跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

目录

跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

1. 前言

2. 跌倒检测数据集说明

（1）跌倒检测数据集

（2）自定义数据集

3. 基于YOLOv5的跌倒检测模型训练

（1）YOLOv5安装 

（2）准备Train和Test数据

（3）配置数据文件

（4）配置模型文件

（5）重新聚类Anchor（可选）

（6）开始训练

（7）可视化训练过程

（8）常见的错误

4. Python版本跌倒检测效果

5. Android版本跌倒检测和识别效果

6.项目源码下载

1. 前言

这是项目《跌倒检测和识别》系列之《YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)》；项目基于开源YOLOv5项目，实现一个高精度的跌倒检测算法（Fall Down Detection），可实现检测人体的up(站立)，bending(弯腰,蹲下)和down(躺下，摔倒)三种状态；

2ec14abef9d84ebe94113f1f1992c6cc.png

目前，基于YOLOv5s的跌倒检测精度平均值mAP_0.5:0.95=0.73693。为了能部署在手机Android平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度mAP

模型input-sizeparams(M)GFLOPsmAP_0.5:0.95
yolov5s640×6407.216.50.73693
yolov5s05416×4161.71.80.50567
yolov5s05320×3201.71.10.44821

先展示一下跌倒检测和识别效果（三种状态up,bending和down）：

3a3ce27d4ef441019eda36806e00c436.gif8fed04ec3308401d9edf07219afea990.gif

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130250738

更多项目《跌倒检测和识别》系列文章请参考：

  1. 跌倒检测和识别1：跌倒检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/130184256
  2. 跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738

  3. 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824

  4. 跌倒检测和识别4：C++实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250838

f390c8a31a7a443f9b6cde5959cbf83b.gif

2. 跌倒检测数据集说明

（1）跌倒检测数据集

目前收集了约4000的跌倒检测数据集和26000+跌倒分类数据集，关于跌倒检测数据集说明，请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)

148040773b104732813caf4e78b9357f.png

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

  1. 采集图片，建议不少于2000张图片
  2. 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
  3. 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
  4. 生成训练集train.txt和验证集val.txt文件列表
  5. 修改engine/configs/voc_local.yaml的train和val的数据路径
  6. 重新开始训练

da93bc711ce94c209968df81fbcc5ff4.png​​​

3. 基于YOLOv5的跌倒检测模型训练

（1）YOLOv5安装 

训练Pipeline采用YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite , 原始官方代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。

Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应


matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
thop  # FLOPs computation
pybaseutils==0.7.0

 项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

  • 项目开发使用教程和常见问题和解决方法
  • 视频教程：1 手把手教你安装CUDA和cuDNN(1)
  • 视频教程：2 手把手教你安装CUDA和cuDNN(2)
  • 视频教程：3 如何用Anaconda创建pycharm环境
  • 视频教程：4 如何在pycharm中使用Anaconda创建的python环境

（2）准备Train和Test数据

下载跌倒检测数据集， 请参考：跌倒检测和识别1：跌倒检测数据集(含下载链接)

（3）配置数据文件

  • 修改训练和测试数据的路径：engine/configs/voc_local.yaml
  • 注意数据路径分隔符使用【/】,不是【\】
  • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
# 数据路径
path: ""  # dataset root dir

# 注意数据路径分隔符使用【/】,不是【\】
# 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
train:
  - 'D:/home/fall/Fall-Down-Det-v1/train/train.txt'
  - 'D:/home/fall/Fall-Down-Det-v2/train.txt'

val:
  - 'D:/home/fall/Fall-Down-Det-v1/test/test.txt'

test:  # test images (optional)
data_type: voc

# 1.设置类别个数，和要训练的类别名称，ID号从0开始递增
nc: 3  # number of classes
names: { 'up': 0, 'bending': 1, 'down': 2 }

# 2.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别
#nc: 1  # number of classes
#names: { "unique": 0 }

（4）配置模型文件

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。下面是yolov5s05和yolov5s的参数量和计算量对比：

