超详细YOLOv8姿态检测全程概述：环境、训练、验证与预测详解

目录

yolov8导航

YOLOv8（附带各种任务详细说明链接）

 搭建环境说明

不同版本模型性能对比

不同版本对比

参数解释

模型解释

训练

训练示意代码

训练数据与.yaml配置方法

 .yaml配置

数据集路径

标签数据说明

训练参数说明

训练过程示意及输出文件说明

训练成功示意

 输出文件说明

验证

验证示意代码

验证结果

验证参数

预测

预测示意代码

boxes输出示意

keypoints输出示意

预测参数说明

总结 

yolov8导航

        如果大家想要了解关于yolov8的其他任务和相关内容可以点击这个链接，我这边整理了许多其他任务的说明博文，后续也会持续更新，包括yolov8模型优化、sam等等的相关内容。

YOLOv8（附带各种任务详细说明链接）

 搭建环境说明

        如果不知道如何搭建的小伙伴可以参考这个博文：

        超级详细的！多种方式YOLOV8安装及测试

        操作系统：win10 x64

        编程语言：python3.9

        开发环境：Anaconda

        示例项目下载地址：

        基于YOLOv8-Pose的姿态识别项目，带数据集可直接跑通的源码

不同版本模型性能对比

不同版本对比

模型尺寸 (像素)mAP姿态 50-95mAP姿态 50CPU ONNX 速度 (毫秒)A100 TensorRT 速度 (毫秒)参数 (M)浮点数运算 (B)
YOLOv8n-pose64050.480.1131.81.183.39.2
YOLOv8s-pose64060.086.2233.21.4211.630.2
YOLOv8m-pose64065.088.8456.32.0026.481.0
YOLOv8l-pose64067.690.0784.52.5944.4168.6
YOLOv8x-pose64069.290.21607.13.7369.4263.2
YOLOv8x-pose-p6128071.691.24088.710.0499.11066.4

参数解释

  • 尺寸 (像素): 输入图像的分辨率。
  • mAP姿态 50-95: 模型在多种IoU阈值（从0.50到0.95）上的平均准确率，用于评估模型在姿态估计任务上的总体性能。
  • mAP姿态 50: 在IoU为0.50的阈值上的模型准确率，通常更容易达成，用于评估模型对较大误差的容忍度。
  • CPU ONNX 速度 (毫秒): 在CPU上使用ONNX格式运行时的推理速度。
  • A100 TensorRT 速度 (毫秒): 在NVIDIA A100 GPU上使用TensorRT优化时的推理速度。
  • 参数 (M): 模型中的参数数量，以百万为单位。参数越多，模型通常越复杂。
  • 浮点数运算 (B): 执行一次前向传播所需的浮点运算次数，以十亿为单位。这反映了模型的计算复杂度。

模型解释

  • YOLOv8n-pose: “n”代表“nano”，是系列中最轻量级的模型，适用于计算资源受限的环境。
  • YOLOv8s-pose: “s”代表“small”，是相对轻量级但性能更好的模型，平衡了速度和准确度。
  • YOLOv8m-pose: “m”代表“medium”，是中等大小的模型，提供较高的准确度，适用于需要更准确结果的场景。
  • YOLOv8l-pose: “l”代表“large”，是较大的模型，具有更高的准确度，但速度较慢，适用于高精度要求的应用。
  • YOLOv8x-pose: “x”代表“extra large”，是系列中最大最精确的模型，但速度最慢，适用于对准确度有极高要求的场景。
  • YOLOv8x-pose-p6: 是YOLOv8x的一个变种，使用更大的输入尺寸（1280像素），提供了更高的准确度，但需要更多的计算资源。

训练

训练示意代码

from ultralytics import YOLO


model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')  # 从YAML构建并传输权重

if __name__ == '__main__':
    # 训练模型
    results = model.train(data='coco8-pose.yaml', epochs=10, imgsz=320)
    # 模型验证
    model.val()

