基于yolov8、yolov5的铝材缺陷检测识别系统（含UI界面、训练好的模型、Python代码、数据集）
摘要：铝材缺陷检测在现代工业生产和质量管理中具有重要意义，不仅能帮助企业实时监控铝材质量，还为智能化生产系统提供了可靠的数据支撑。本文介绍了一款基于YOLOv8、YOLOv5等深度学习框架的铝材缺陷检测模型，该模型使用了大量包含不同类型缺陷的铝材图像进行训练，能够准确识别各种复杂条件下的缺陷类型，包括裂纹、孔洞、腐蚀和表面划痕等。系统对多种生产场景进行了适配，支持在复杂光照条件、非均匀表面和缺陷遮挡情况下的精准检测。
此外，我们开发了一款带有UI界面的铝材缺陷检测系统，支持实时分析铝材表面缺陷，并通过图形界面直观展示检测结果。系统基于Python与PyQt5开发，能够处理图片、视频及生产线实时采集的铝材数据，检测结果可以保存以供后续分析。本文还提供了完整的Python代码及详细的使用指南，供有兴趣的读者参考，完整代码资源请见文章末尾。
通过这款铝材缺陷检测系统，企业可以高效实现铝材的自动化质量检测与管理，广泛应用于工业生产线、质量控制、设备维护等场景，从而优化生产效率，提升产品品质。
项目介绍
项目中所用到的算法模型和数据集等信息如下：
算法模型：
yolov8、yolov8 + SE注意力机制 或 yolov5、yolov5 + SE注意力机制 ， 直接提供最少两个训练好的模型。模型十分重要，因为有些同学的电脑没有 GPU，无法自行训练。
数据集：
网上下载的数据集，格式都已转好，可直接使用。
界面：
PyQt5
以上是本篇博客的简单说明，添加注意力机制可作为模型的创新点 。
前言
铝材缺陷检测在现代工业生产和质量管理中，对于提升产品质量和优化生产效率具有重要意义。通过快速且精准地检测铝材表面缺陷，制造企业和质量控制部门能够实时掌握产品质量状态，及时发现问题并进行修复，从而减少不合格产品的流出，提高生产效率和经济效益。尤其是在高标准要求的航空航天、汽车制造和建筑材料等领域，铝材缺陷检测技术是确保产品质量和满足客户需求的重要工具。同时，检测系统还能为生产数据分析人员提供实时数据反馈，帮助他们分析缺陷模式和生产工艺问题，制定更科学的生产优化策略。
铝材缺陷检测技术已经在工业生产、质量控制、设备维护等多个领域得到广泛应用。借助高效准确的检测系统，生产和质量管理人员可以实时监测铝材的生产状态，自动收集和分析缺陷数据，提升质量管理效率并优化生产流程。
在现代工业管理和生产优化中，铝材缺陷检测系统可以与其他智能化系统协作，如生产质量管理平台、设备预测性维护系统和生产数据分析平台，形成完整的智能制造解决方案，帮助企业更好地掌握生产动态并优化工艺流程。在大规模制造场景或复杂生产环境中，系统能够迅速检测并分类铝材缺陷，为生产优化和质量控制提供及时可靠的信息。
本文基于YOLOv8、YOLOv5等目标检测技术，结合Python与PyQt5开发了一款铝材缺陷检测系统。该系统支持图片、视频及摄像头输入的实时检测，能够精准识别铝材的裂纹、孔洞、划痕等缺陷，并保存检测结果，为用户提供直观、便捷的使用体验，助力企业高效、智能地进行质量管理与生产优化。
目录
- 项目介绍
- 前言
- 功能展示：
- 🌟 一、数据集介绍
- 🌟 二、深度学习算法介绍
- 1. yolov8相关介绍
- 2. yolov5相关介绍
- 3. PyQt5介绍
- 🌟 四、模型训练步骤
- 🌟 五、模型评估步骤
- 🌟 六、训练结果
- 结束语 🌟 🌟🌟🌟
功能展示：
部分核心功能如下：
- 功能1： 支持单张图片识别
- 功能2： 支持遍历文件夹识别
- 功能3： 支持识别视频文件
- 功能4： 支持摄像头识别
- 功能5： 支持结果文件导出（xls格式）
- 功能6： 支持切换检测到的目标查看
更多的其他功能可以通过下方视频演示查看。
基于深度学习的铝材缺陷检测识别系统（yolov8）
🌟 一、数据集介绍
已经分好 train、val、test文件夹，也提供转好的yolo格式的标注文件，可以直接使用。
1600张左右
🌟 二、深度学习算法介绍
本系统集成了多个不同的算法版本和界面版本，以下是对这些版本的概述：
