;和在 redis.conf 文件中配置 aclfile path 指定外部 aclfile 文件路径 使用 redis.conf 文件配置 …...

编程日记 2025/6/4 6:20:48

Linux Centos 安装Jenkins到服务

一、前言 假设你已经下载了jenkins.war 安装了对应的jdk&#xff0c;下面我们来安装jenkins&#xff0c;以服务的形式安装。 二、安装 1&#xff09;将jenkins.war拷贝到合适的位置&#xff0c;我的位置 /u01/jenkins/ &#xff0c;位置你自己选。 2&#xff09;创建系统用户…...

编程日记 2025/5/29 2:46:39

WINFORM - DevExpress -＞ gridcontrol ----＞控件(ColumnEdit控件)

ImageComboBoxEdit--带图片的下拉菜单 DevExpress&#xff1a;带图片的下拉菜单ImageComboBoxEdit_weixin_34313182的博客-CSDN博客 ImageEdit--图片按钮 DevExpress控件中的gridcontrol表格控件&#xff0c;如何在属性中设置某一列显示为图片&#xff08;图片按钮&#xff…...

编程日记 2025/6/4 6:20:32

工作中redis常用的5种场景

在日常开发工作中&#xff0c;Redis作为一款高性能的内存数据库&#xff0c;凭借其强大的功能特性和卓越的性能表现&#xff0c;已经成为了许多项目中不可或缺的组件。本文将详细介绍Redis在实际工作中最常见的5种应用场景&#xff0c;并附上具体的代码实现。 1. 缓存热点数据…...

编程日记 2025/5/31 7:04:26

得物App利用技术赋能，打造潮流消费“新玩法”

如今&#xff0c;技术的力量正在以前所未有的方式重塑着我们的消费体验。从线上购物到虚拟现实&#xff0c;技术的角色越来越重要&#xff0c;它不仅是推动商业发展的引擎&#xff0c;更是满足年轻消费者多元化、个性化需求的关键。得物App作为一个年轻人喜爱的潮流消费平台&am…...

编程日记 2025/6/4 6:21:04

tomcat状态一直是Exited (1)

docker run -di -p 80:8080 --nametomcat001 你的仓库地址/tomcat:9执行此命令后tomcat一直是Exited(1)状态 解决办法&#xff1a; 用以下命令创建运行 docker run -it --name tomcat001 -p 80:8080 -d 你的仓库地址/tomcat:9 /bin/bash最终结果 tomcat成功启动...

编程日记 2025/5/26 10:49:13

015： 深度学习之正向传播和反向传播

本文为合集收录&#xff0c;欢迎查看合集/专栏链接进行全部合集的系统学习。 合集完整版请参考这里。 上一节介绍了训练和推理的概念&#xff0c;这一节接着训练和推理的概念讲一下&#xff0c;神经网络的正向传播和反向传播。 正反向传播 其实单看正向传播和反向传播这两个…...

编程日记 2025/6/3 3:15:42

ubuntu下安装编译cmake，grpc与protobuf

文章目录 install cmakeinstall grpcinstall protobuf注 install cmake sudo apt-get install -y g make libssl-devcd third_party/cmake-3.17.2./configuresudo make && make installcmake --version install grpc $ sudo apt-get install -y build-essential auto…...

编程日记 2025/6/3 10:42:50

如何在Mac上使用Brew更新Cursor应用程序

在这篇博文中&#xff0c;我们将介绍如何在Mac上更新Cursor应用程序&#xff0c;以及一些相关的使用技巧和功能。 什么是Cursor&#xff1f; Cursor是一款强大的工具&#xff0c;旨在帮助用户更好地编写、编辑和讨论代码。它结合了AI技术&#xff0c;使得编程过程更加高效和便…...

编程日记 2025/6/4 11:02:38

玩转大语言模型——使用graphRAG+Ollama构建知识图谱

系列文章目录 玩转大语言模型——ollama导入huggingface下载的模型 玩转大语言模型——langchain调用ollama视觉多模态语言模型 文章目录 系列文章目录前言下载和安装用下载项目的方式下载并安装用pip方式下载并安装 生成知识图谱初始化文件夹修改模型配置修改知识库生成配置创…...