模型input-sizeparams(M)GFLOPs
yolov5s640×6407.216.5
yolov5s05416×4161.71.8
yolov5s05320×3201.71.1

（5）重新聚类Anchor（可选）

官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

 9a26d4fcecb443948888df947ce7f02a.png​​​ 

考虑到跌倒检测数据集，目标框几乎都是竖状的矩形框；原始Anchor是在输入640×640聚类获得的，直接复用原始COCO的Anchor效果可能不太好；因此，这需要我们根据已有的数据集的标注框进行重新聚类获得新的Anchor；这里为了简单，yolov5s直接复用原始Anchor，而yolov5s05_416和yolov5s05_320由于输入分辨率变小，其Anchor也进行等比例缩小，下表给出yolov5s，yolov5s05_416和yolov5s05_320重新调整后Anchor结果：

yolov5s.yamlyolov5s05_416.yamlyolov5s05_320.yaml
​​34400b0f17b24fe884d98bce3f306618.png97599bc3015e4d4693c824069f6d9112.png​​6aa45597fff74352bafd3ae9fc952173.png​​

一点建议：

  • 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类 。
  • 当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

（6）开始训练

整套训练代码非常简单操作，用户只需要填写好对应的数据路径，即可开始训练了。

  • 修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可，可不修改）
  • Linux系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)
#!/usr/bin/env bash

#--------------训练yolov5s--------------
# 输出项目名称路径
project="runs/yolov5s_640"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 4 --project $project


#--------------训练轻量化版本yolov5s05_416--------------
# 输出项目名称路径
project="runs/yolov5s05_416"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05_416.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 416 --workers 4 --project $project


#--------------训练轻量化版本yolov5s05_320--------------
# 输出项目名称路径
project="runs/yolov5s05_320"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05_320.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 320 --workers 4 --project $project
  • Windows系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) 
#!/usr/bin/env bash

#--------------训练yolov5s--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 4 --project runs/yolov5s_640


#--------------训练轻量化版本yolov5s05_416--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 416 --workers 4 --project runs/yolov5s05_416



#--------------训练轻量化版本yolov5s05_320--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 320 --workers 4 --project runs/yolov5s05_320
  • 开始训练：

​​​f633fcb455d1412a8e07686c27bbf330.png

  • 训练数据量比较大，训练时间比较长，请耐心等待哈
  • 训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

训练模型收敛后，yolov5s跌倒检测的mAP指标大约mAP_0.5=0.73693；而，yolov5s05_416 mAP_0.5=0.50567左右；yolov5s05_320 mAP_0.5=0.44821左右；

轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍；相比而言，yolov5s05比yolov5s mAP减低了近30%，对于性能比较弱鸡的手机而言，这个精度是还是可以接受的。

模型input-sizeparams(M)GFLOPsmAP_0.5:0.95
yolov5s640×6407.216.50.73693
yolov5s05416×4161.71.80.50567
yolov5s05320×3201.71.10.44821

（7）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法，在终端输入：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=./data/model/yolov5s_640
​​​5784d7eadc6d40f189624d0db4350612.png
​​​c5884d026c9b4dc3b0514b28b897ed6d.png
​​​1b4336bfbe0f4914be7e3604052002bd.png
​​​29b3ef4964f34374bdadd97af12cd191.png

  当然，在输出目录，也保存很多性能指标的图片

  • 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高（见result.png）

add6a4b4ca7f4996bf4e8c7c5bde41d3.png

  • 这是每个类别的F1-Score分数（见F1_curve.png）

2560b9a30985461981c381359df2a091.png​​​

  • 这是模型的PR曲线（见PR_curve.png）

​​​e96712ea885347fda50383fe7f721e58.png

  • 这是混淆矩阵（见confusion_matrix.png）：

​​​dee437f047be4543869fbeec849b3bc7.png

（8）常见的错误

  • YOLOv5 BUG修复记录
  •  项目安装教程请参考：项目开发使用教程和常见问题和解决方法
  • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！