算法版本方面，系统提供了多种深度学习算法和传统图像处理技术，用户可以选择最合适的算法进行任务处理。此外，各算法版本经过严格的测试和优化，以提供更高的准确率和效率。
在界面版本方面，系统设计了多种用户界面风格，可以选择简约、直观的界面，快速上手进行操作；也可以选择功能丰富的专业界面，满足复杂任务的需求。界面设计注重用户体验，确保用户在操作过程中能够方便地访问各种功能。
此外，系统还支持实时更新和扩展，可以根随时添加新的算法模块或界面选项。这种灵活性不仅提高了系统的适用性，也为未来的技术发展预留了空间。
总之，本系统通过多个算法和界面版本的组合，提供了丰富的选择和强大的功能。
下面是对包含到的算法的大概介绍：
1. yolov8相关介绍
YOLOv8 是当前深度学习领域内的一个SOTA（State-Of-The-Art）模型，凭借其前代版本的技术积累，再次引领了目标检测算法的发展方向。与其前辈不同，YOLOv8在模型结构和计算方式上都做了创新性调整，旨在实现更高效的计算和更灵活的应用场景适应能力。全新的骨干网络设计，结合Anchor-Free 检测头，让模型在面对不同输入尺寸、不同目标尺度时的表现更加出色，极大提升了性能和准确性。
此外，YOLOv8 的另一个重要进步在于它采用了全新的损失函数，使得训练过程更加稳定和高效。无论是在传统的CPU平台上运行，还是在更强大的GPU平台上进行加速，YOLOv8 都能够适应不同硬件资源的场景，确保在各种场合下保持高效的推理速度和精确的检测能力。
不过，值得注意的是，ultralytics 这一开发团队并没有直接将其开源库命名为 YOLOv8，而是采用了ultralytics的品牌名来命名整个项目。这并非单纯的命名策略，而是反映了其定位的重大变化。ultralytics 将这个库不仅视为一个算法框架，而非仅仅一个 YOLO 版本的延续。其设计目标之一是打造一个能够适应不同任务的算法平台，无论是目标检测、分类、分割，还是姿态估计，都能够在这个框架中被高效地支持。
这也意味着，未来的ultralytics 开源库将不仅限于 YOLO 系列，它的可扩展性为用户提供了更大的可能性。无论是使用非 YOLO 系列模型，还是面对不同应用领域的特定需求，ultralytics都提供了灵活且高效的解决方案。
总的来说，ultralytics 开源库 的优势可以归纳为以下几个要点：
-
融合当前最前沿的深度学习技术，让用户可以轻松实现复杂的计算任务。
-
具有极高的扩展性，未来将不仅支持 YOLO 系列，还会支持更多非 YOLO 的算法，适用于广泛的任务场景。
如此一来，ultralytics 不仅能够帮助开发者在算法研究和工程应用上取得突破，更能推动未来智能视觉领域的进一步发展。
网络结构如下：
2. yolov5相关介绍
YOLOV5有YOLOv5n，YOLOv5s，YOLOv5m，YOLOV5l、YOLO5x五个版本。这个模型的结构基本一样，不同的是deth_multiole模型深度和width_multiole模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOV5n网络是YOLOV5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。不过最常用的一般都是yolov5s模型。
本系统采用了基于深度学习的目标检测算法YOLOv5，该算法是YOLO系列算法的较新版本，相比于YOLOv3和YOLOv4，YOLOv5在检测精度和速度上都有很大的提升。YOLOv5算法的核心思想是将目标检测问题转化为一个回归问题。此外，YOLOv5还引入了一种称为SPP(Spatial Pyramid Pooling)的特征提取方法，这种方法可以在不增加计算量的情况下，有效地提取多尺度特征，提高检测性能。
在YOLOv5中，首先将输入图像通过骨干网络进行特征提取，得到一系列特征图。然后，通过对这些特征图进行处理，将其转化为一组检测框和相应的类别概率分数，即每个检测框所属的物体类别以及该物体的置信度。YOLOv5中的特征提取网络使用CSPNet(Cross Stage Partial Network)结构，它将输入特征图分为两部分，一部分通过一系列卷积层进行处理，另一部分直接进行下采样，最后将这两部分特征图进行融合。这种设计使得网络具有更强的非线性表达能力，可以更好地处理目标检测任务中的复杂背景和多样化物体。