  1. 导入 YOLO 类： 从 ultralytics 库导入 YOLO 类。

  2. 创建模型实例： 使用 yolov8n-pose.yaml 配置文件创建一个 YOLO 模型实例，并通过 .load('yolov8n-pose.pt') 方法加载预训练的权重。

  3. 模型训练：

    • 在 if __name__ == '__main__': 条件下，确保训练代码只在直接运行脚本时执行。
    • 使用 model.train() 方法开始训练过程，指定数据集配置文件 coco8-pose.yaml、训练周期 epochs=10 和输入图像大小 imgsz=320。

  4. 模型验证：

    • 使用 model.val() 方法在验证集上评估模型的性能。

训练数据与.yaml配置方法

 .yaml配置

# 数据集的根目录路径。
path: C:/Users/admin/Desktop/CSDN/YOLOV8_DEF/ultralytics-pose/coco8-pose 
# 训练集的相对路径，这里是 path 路径下的 images/train 目录，包含4张训练用图片。
train: images/train
# 验证集的相对路径，这里是 path 路径下的 images/val 目录，包含4张验证用图片。
val: images/val
test:  # test

# 关键点的形状，表示有17个关键点，每个关键点有3个维度（通常是x坐标、y坐标和一个表示可见性的标记）。
kpt_shape: [17, 3]
# 翻转索引，用于在数据增强（如图像翻转）时调整关键点的顺序。
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# 类别名称。
names:
  0: person

# 提供一个可选的下载链接，用于获取数据集。
download: https://ultralytics.com/assets/coco8-pose.zip

数据集路径

         这里需要注意，训练集测试集的图片和标签都要一一对应。同时，注意观察这里面的路径是和 .yaml文件中都是对应的关系。 

标签数据说明

0 0.662641 0.494385 0.674719 0.988771 0.717187 0.189583 2.000000 0.798438 0.127083 2.000000 0.701562 0.091667 2.000000 0.921875 0.118750 2.000000 0.000000 0.000000 0.000000 0.971875 0.379167 2.000000 0.554688 0.262500 2.000000 0.000000 0.000000 0.000000 0.367188 0.427083 2.000000 0.767188 0.772917 2.000000 0.421875 0.500000 2.000000 0.829688 0.960417 1.000000 0.517188 0.881250 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.198031 0.560677 0.392687 0.586521 0.104688 0.522917 2.000000 0.142187 0.481250 2.000000 0.084375 0.468750 2.000000 0.250000 0.497917 2.000000 0.000000 0.000000 0.000000 0.301563 0.633333 2.000000 0.048438 0.635417 2.000000 0.365625 0.833333 1.000000 0.015625 0.858333 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.487922 0.144948 0.200563 0.285396 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.437500 0.145833 2.000000 0.562500 0.108333 2.000000 0.414062 0.287500 1.000000 0.593750 0.225000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.464062 0.400000 1.000000 0.551562 0.395833 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.360898 0.098250 0.106328 0.196500 0.418750 0.041667 1.000000 0.423438 0.027083 1.000000 0.401562 0.031250 2.000000 0.000000 0.000000 0.000000 0.384375 0.045833 2.000000 0.000000 0.000000 0.000000 0.368750 0.091667 2.000000 0.000000 0.000000 0.000000 0.326562 0.177083 2.000000 0.000000 0.000000 0.000000 0.373437 0.108333 2.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.283820 0.093937 0.126391 0.178792 0.264062 0.097917 2.000000 0.273438 0.083333 2.000000 0.254688 0.085417 2.000000 0.296875 0.064583 2.000000 0.000000 0.000000 0.000000 0.335938 0.110417 2.000000 0.257812 0.122917 2.000000 0.331250 0.208333 1.000000 0.237500 0.202083 1.000000 0.304688 0.127083 2.000000 0.239063 0.127083 2.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.101781 0.181698 0.203563 0.363396 0.171875 0.095833 2.000000 0.000000 0.000000 0.000000 0.162500 0.089583 2.000000 0.000000 0.000000 0.000000 0.139063 0.104167 2.000000 0.004687 0.158333 2.000000 0.112500 0.185417 2.000000 0.000000 0.000000 0.000000 0.167187 0.312500 1.000000 0.000000 0.000000 0.000000 0.178125 0.189583 2.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.662703 0.090156 0.054250 0.175229 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.651563 0.033333 2.000000 0.684375 0.033333 2.000000 0.629687 0.070833 1.000000 0.692187 0.081250 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.634375 0.206250 1.000000 0.681250 0.208333 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.586672 0.097323 0.124219 0.194646 0.545312 0.018750 2.000000 0.556250 0.002083 2.000000 0.535937 0.002083 2.000000 0.589063 0.006250 2.000000 0.000000 0.000000 0.000000 0.618750 0.058333 2.000000 0.526563 0.075000 1.000000 0.612500 0.179167 2.000000 0.000000 0.000000 0.000000 0.537500 0.181250 1.000000 0.000000 0.000000 0.000000 0.600000 0.275000 1.000000 0.531250 0.283333 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000