4. Python版本跌倒检测效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

  • 测试图片
# 测试图片（Linux系统）
image_dir='data/test_image' # 测试图片的目录
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

Windows系统，请将$image_dir， $weights ，$out_dir等变量代替为对应的变量值即可，如

# 测试图片（Windows系统）
python demo.py --image_dir data/test_image --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result
  • 测试视频文件
# 测试视频文件（Linux系统）
video_file="data/test-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir
# 测试视频文件（Windows系统）
python demo.py --video_file data/test-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

  •  测试摄像头
# 测试摄像头（Linux系统）
video_file=0 # 测试摄像头ID
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

# 测试摄像头（Windows系统）
python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

先展示一下跌倒检测效果：

8025d9c74ca84172aa9f460eb1452bbf.gif

 54d6a9a603b84886873371f4e2c0463d.jpeg268b5149a1cb4b4ea94def5aafa8194c.jpeg

 4d2176b19960402d8cdfd7d7e1edb9ea.png494c59e856c54e8483c537985a035fba.png610428a63a43457cbb26db44aa3445fb.png841e06c318024245b292235b41cc909d.png

 如果想进一步提高模型的性能，可以尝试：

  1. ​增加训练的样本数据（重点）： 目前跌倒检测数据集总共仅有4000左右的图片，数据量实在有点少，可增加采集并标注数据，提高模型泛化能力
  2. 建议根据自己的业务场景，采集相关数据进行训练，理论上，固定场景，固定摄像头角度，也可以提高模型的检测精度
  3. 本项目将跌倒分为三种状态：up,bending和down，真实业务中可能只需要检测跌倒状态即可(down)，可以简化模型只预测down的检测框
  4. 使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。
  5. 尝试不同数据增强的组合进行训练

5. Android版本跌倒检测和识别效果

已经完成Android版本跌倒检测和识别算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。详细说明请查看：参考文章：跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：https://blog.csdn.net/guyuealian/article/details/130250824

Android Demo体验：https://download.csdn.net/download/guyuealian/87707747

6ffc996ba44a4ea18086fe19df0e2cc1.gif     b5554c83e93844d285e551fdfea365f5.gif

6.项目源码下载

整套项目源码内容包含：跌倒检测数据集 + YOLOv5训练代码和测试代码

整套项目下载地址：跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)

（1）跌倒检测数据集：

  1. 跌倒检测数据集：Fall-Down-Det-v1和Fall-Down-Det-v2，总共约4000张图片
  2. 跌倒分类数据集：Fall-Down-Cls-v1，Fall-Down-Cls-v2和Fall-Down-Cls-v3，总共26000+张图片
  3. 数据集详细说明，请查看：跌倒检测和识别1：跌倒检测数据集(含下载链接)

（2）YOLOv5训练代码和测试代码（Pytorch）

  1. 整套YOLOv5项目工程，含训练代码train.py和测试代码demo.py
  2. 支持高精度版本yolov5s训练和测试
  3. 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试
  4. 根据本篇博文说明，简单配置即可开始训练：train.py
  5. 源码包含了训练好的yolov5s,yolov5s05_416和yolov5s05_320模型，配置好环境，可直接运行demo.py
  6. 测试代码demo.py支持图片，视频和摄像头测试

 Android跌倒检测APP Demo体验：https://download.csdn.net/download/guyuealian/87707747

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/15436.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

初学Python来用它制作一个简单的界面

初学Python来用它制作一个简单的界面

前言 很多刚开始学习python的宝子，就想着自己开始琢磨一些界面，但是吧很多都是有点难度的，自己又琢磨不透，只能把代码复制粘贴运行 现在就带你们来了解一个制作简单界面的代码 ttkbootstrap 是一个基于 tkinter 的界面美化库&am…
阅读更多...
Spring RabbitMQ 实现消息队列延迟