在YOLOv5中，每个检测框通过其左上角坐标（x, y）、宽度（w）、高度（h）以及置信度（confidence）来表示。此外，YOLOv5对于每个检测框还会预测C个类别的概率得分，每个类别的概率得分总和为1。这意味着每个检测框最终可以被表示为一个维度为(C+5)的向量，包括类别概率、位置和置信度信息。
在训练过程中，YOLOv5使用了交叉熵损失函数来优化模型，该损失函数由定位损失、置信度损失和分类损失三个部分组成。YOLOv5还采用了Focal Loss和IoU Loss等优化方法，以缓解正负样本不平衡及目标尺寸变化等问题。这些优化不仅提高了模型的准确性，还改善了在不同尺寸目标下的表现。
从网络结构来看，YOLOv5分为四个主要部分：Input（输入）、Backbone（骨干网络）、Neck（颈部结构）和Prediction（预测）。其中，Input部分负责将数据引入网络，采用了Mosaic数据增强技术，能够通过随机裁剪和拼接输入图片，进一步提升网络的泛化能力。
Backbone部分是YOLOv5提取图像特征的关键模块，其特征提取能力直接影响了整个模型的性能表现。相比前代YOLOv4，YOLOv5在Backbone中引入了Focus结构。Focus结构通过切片操作将图片的宽度(W)和高度(H)信息转移到通道空间中，从而实现了2倍的下采样操作，同时保证了不丢失关键信息。
3. PyQt5介绍
PyQt5 是 Python 语言的一个图形用户界面（GUI）开发框架，基于 Qt库 开发而成。Qt 是一个广泛使用的跨平台 C++ 图形库，支持开发适用于 Windows、macOS、Linux 等多个操作系统的应用程序。PyQt5 提供了对 Qt 类库的完整封装，使开发者可以使用 Python 语言构建功能强大、界面美观的桌面应用。
PyQt5 包含了丰富的组件，如窗口、按钮、文本框、表格等，可以通过拖拽和代码的方式快速布局，极大地简化了 GUI 开发流程。同时，它还支持 事件处理 和 信号与槽机制，使得用户与界面之间的交互更加灵活。
通过 PyQt5，开发者能够轻松实现跨平台桌面应用，同时结合 Python 的易用性和 Qt 的强大功能，既适合初学者学习 GUI 编程，也适合资深开发者进行复杂项目的开发。
🌟 四、模型训练步骤
-
使用pycharm打开代码，找到
train.py打开，示例截图如下：
-
修改 model_yaml 的值，以符合实际情况。如果你打算训练 YOLOv8s 模型，请将其修改为 model_yaml = yaml_yolov8s。如果你想训练添加 SE注意力机制 的模型，请将其修改为 model_yaml = yaml_yolov8_SE。
-
修改 data_path 的数据集路径。这里默认指定的是 traindata.yaml 文件。如果你使用的是我提供的数据，可以不用修改。
-
修改 model.train() 中的参数，根据自己的需求和电脑硬件的情况进行调整。
# 文档中对参数有详细的说明 model.train(data=data_path, # 数据集imgsz=640, # 训练图片大小epochs=200, # 训练的轮次batch=2, # 训练batchworkers=0, # 加载数据线程数device='0', # 使用显卡optimizer='SGD', # 优化器project='runs/train', # 模型保存路径name=name, # 模型保存命名) -
修改
traindata.yaml文件， 打开traindata.yaml文件，如下所示：
在这里，只需修改 path 的值，其他的都不用改动（仔细看上面的黄色字体），我提供的数据集默认都是到yolo文件夹，设置到 yolo 这一级即可，修改完后，返回train.py中，执行train.py。 -
打开
train.py，右键执行。
-
出现如下类似的界面代表开始训练了
-
训练完后的模型保存在runs/train文件夹下