        这些数据来自 coco8-pose 数据集的标签文件，用于描述图像中人物的姿态。每行代表一个图像中的一个人物，格式如下：

  1. 类别ID：每行的第一个数字，这里都是 0，代表 “person” 类别。

  2. 归一化的中心坐标、宽度和高度：

    • 第二个和第三个数字是目标（人物）的中心坐标的 x 和 y，已归一化到 [0, 1] 的范围。
    • 第四个和第五个数字是目标的宽度和高度，同样归一化到 [0, 1] 的范围。

  3. 关键点：之后的每三个数字是一个关键点。每个关键点由以下三个部分组成：

    • 第一个数字（x坐标）：关键点的 x 坐标，归一化到 [0, 1]。
    • 第二个数字（y坐标）：关键点的 y 坐标，归一化到 [0, 1]。
    • 第三个数字：关键点的可见性。通常，1 表示关键点可见，2 表示关键点被遮挡，0 表示关键点不存在或未标记。

         例如，对于一行数据：

0 0.662641 0.494385 0.674719 0.988771 0.717187 0.189583 2.000000 ...

        

  • 0 表示这是类别 “person”。
  • 0.662641 和 0.494385 是人物中心的归一化 x 和 y 坐标。
  • 0.674719 和 0.988771 是归一化的宽度和高度。
  • 接下来的数字 0.717187 0.189583 2.000000 描述了第一个关键点：归一化坐标 (0.717187, 0.189583) 和其可见性状态 2（被遮挡）。

        这种数据格式对于基于关键点的姿态估计任务非常关键，允许模型学习如何识别和定位人体的不同部位。

训练参数说明

训练过程示意及输出文件说明

训练成功示意

         实际上就是模型开始迭代了就成功了，此处省略...

        看到了这个runs\segment\train\weights\best.pt这个路径的时候说明模型已经训练完了，并且把训练的结果已经保存到了这个文件夹中。输出的结果如下： 