Spring RabbitMQ 实现消息队列延迟

1.概述 要实现RabbitMQ的消息队列延迟功能，一般采用官方提供的 rabbitmq_delayed_message_exchange插件。但RabbitMQ版本必须是3.5.8以上才支持该插件，否则得用其死信队列功能。 2.安装RabbitMQ延迟插件 检查插件 使用rabbitmq-plugins list命令用于查看…
阅读更多...
workerman开发者必须知道的几个问题

workerman开发者必须知道的几个问题

1、windows环境限制 windows系统下workerman单个进程仅支持200个连接。 windows系统下无法使用count参数设置多进程。 windows系统下无法使用status、stop、reload、restart等命令。 windows系统下无法守护进程，cmd窗口关掉后服务即停止。 windows系统下无法在一个…
阅读更多...
appuploader 常规使用登录方法

appuploader 常规使用登录方法

转载：登录appuploader 登录appuploader 常规使用登录方法 双击appuploader.exe 启动appuploader 点击底部的未登录，弹出登录框 在登录框内输入apple开发者账号 如果没有apple开发者账号，只是普通的apple账号，请勾选上未支付688…
阅读更多...
本地运行 minigpt-4

本地运行 minigpt-4

1.环境部署 参考官方自带的README.MD，如果不想看官方的，也可参考MiniGPT-4｜开源免费可本地进行图像对话交互的国产高级大语言增强视觉语言理解模型安装部署教程 - openAI 当然，所有的都要按照作者说明来，特别是版本号…
阅读更多...
什么是3D渲染，3D渲染在CG项目中为何如此重要？

什么是3D渲染，3D渲染在CG项目中为何如此重要？

随着科技的发展，现如今任何人都可以使用免费软件在个人计算机上创作 3D 图像，当然也有人对于专业 3D 艺术的创作方式及其相关工作流程存在一些误解，认为创建一个模型后，在上面放上材料和纹理，就可以立马得到一个漂亮的…
阅读更多...
SpringCloud源码之OpenFeign

SpringCloud源码之OpenFeign

OpenFeign 基于 OpenFeign 2.2.6.RELEASE版本进行源码阅读 <dependency><groupId>org.springframework.cloud</groupId><artifactId>spring-cloud-starter-openfeign</artifactId><version>2.2.6.RELEASE</version> </dependen…
阅读更多...
【细读Spring Boot源码】监听器合集-持续更新中

【细读Spring Boot源码】监听器合集-持续更新中

前言 监听器汇总 归属监听器名称作用cloudBootstrapApplicationListenercloudLoggingSystemShutdownListenercloudRestartListenercloudLoggingSystemShutdownListenerspringbootEnvironmentPostProcessorApplicationListener用于触发在spring.factories文件中注册的Environm…
阅读更多...
市级大数据中心大数据资源平台概要设计方案（ppt可编辑）

市级大数据中心大数据资源平台概要设计方案（ppt可编辑）

本资料来源公开网络&#xff0c;仅供个人学习&#xff0c;请勿商用&#xff0c;如有侵权请联系删除。 大数据管理中心发展背景 为建设卓越全球城市&#xff0c;实现政府治理能力现代化目标&#xff0c;由市大数据中心牵头&#xff0c;在政务公共数据管理和互联网政务服务方面…
阅读更多...
numpy的下载、数据类型、属性、数组创建

numpy的下载、数据类型、属性、数组创建

下载numpy 因为numpy不依赖于任何一个包所以numpy可以直接使用pip命令直接下载 下载命令&#xff1a; pip install numpy # 默认从https://pypi.org/simple 下载 pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/ # 从清华大学资源站点下载 pip install nump…
阅读更多...
UG NX二次开发(C#)-显示-更改对象颜色

UG NX二次开发(C#)-显示-更改对象颜色

文章目录 1、前言2、UG NX中的更换对象颜色的功能3、采用UG NX二次开发实现颜色修改3.1 采用直接赋值对象颜色不能直接更改对象颜色3.2 采用NewDisplayModification的方法如下：1、前言 当一个三维模型展现在我们面前时，总会有颜色赋予三维模型的对象上，比如红色、蓝色、银灰…
阅读更多...
if条件语句

if条件语句

if条件语句 条件测试 test 测试表达式是否成立&#xff0c;若成立返回0&#xff0c;否则返回其他数值 格式1 &#xff1a;test 条件表达式&#xff1b;格式2 &#xff1a;[ 条件表达式 ] echo $?参数作用-d测试是否为目录 (Directory)-e测试目录或文件是否存在(Exist)-f测…
阅读更多...
直线导轨水平仪零位调整方法