🌟 五、模型评估步骤
-
打开
val.py文件，如下图所示：
-
修改
model_pt的值，是自己想要评估的模型路径 -
修改
data_path，根据自己的实际情况修改，具体如何修改，查看上方模型训练中的修改步骤 -
修改
model.val()中的参数，按照自己的需求和电脑硬件的情况更改model.val(data=data_path, # 数据集路径imgsz=300, # 图片大小，要和训练时一样batch=4, # batchworkers=0, # 加载数据线程数conf=0.001, # 设置检测的最小置信度阈值。置信度低于此阈值的检测将被丢弃。iou=0.6, # 设置非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。有助于减少重复检测。device='0', # 使用显卡project='runs/val', # 保存路径name='exp', # 保存命名) -
修改完后，即可执行程序，出现如下截图，代表成功（下图是示例，具体以自己的实际项目为准。）
-
评估后的文件全部保存在在
runs/val/exp...文件夹下
🌟 六、训练结果
我们每次训练后，会在 run/train 文件夹下出现一系列的文件，如下图所示：
如果大家对于上面生成的这些内容（confusion_matrix.png、results.png等）不清楚是什么意思，可以参考一下我写的文档，查看这些指标的具体含义，示例截图如下：
结束语 🌟 🌟🌟🌟
下面图片是对每个文件夹作用的介绍：
其实用yolo算法做系统非常的简单，但是博客文字有限，如果有介绍不明白的地方，也可以看一下下面的视频，也许会更容易理解。
视频里介绍了，如何进行训练、预测，简单修改界面等。
演示与介绍视频： 【基于深度学习的铝材缺陷检测识别系统（yolov8）】
演示与介绍视频： 【基于深度学习的铝材缺陷检测识别系统（yolov5）】
由于博主的能力有限，文中提到的方法虽经过实验验证，但难免存在一些不足之处。为不断提升内容的质量与准确性，欢迎您指出任何错误和疏漏。这不仅将帮助我在下次更新时更加完善和严谨，也能让其他读者受益。您的反馈对我至关重要，能够推动我进一步完善相关内容。
此外，如果您有更优秀的实现方案或独到的见解，也非常欢迎分享。这将为大家提供更多思路与选择，促进我们共同的成长与进步。期待您的宝贵建议与经验交流，非常感谢您的支持！
相关文章：
基于yolov8、yolov5的铝材缺陷检测识别系统（含UI界面、训练好的模型、Python代码、数据集）
摘要：铝材缺陷检测在现代工业生产和质量管理中具有重要意义，不仅能帮助企业实时监控铝材质量，还为智能化生产系统提供了可靠的数据支撑。本文介绍了一款基于YOLOv8、YOLOv5等深度学习框架的铝材缺陷检测模型，该模型使用了大量包含…...
docker 僵尸进程问题
docker僵尸进程 子进程结束后，父进程没有回收该进程资源（父进程可能没有wait），子进程残留资源存放与内核中，就变为僵尸进程(zombie) 场景分析：python脚本A中执行B应用，将A部署在docker中&#…...
Web 毕设篇-适合小白、初级入门练手的 Spring Boot Web 毕业设计项目：电影院后台管理系统（前后端源码 + 数据库 sql 脚本）
🔥博客主页： 【小扳_-CSDN博客】 ❤感谢大家点赞👍收藏⭐评论✍ 文章目录 1.0 项目介绍 2.0 用户登录功能 3.0 用户管理功能 4.0 影院管理功能 5.0 电影管理功能 6.0 影厅管理功能 7.0 电影排片管理功能 8.0 用户评论管理功能 9.0 用户购票功…...
webpack5 的五大核心配置（二）
webpack主要构成部分： entry 入口output 出口loaders 转化器plugins 插件mode 模式devServer 开发服务器 webpack.config.js 配置文件基本格式 module.exports{//入口文件entry:{},//出口文件output:{},//module rules loadersmodule{};//插件plugins:[],//开发…...