 输出文件说明

  1. Weights文件：这是一个模型权重文件，通常以.pt（PyTorch模型）格式保存。它包含了经过训练的神经网络的所有参数和权重。这个文件是模型训练过程的直接产物，用于后续的图像识别和分析任务。

  2. Args.yaml文件：这个文件通常包含了模型训练时使用的配置参数。它详细记录了训练过程中使用的所有设置，如学习率、批大小、训练轮数等。这个文件的目的是为了提供一个清晰的训练配置概览，使得训练过程可以被复现或调整。

  3. F1-置信度曲线 (BoxF1_curve.png)：展示模型预测的F1得分与置信度阈值的关系。

  4. 精确度-置信度曲线 (BoxP_curve.png)：反映了模型预测的精确度随置信度阈值变化的趋势。

  5. 精确度-召回曲线 (BoxPR_curve.png)：表明了精确度与召回率之间的权衡关系。

  6. 召回率-置信度曲线 (BoxR_curve.png)：描绘了召回率随置信度阈值变化的情况。

  7. 混淆矩阵 (confusion_matrix.png)：展示了模型预测结果与真实标签的对比情况。

  8. 归一化混淆矩阵 (confusion_matrix_normalized.png)：混淆矩阵的归一化版本，便于比较不同类别的预测准确率。

  9. 标签分布图 (labels.jpg)：显示了数据集中不同类别标签的分布情况。

  10. 标签相关图 (labels_correlogram.jpg)：展示了数据集中不同标签间的相关性。

  11. 姿势F1-置信度曲线 (PoseF1_curve.png)：特定于姿势检测的F1得分与置信度阈值之间的关系。

  12. 姿势精确度-置信度曲线 (PoseP_curve.png)：针对姿势检测的精确度与置信度阈值的关系图。

  13. results.png：这是一个包含多个图表的总览图，每个小图代表了不同的性能指标，如损失和精确度，随训练过程中的轮次变化。
  14. results.csv：通常这个文件包含了每个训练轮次的具体数值数据，可以用来生成上述的图表。
  15. PosePR_curve.png：展示了姿势检测任务的精确度-召回率曲线，这是评估分类模型好坏的常用方法，特别是在目标检测任务中。
  16. PoseR_curve.png：表示姿势检测任务的召回率与置信度阈值之间的关系，用于找到模型召回率最优化的置信度阈值。

验证

验证示意代码

# 验证模型
metrics = model.val()  # 无需参数，数据集和设置已记忆

        上文中进行模型训练的时候有这个代码，是直接对模型基于验证数据集进行验证测试模型实际预测效果。

验证结果

        当执行完了验证之后会输出如下文件：

验证参数

键值描述
dataNone数据文件的路径，例如 coco128.yaml
imgsz640输入图像的大小，以整数表示
batch16每批图像的数量（AutoBatch 为 -1）
save_jsonFalse将结果保存至 JSON 文件
save_hybridFalse保存混合版本的标签（标签 + 额外预测）
conf0.001用于检测的对象置信度阈值
iou0.6NMS（非极大抑制）用的交并比（IoU）阈值
max_det300每张图像的最大检测数量
halfTrue使用半精度（FP16）
deviceNone运行所用的设备，例如 cuda device=0/1/2/3 或 device=cpu
dnnFalse使用 OpenCV DNN 进行 ONNX 推理
plotsFalse在训练期间显示图表
rectFalse矩形验证，每批图像为了最小填充整齐排列
splitval用于验证的数据集分割，例如 'val'、'test' 或 'train'

预测

预测示意代码

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n-pose.pt')  # 预训练的 YOLOv8n 模型

# 在图片列表上运行批量推理
results = model(['im1.jpg', 'im2.jpg'], save=True)  # 返回 Results 对象列表

# 处理结果列表
for result in results:
    boxes = result.boxes  # 边界框输出的 Boxes 对象
    keypoints = result.keypoints  # 姿态输出的 Keypoints 对象
    print(boxes, masks, keypoints, probs)

boxes输出示意

cls: tensor([0., 0.], device='cuda:0')
conf: tensor([0.9119, 0.2966], device='cuda:0')
data: tensor([[4.3100e+02, 2.1800e+02, 5.5000e+02, 4.9800e+02, 9.1195e-01, 0.0000e+00],
        [4.4000e+02, 1.8000e+02, 4.9300e+02, 2.6900e+02, 2.9657e-01, 0.0000e+00]], device='cuda:0')
id: None
is_track: False
orig_shape: (500, 727)
shape: torch.Size([2, 6])
xywh: tensor([[490.5000, 358.0000, 119.0000, 280.0000],
        [466.5000, 224.5000,  53.0000,  89.0000]], device='cuda:0')
xywhn: tensor([[0.6747, 0.7160, 0.1637, 0.5600],
        [0.6417, 0.4490, 0.0729, 0.1780]], device='cuda:0')
xyxy: tensor([[431., 218., 550., 498.],
        [440., 180., 493., 269.]], device='cuda:0')
xyxyn: tensor([[0.5928, 0.4360, 0.7565, 0.9960],
        [0.6052, 0.3600, 0.6781, 0.5380]], device='cuda:0')