编程日记 2025/6/3 2:42:02

LevelDB 源码阅读：如何优雅地合并写入和删除操作

LevelDB 支持写入单个键值对和批量写入多个键值对&#xff0c;这两种操作的处理流程本质上是相同的&#xff0c;都会被封装进一个 WriteBatch 对象中&#xff0c;这样就可以提高写操作的效率。 在 LevelDB 中&#xff0c;WriteBatch 是通过一个简单的数据结构实现的&#xff0…...

编程日记 2025/6/3 10:43:57

Vue.js 组件的生命周期钩子

Vue.js 组件的生命周期钩子 在 Vue.js 中&#xff0c;组件的生命周期是指组件从创建到销毁的整个过程。在这个过程中&#xff0c;Vue 提供了多个 生命周期钩子&#xff0c;让我们可以在不同的阶段执行特定的逻辑。掌握这些钩子非常重要&#xff0c;它们能帮助我们灵活控制组件…...

编程日记 2025/6/3 10:44:31

VD：生成a2l文件

目录 前言Simulink合并地址 ASAP2 editor 前言 我之前的方法都是通过Simulink模型生成代码的过程中顺便就把a2l文件生成出来了&#xff0c;这时的a2l文件还没有地址&#xff0c;所以紧接着会去通过elf文件更新地址&#xff0c;一直以为这是固定的流程和方法&#xff0c;今天无…...

编程日记 2025/6/3 10:43:06

【C++ 类和对象 进阶篇】—— 逻辑森林的灵动精灵，舞动类与对象的奇幻圆舞曲

欢迎来到ZyyOvO的博客✨&#xff0c;一个关于探索技术的角落&#xff0c;记录学习的点滴&#x1f4d6;&#xff0c;分享实用的技巧&#x1f6e0;️&#xff0c;偶尔还有一些奇思妙想&#x1f4a1; 本文由ZyyOvO原创✍️&#xff0c;感谢支持❤️&#xff01;请尊重原创&#x1…...

编程日记 2025/6/3 10:43:42

【Hive】海量数据存储利器之Hive库原理初探

文章目录 一、背景二、数据仓库2.1 数据仓库概念2.2 数据仓库分层架构2.2.1 数仓分层思想和标准2.2.2 阿里巴巴数仓3层架构2.2.3 ETL和ELT2.2.4 为什么要分层 2.3 数据仓库特征2.3.1 面向主题性2.3.2 集成性2.3.3 非易失性2.3.4 时变性 三、hive库3.1 hive概述3.2 hive架构3.2.…...

编程日记 2025/6/3 10:44:15

前端web

学习笔记&#xff1a; 基本属性 color: 设置文本的颜色。代码&#xff1a;color: red;background-color: 设置元素的背景颜色。background-color: blue;font-size: 设置文本的大小font-size: 16px;font-family: 设置文本的字体font-family: Arial, sans-serif;text-align: 设…...

编程日记 2025/6/3 10:43:23

如何通过 Nginx 实现 CouchDB 集群的负载均衡并监控请求分发

在现代分布式系统中&#xff0c;负载均衡是确保高可用性和性能的关键组件。CouchDB 是一个强大的分布式数据库&#xff0c;而 Nginx 是一个高性能的反向代理和负载均衡器。本文将详细介绍如何通过 Nginx 实现 CouchDB 集群的负载均衡&#xff0c;并监控请求被分发到哪一台 Couc…...

编程日记 2025/6/4 5:53:03

基于代理的RAG实现-Agentic RAG

基于代理的RAG实现-Agentic RAG Agentic RAG 体系结构中&#xff0c;不再被动地响应查询请求&#xff0c;而是主动地分析初步检索到的信息&#xff0c;并基于对任务复杂性的评估&#xff0c;战略性地选择最为合适的工具和方法进行进一步的数据检索和处理。这种多步骤推理和决策…...

编程日记 2025/6/3 10:08:48

ZIP怎么加密？

想要禁止他人随意解压zip压缩包&#xff0c;我们可以加密zip文件&#xff0c;那么zip设置密码的方法有哪些&#xff1f;今天分享三个加密方法 工具&#xff1a;WinRAR&#xff0c;这里需要注意&#xff0c;WinRAR默认压缩格式是.rar&#xff0c;所以我们想要加密zip文件&#…...

编程日记 2025/6/2 22:09:03