Python语法基础（四）
🌈个人主页：羽晨同学 💫个人格言:“成为自己未来的主人~” 高阶函数之map 高阶函数就是说，A函数作为B函数的参数，B函数就是高阶函数 map：映射 map(func,iterable) 这个是map的基本语法，…...
UnityShader——初级篇之开始Unity Shader学习之旅
开始Unity Shader学习之旅 一个最简单的顶点/片元着色器顶点/片元着色器的基本结构模型数据从哪里来顶点着色器和片元着色器之间如何通信如何使用属性 强大的援手：Unity 提供的内置文件和变量内置的包含文件内置的变量 Unity 提供的 Cg/HLSL 语义什么是语义Unity 支…...
Burp入门（6）-自动化漏洞测试理论
声明：学习视频来自b站up主 泷羽sec，如涉及侵权马上删除文章 声明：本文主要用作技术分享，所有内容仅供参考。任何使用或依赖于本文信息所造成的法律后果均与本人无关。请读者自行判断风险，并遵循相关法律法规。 感谢泷…...
【git】git 客户端设置本地缓冲区大小
文章目录 1. 报错2. 解决：增加本地缓冲区 1. 报错 git -c core.quotepathfalse -c log.showSignaturefalse push --progress --porcelain origin refs/heads/master:master Enumerating objects: 17, done. Counting objects: 5% (1/17) Counting objects: 11% …...
Xcode——LLDB Debugger 与断点调试学习
Xcode——LLDB Debugger 与断点调试学习 文章目录 Xcode——LLDB Debugger 与断点调试学习前言介绍打开LLDB命令helpprintexpression 断点调试异常断点——Exception Breakpoint标志断点——Symbolic Breakpointwatchpointset 断点行为condition条件判断 最后参考文章 前言 在…...
linux安全管理-系统环境安全
1 历史命令设置 1、检查内容 检查操作系统的历史命令设置。 2、配置要求 建议操作系统的历史命令设置。 3、配置方法 编辑/etc/profile 文件，配置保留历史命令的条数 HISTSIZE 和保留历史命令的记录文件大小 HISTFILESIZE，这两个都设置为 5。 配置方法如…...
【Maven】依赖冲突如何解决？
准备工作 1、创建一个空工程 maven_dependency_conflict_demo，在 maven_dependency_conflict_demo 创建不同的 Maven 工程模块，用于演示本文的一些点。 什么是依赖冲突？ 当引入同一个依赖的多个不同版本时，就会发生依赖冲突。…...
学习视频超分辨率扩散模型中的空间适应和时间相干性（原文翻译）
文章目录 摘要1. Introduction2. Related Work3. Our Approach3.1. Video Upscaler3.2. Spatial Feature Adaptation Module3.3. Temporal Feature Alignment Module3.4. Video Refiner3.5. Training Strategy 4. Experiments4.1. Experimental Settings4.2. Comparisons with …...
MFC工控项目实例三十四模拟量实时监控数字显示效果
点击监控按钮，对选中模拟量用数字显示效果实时显示数值。 SenSet.cpp中相关代码 UINT m_nCounterID_1[6] { IDC_STATIC0,IDC_STATIC1,IDC_STATIC2,IDC_STATIC3,IDC_STATIC4,IDC_STATIC5,};UINT m_nCounterID_2[7] { IDC_STATIC7,IDC_STATIC8,IDC_STATIC9,IDC_S…...
Z2400032基于Java+Mysql+SSM的校园在线点餐系统的设计与实现 代码 论文
在线点餐系统 1.项目描述2. 技术栈3. 项目结构后端前端 4. 功能模块5. 项目实现步骤注意事项 6.界面展示7.源码获取 1.项目描述 本项目旨在开发一个校园在线点餐系统，通过前后端分离的方式，为在校学生提供便捷的餐厅点餐服务，同时方便餐厅和…...