Process finished with exit code 0

keypoints输出示意

conf: tensor([[0.1623, 0.0385, 0.0703, 0.4830, 0.6888, 0.9871, 0.9915, 0.9602, 0.9762, 0.9018, 0.9322, 0.9988, 0.9990, 0.9975, 0.9980, 0.9871, 0.9890],
        [0.9038, 0.8243, 0.8706, 0.5569, 0.6885, 0.9573, 0.9722, 0.7333, 0.8560, 0.6121, 0.7367, 0.8585, 0.8884, 0.4269, 0.4872, 0.1876, 0.2166]], device='cuda:0')
data: tensor([[[0.0000e+00, 0.0000e+00, 1.6227e-01],
         [0.0000e+00, 0.0000e+00, 3.8458e-02],
         ......,
         [0.0000e+00, 0.0000e+00, 4.8720e-01],
         [0.0000e+00, 0.0000e+00, 1.8759e-01],
         [0.0000e+00, 0.0000e+00, 2.1661e-01]]], device='cuda:0')
has_visible: True
orig_shape: (500, 727)
shape: torch.Size([2, 17, 3])
xy: tensor([[[  0.0000,   0.0000],
         [  0.0000,   0.0000],
         [  0.0000,   0.0000],
         ......,
         [  0.0000,   0.0000],
         [  0.0000,   0.0000]]], device='cuda:0')
xyn: tensor([[[0.0000, 0.0000],
         [0.0000, 0.0000],
         [0.0000, 0.0000],
         ......,
         [0.0000, 0.0000],
         [0.0000, 0.0000]]], device='cuda:0')

        这些参数是深度学习模型YOLOv8-pose分析图像后的输出结果，每个参数的含义如下：

  • cls：类别索引，指示检测对象的类别。
  • conf：置信度，表示模型对其检测结果的置信程度。
  • data：检测到的对象的详细数据，包括位置坐标和置信度。
  • id：如果进行对象跟踪，则是对象的唯一标识符。
  • is_track：是否启用了对象跟踪功能。
  • orig_shape：原始图像的尺寸。
  • shape：返回结果的形状。
  • xywh：边界框的中心坐标和尺寸。
  • xywhn：归一化的边界框中心坐标和尺寸。
  • xyxy：边界框的左上角和右下角坐标。
  • xyxyn：归一化的边界框左上角和右下角坐标。
  • Keypoints 对象：包含人体姿态关键点的置信度和坐标数据。
  • has_visible：指示关键点是否可见。
  • orig_shape：原始图像的尺寸。
  • xy：关键点的 (x, y) 坐标。
  • xyn：关键点坐标的归一化版本。

预测参数说明

名称类型默认值描述
sourcestr'ultralytics/assets'图像或视频的源目录
conffloat0.25检测对象的置信度阈值
ioufloat0.7用于NMS的交并比（IoU）阈值
imgszint or tuple640图像大小，可以是标量或（h, w）列表，例如（640, 480）
halfboolFalse使用半精度（FP16）
deviceNone or strNone运行设备，例如 cuda device=0/1/2/3 或 device=cpu
showboolFalse如果可能，显示结果
saveboolFalse保存带有结果的图像
save_txtboolFalse将结果保存为.txt文件
save_confboolFalse保存带有置信度分数的结果
save_cropboolFalse保存带有结果的裁剪图像
show_labelsboolTrue隐藏标签
show_confboolTrue隐藏置信度分数
max_detint300每张图像的最大检测数量
vid_strideboolFalse视频帧速率跳跃
stream_bufferboolFalse缓冲所有流媒体帧（True）或返回最新帧（False）
line_widthNone or intNone边框线宽度。如果为None，则按图像大小缩放。
visualizeboolFalse可视化模型特征
augmentboolFalse应用图像增强到预测源
agnostic_nmsboolFalse类别不敏感的NMS
retina_masksboolFalse使用高分辨率分割掩码
classesNone or listNone按类别过滤结果，例如 classes=0，或 classes=[0,2,3]
boxesboolTrue在分割预测中显示框