直线导轨水平仪零位调整方法

对于直线导轨的使用&#xff0c;相信很多人都知道&#xff0c;这主要是因为直线导轨的使用范围非常广泛&#xff0c;小到抽屉&#xff0c;大到机械设备&#xff0c;我们都能看到他的身影&#xff0c;接触得多自然就熟悉了。 事实上&#xff0c;大家对直线导轨的了解可能就仅限于…
阅读更多...
Cortex-A7中断详解（一）

Cortex-A7中断详解（一）

STM32中断系统回顾 中断向量表NVIC&#xff08;内嵌向量中断控制器&#xff09;中断使能中断服务函数 中断向量表 中断向量表是一个表&#xff0c;表里面存放的是中断向量。 中断服务程序的入口地址或存放中断服务程序的首地址成为中断向量&#xff0c;因此中断向量表是一系…
阅读更多...
【Linux入门】linux指令(1)

【Linux入门】linux指令(1)

【Linux入门】linux指令&#xff08;1&#xff09; 目录 【Linux入门】linux指令&#xff08;1&#xff09;操作系统登录服务器Linux下的基本指令ls指令pwd指令Linux路径分割符 /cd指令touch指令mkdir指令&#xff08;重要&#xff09;rmdir指令&&rm指令&#xff08;重…
阅读更多...
linux实现网络程序

linux实现网络程序

1️⃣ 在linux下&#xff0c;通过套接字实现服务器和客户端的通信。 2️⃣ 实现单线程、多线程通信。或者实现线程池来通信。 3️⃣ 优化通信&#xff0c;增加守护进程。 有情提醒&#xff0c;类里面默认的函数是内联。内联函数在调用的地方展开&#xff0c;没有函数地址&…
阅读更多...
Mac使用命令行工具解压和压缩rar文件

Mac使用命令行工具解压和压缩rar文件

目前在Mac电脑里支持解压缩的格式主要有&#xff1a;zip、gz等&#xff0c;但是还不支持rar格式的文件&#xff0c;接下来带着大家学习一下如何解压缩rar格式文件。 1.下载rar工具 打开&#xff1a;https://www.rarlab.com/download.htm 根据自己电脑的芯片要求选择自己的安装…
阅读更多...
【计算机基本原理-数据结构】数据结构中树的详解

【计算机基本原理-数据结构】数据结构中树的详解

【计算机基本原理-数据结构】数据结构中树的详解 1&#xff09;总览2&#xff09;树的相关概念3&#xff09;二叉树、满二叉树、完全二叉树4&#xff09;二叉查找树 - BST5&#xff09;平衡二叉树 - AVL6&#xff09;红黑树7&#xff09;哈弗曼树8&#xff09;B 树9&#xff09…
阅读更多...
TCP流量控制与拥塞控制

TCP流量控制与拥塞控制

什么是流量控制 一条TCP连接的每一侧主机都为该连接设置了接收缓存。当该TCP连接接收到正确的、有序的报文段&#xff0c;就会将数据放入接收缓存。相关联的应用会从缓存中读取数据。 如果发送者发送数据过快、过多&#xff0c;而接收方的应用程序从缓冲区读取的速度较慢&…
阅读更多...
机器学习实战教程（十）：逻辑回归

机器学习实战教程（十）：逻辑回归

概述 逻辑回归&#xff08;Logistic Regression&#xff09;是一种用于解决二分类或多分类问题的统计学习方法。它以自变量线性组合的形式进行建模&#xff0c;并使用Sigmoid函数将结果映射到[0, 1]的值域内&#xff0c;表示样本属于某个类别的概率。 Logistic Regression是最…
阅读更多...
最新文章

Copyright @ 2022~2023