Linux Deploy安装Debian桌面
下载安装Linux Deploy 下载地址 https://github.com/lateautumn233/Linuxdeploy-Pro/releases/download/3.1.0/app-debug.apk 配置 发行版本：Debian架构：arm64发行版版本：bookworm源地址：http://mirrors.aliyun.com/debian/安装…...
C语言数据相关知识：静态数据、越界与溢出
1、静态数组 在 C 语言中，数组一旦被定义后，占用的内存空间就是固定的，容量就是不可改变的，既不能在任何位置插入元素，也不能在任何位置删除元素，只能读取和修改元素，我们将这样的数组称为静态…...
纯Go语言开发人脸检测、瞳孔/眼睛定位与面部特征检测插件-助力GoFly快速开发框架
前言 开发纯go插件的原因是因为目前 Go 生态系统中几乎所有现有的人脸检测解决方案都是纯粹绑定到一些 C/C 库，如 OpenCV 或 dlib，但通过 cgo 调用 C 程序会引入巨大的延迟，并在性能方面产生显著的权衡。…...
华为ACL应用笔记
1、基本ACL 2000-2999 基本ACL（Access Control List，访问控制列表）是一种网络安全技术，它根据源IP地址、分片信息和生效时间段等信息来定义规则，对报文进行过滤。 规则： ACL由一系列规则组成，每…...
Axios：现代JavaScript HTTP客户端
在当今的Web开发中，与后端服务进行数据交换是必不可少的。Axios是一个基于Promise的HTTP客户端，用于浏览器和node.js，它提供了一个简单的API来执行HTTP请求。本文将介绍Axios的基本概念、优势、安装方法、基本用法以及如何使用Axios下载文件。…...
Qml-TabBar类使用
Qml-TabBar类使用 TabBar的概述 TabBar继承于Container 由TabButton进行填充，可以与提供currentIndex属性的任何容器或布局控件一起使用，如StackLayout 或 SwipeView；contentHeight : real:TabBar的内容高度，用于计算标签栏的隐…...
qt QGraphicsEllipseItem详解
1、概述 QGraphicsEllipseItem是Qt框架中QGraphicsItem的一个子类，它提供了一个可以添加到QGraphicsScene中的椭圆项。QGraphicsEllipseItem表示一个带有填充和轮廓的椭圆，也可以用于表示椭圆段（通过startAngle()和spanAngle()方法ÿ…...
单链表---移除链表元素
对于无头单向不循环链表，给出头结点head与数值val，删除链表中数据值val的所有结点 #define ListNodeDataType val struct ListNode { struct ListNode* psll;ListNodeDataType val; } 方法一---遍历删除 移除所有数值为val的链表结点，…...
Kafka知识体系
一、认识Kafka 1. kafka适用场景 消息系统：kafka不仅具备传统的系统解耦、流量削峰、缓冲、异步通信、可扩展性、可恢复性等功能，还有其他消息系统难以实现的消息顺序消费及消息回溯功能。 存储系统：kafka把消息持久化到磁盘上，…...
Micopython与旋转按钮（Encoder）
一、 encoder.py文件 CLK pin attached to GPIO12DT pin attached to GPIO13GND pin attached to GND 旋转编码器s1->CLK s2->DTimport time from rotary_irq_esp import RotaryIRQ r = RotaryIRQ(pin_num_clk=12, #clk引脚 pin_num_dt=13, #dat…...
联想Lenovo SR650服务器硬件监控指标解读
随着企业IT架构的复杂性和业务需求的增长，服务器的稳定运行变得至关重要。联想Lenovo SR650服务器以其高性能和稳定性，在各类应用场景中发挥着关键作用。为了保障服务器的稳定运行，监控易作为一款专业的IT基础设施监控软件，为联想…...
RAG数据拆分之PDF
引言RAG数据简介PDF解析方法及工具代码实现总结 二、正文内容 引言 本文将介绍如何将RAG数据拆分至PDF格式，并探讨PDF解析的方法和工具，最后提供代码示例。 RAG数据简介 RAG（关系型属性图）是一种用于表示实体及其关系的图数据…...