总结 

        本篇博客详细介绍了使用YOLOv8-pose进行姿态估计的全过程，包括不同版本模型的性能比较、训练与验证步骤，以及预测代码的实现。它对模型参数、训练过程和输出结果进行了解释，同时提供了详细的配置文件示例和标签数据格式说明。此外，还演示了如何使用预训练模型进行图像预测，并如何处理和理解预测结果。最后，它还讨论了如何评估和比较不同模型的性能。如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。 

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/280456.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

低代码开发中业务蓝图的重要性：业务需求与系统实现的桥梁

低代码开发中业务蓝图的重要性：业务需求与系统实现的桥梁

在低代码应用开发领域，业务蓝图是一个至关重要的工具，它提供了组织业务流程需求的详细信息。它类似于一份指导开发人员进行应用开发的路线图，确保与业务的战略目标和需求保持一致。 低代码方法学，顾名思义，即减少了传…
阅读更多...
基于AM62x的ARM+FPGA+Codesys低成本软PLC解决方案

基于AM62x的ARM+FPGA+Codesys低成本软PLC解决方案

GPMC并口简介 GPMC(General Purpose Memory Controller)是TI处理器特有的通用存储器控制器接口，支持8/16bit数据位宽，支持128MB访问空间，最高时钟速率133MHz。GPMC是AM62x、AM64x、AM437x、AM335x、AM57x等处理器专用于与外部存储器设备的接口…
阅读更多...
交叉验证的种类和原理（sklearn.model_selection import *）

交叉验证的种类和原理（sklearn.model_selection import *）

交叉验证的种类和原理 所有的来自https://scikit-learn.org/stable/modules/cross_validation.html#cross-validation-iterators并掺杂了自己的理解。 文章目录 前言一、基础知识1.1 交叉验证图形表示1.2 交叉验证主要类别 二、部分交叉验证函数（每类一个&#xff0…
阅读更多...
SQL注入【ByPass有点难的靶场实战】(九)

SQL注入【ByPass有点难的靶场实战】(九)

★★免责声明★★ 文章中涉及的程序(方法)可能带有攻击性，仅供安全研究与学习之用，读者将信息做其他用途，由Ta承担全部法律及连带责任，文章作者不承担任何法律及连带责任。 0、总体思路 先确认是否可以SQL注入，使用单…
阅读更多...
Unity坦克大战开发全流程——开始场景——设置界面

Unity坦克大战开发全流程——开始场景——设置界面

开始场景——设置界面 step1：设置面板的背景图 照着这个来设置就行了 step2：写代码 关联的按钮控件 监听事件函数 注意：要在start函数中再写一行HideMe函数，以便该面板能在一开始就能隐藏自己。 再在BeginPanel脚本中调用该函数即…
阅读更多...
ESP32入门六(读取引脚的模拟信号[2]:信号出现误差的原因)

ESP32入门六(读取引脚的模拟信号[2]:信号出现误差的原因)

在之前的章节中，我们测试了用ESP32来接收模拟电压信号，在测试中，读取到的数据与现实存在一定的误差，在这一篇中，我们尝试了解出现误差的原因和解决方法。 对于出现的误差，有多种软件和硬件方面的原因: 一、…
阅读更多...
红黑树的删除