基于STM32的传感器数据采集系统设计：Qt、RS485、Modbus Rtu协议（代码示例）
一、项目概述 项目目标与用途 本项目旨在设计并实现一个基于STM32F103RCT6微控制器的传感器数据采集系统。该系统通过多个传感器实时监测环境参数，并将采集到的数据传输至上位机进行处理和分析。系统的主要应用领域包括环境监测、工业控制、智能家居等。通过该系统…...
【计网不挂科】计算机网络——＜34道经典简述题＞特训
前言 大家好吖，欢迎来到 YY 滴计算机网络 系列 ，热烈欢迎！ 本章主要内容面向接触过C的老铁 本博客主要内容，收纳了一部门基本的计算机网络题目，供yy应对期中考试复习。大家可以参考 本章为分章节的习题内容题库&#x…...
Spring Web开发（请求）获取JOSN对象| 获取数据（Header）
大家好，我叫小帅今天我们来继续Spring Boot的内容。 文章目录 1. 获取JSON对象2. 获取URL中参数PathVariable3.上传⽂件RequestPart3. 获取Cookie/Session3.1 获取和设置Cookie3.1.1传统获取Cookie3.1.2简洁获取Cookie 3. 2 获取和存储Session3.2.1获取Session&…...
)
算法训练营day22(二叉树08:二叉搜索树的最近公共祖先,插入,删除)
第六章 二叉树part08 今日内容： ● 235. 二叉搜索树的最近公共祖先 ● 701.二叉搜索树中的插入操作 ● 450.删除二叉搜索树中的节点 详细布置 235. 二叉搜索树的最近公共祖先 相对于 二叉树的最近公共祖先 本题就简单一些了，因为 可以利用二叉搜索树的…...
【论文阅读】 Learning to Upsample by Learning to Sample
论文结构目录 一、之前的上采样器二、DySample概述三、不同上采样器比较四、整体架构五、设计过程（1）初步设计（2）第一次修改（3）第二次修改（4）第三次修改 六、DySample四种变体七、复…...
Android 图形系统之五：Gralloc
Gralloc (Graphics Allocator) 是 Android 系统中的关键组件之一，用于管理图形缓冲区的分配、映射以及处理。在 Android 的图形架构中，Gralloc 充当了 HAL (Hardware Abstraction Layer) 的一部分，为系统和硬件提供了通用的接口，使…...
【大数据学习 | Spark调优篇】Spark之内存调优
1. 内存的花费 1）每个Java对象，都有一个对象头，会占用16个字节，主要是包括了一些对象的元信息，比如指向它的类的指针。如果一个对象本身很小，比如就包括了一个int类型的field，那么它的对象头实…...
Spring Data JPA（一） 基础入门
Spring Data JPA（一） 基础入门 JPA 的全称是 Java Persistence API , 即 Java 持久层 API。Spring Data JPA 是 Spring 生态中提出的一套数据库 ORM （对象关系映射）规范、抽象标准，或者说它是对ORM框架实现的顶层抽象…...
Flutter | 基于函数式编程的通用单选列表设计
背景 项目中多次用到如下图的通用单选列表页： 常规封装 此列表需要三样东西： 标题数组当前选中项的 index点击 cell 的回调 封装大体如下： import package:flutter/material.dart;class ListPage1 extends StatefulWidget {const ListPa…...
华三防火墙F1000-AK系列策略路由配置案例（WEB）
1 配置需求或说明 1.1 适用的产品系列 本案例适用于如F1000-AK180、F1000-AK170等F1000-AK系列的防火墙。 1.2 配置需求及实现的效果 防火墙作为网络出口设备，外网有移动和联通两条线路。内网有192.168.1.0和192.168.2.0两个网段，需要实现192.168.1.0网段走移动线路，192…...
Oracle 锁表的解决方法及避免锁表问题的最佳实践
背景介绍 在 Oracle 数据库中，锁表或锁超时相信大家都不陌生，是一个常见的问题，尤其是在执行 DML（数据操作语言）语句时。当一个会话对表或行进行锁定但未提交事务时，其他会话可能会因为等待锁资源而出现超…...
深度学习中的生成对抗网络（GAN）原理与应用
引言 生成对抗网络（Generative Adversarial Network，简称GAN）是由Ian Goodfellow等人在2014年提出的一种深度学习模型，它通过对抗训练的方式生成与真实数据分布相似的假数据。GAN的出现极大地推动了深度学习和生成模型的研究&…...
Swing中JScrollPane面板
一、介绍 在设置界面时，可能会遇到在一个较小的容器窗体中显示一个较大部分的内容的情况，这时可使用JScrollPane面板。JScrollPane面板是带滚动条的面板，是一种容器，但是JScrollPane只能放置一个组件，并且不可使用布局…...
【学习笔记】检测基于RTOS的设计中的堆栈溢出-第2部分
有许多技术可用于检测堆栈溢出。有些使用硬件，而有些则完全在软件中执行。正如我们很快将看到的那样，在硬件中具有这种能力到目前为止是更可取的，因为堆栈溢出可以在发生时立即检测到，事实上，可以避免，因为硬件实际上可以防止对无效访问的写入。 硬件堆栈溢出检测机制通…...
PHP 函数
在php中有非常多的函数，函数这种东西不需要记全，直到怎么使用就行了，如果想了解多点函数，可以查看php官方函数手册，或者参考菜鸟PHP 5 Array 函数 | 菜鸟教程。 创建 PHP 函数 通常函数创建完毕后是用来调用。 语法格…...
centos更换源文件，换源，替换源
期初怎么折腾就是不行，换了源也是不能使用的，最后发现不是换的源不行，而是之前的源文件不行，然后给所有的源文件在yum源统一放在了bak目录下，随后我们再去下载安装源文件。 您将yum源下载之后，先将您的其他…...
【深度学习】四大图像分类网络之VGGNet
2014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司一起研发了新的卷积神经网络，并命名为VGGNet。VGGNet是比AlexNet更深的深度卷积神经网络，该模型获得了2014年ILSVRC竞赛的第二名，…...
线性表-链式描述（C++）
链式实现的线性表： 链式实现的线性表，即链表（Linked List），是一种通过节点（Node）的集合来存储数据的线性数据结构。在链表中，每个节点包含两部分：存储数据的域ÿ…...
C++高阶算法[汇总]
（一）高精度算法概述 高精度算法是指能够处理超出常规数据类型表示范围的数值的算法。在 C 中，标准数据类型通常有固定的位数和精度限制，而高精度算法可以解决大数运算、金融计算和科学计算等领域的问题。 （二&#x…...
机器学习之DeepMind推出的DreamerV3
开放域任务强化学习（Open-Ended Task Reinforcement Learning）的目标是使智能体能够在多样化且未见过的任务中表现出色，同时能够实现任务间的迁移学习。这类研究的重点在于开发通用的学习算法，能够在没有明确任务定义的情况下，从环境中学习并推广到新任务。DeepMind的Drea…...
【Zookeeper】四，Zookeeper节点类型、通知、仲裁、会话
文章目录 Zookeeper的架构znode的版本Zookeeper的节点类型层级树状结构znode的不同类型 Zookeeper监视与通知通知的类型 Zookeeper的仲裁Zk的会话会话的生命周期 Zookeeper的架构 Zookeeper的服务器端运行两种模式：独立模式（standalone）和仲…...
Vue 集成和使用 SQLite 的完整指东
1. 引言 SQLite 是一种轻量级的关系型数据库管理系统，以其简单易用、无需服务器等特点广泛应用于嵌入式系统、移动应用和小型应用程序中。在 Web 开发中，尤其是前端应用开发中，SQLite 可以作为客户端本地存储的一种选择，为用户提…...
CMAKE常用命令详解
NDK List基本用法 Get–获取列表中指定索引的元素 list(Get list_name index output_var)解释 list_name: 要操作集合的名称index: 要取得的元素下标output_var: 保存从集合中取得元素的结果 栗子 list(GET mylist 0 first_element) # 获取第一个元素APPEND–在列表末尾…...
【嵌入式——QT】QT制作安装包
第一步 QT程序写好之后，编译release版本 第二步 拿到release生成的.exe文件 第三步 新建文件夹deploy 第四步 将.exe文件复制到deploy目录下 第五步 在该目录下输入cmd指令，回车 第六步 在打开的命令窗口下输入 windeployqt TegNetCom_1.0.…...