红黑树的删除

导航链接 红黑树的性质     红黑树的旋转、变色     红黑树的插入     红黑树的删除 文章目录 导航链接二叉搜索树如何删除结点？场景一：删除没有孩子的结点场景二：删除有一个孩子的结点场景三：删除有两个孩子的结点 红…
阅读更多...
海康visionmaster-分支字符：控制调试模式开关的方

海康visionmaster-分支字符：控制调试模式开关的方

在图的右边分支字符模块有两个分支，通过 C#代码 GetParamValue 函数可以看到调试模 式的相关参数 ModuleInfoList 的值为：4#1#0KaTeX parse error: Expected EOF, got # at position 3: 10#̲0#0。其中分支 4#1#0$的 4 表示模 块 id，1 表示这…
阅读更多...
操作系统：可变分区管理

操作系统：可变分区管理

有作业序列：作业A要求42K；作业B要求27K，作业C要求22K，作业和空闲内存区如下图所示，请画出最佳适应算法空闲队列图，并分析最佳适应算法是否适合该作业系列。 答：最佳适应算法是按照空闲块由小到大…
阅读更多...
Harmony全局应用生命周期 EntryAbility.ts 讲解

Harmony全局应用生命周期 EntryAbility.ts 讲解

之前 我们说过 page页面的生命周期 组件的生命周期 其实他和uni一样有一个整个应用的生命周期 我们如下图打开EntryAbility.ts 这是我们整个程序app的状态控制 他这里也有几个全局的生命周期 比如 我们手机 点开当前 App 启动 app 会触发 它的 onCreate 生命周期 当我们从手…
阅读更多...
前端 js 基础（2）

前端 js 基础（2）

js For In for in 循环遍历 person 对象每次迭代返回一个键 (x)键用于访问键的值键的值为 person[x] 如果索引顺序很重要，请不要在数组上使用 for in。 索引顺序依赖于实现，可能不会按照您期望的顺序访问数组值。 当顺序很重要时，最好使用 f…
阅读更多...
元旦特辑：Note6---选择排序

元旦特辑：Note6---选择排序

目录 前言❌ 1. 基本思想⚠️ 2. 直接选择排序🟢 2.1 思路分析✳️ 2.2 代码实现❎ 2.2.1 sort.h 2.2.2 sort.c 2.2.3 test.c 2.3 问题解决❇️ 2.3.1 sort.c修改 2.4 特性总结✅ 3. 堆排序🔵 3.1 代码实现🏧 3.2 特性总结&…
阅读更多...
Centos安装Kafka（KRaft模式）

Centos安装Kafka（KRaft模式）

1. KRaft引入 Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者在网站中的所有动作流数据。其核心组件包含Producer、Broker、Consumer，以及依赖的Zookeeper集群。其中Zookeeper集群是Kafka用来负责集群元数据的管理、控制器的选举等。 由…
阅读更多...
c++ 简单实用万能异常捕获

c++ 简单实用万能异常捕获

多层捕获异常&#xff0c;逐渐严格。并打印出错信息和位置&#xff1a;哪个文件&#xff0c;哪个函数&#xff0c;具体哪一行代码。 #include <stdexcept> // 包含标准异常类的头文件try {int a 2 / 0; }catch (const std::runtime_error& e) {// 捕获 std::runt…
阅读更多...
浅谈 JSON 对象和 FormData 相互转换，打通前端与后端的通信血脉

浅谈 JSON 对象和 FormData 相互转换，打通前端与后端的通信血脉

前言 大家都知道&#xff0c;前端在和后台进行交互联调时&#xff0c;肯定避免不了要传递参数&#xff0c;一般情况下&#xff0c;params 在 get 请求中使用&#xff0c;而 post 请求下&#xff0c;我们有两种常见的传参方式&#xff1a; JSON 对象格式和 formData 格式&#x…
阅读更多...
AtCoder Beginner Contest 334 G

AtCoder Beginner Contest 334 G

G.Christmas Color Grid 2&#xff08;枚举&#xff0c;Tarjan&#xff09; 题意&#xff1a; 本题与问题 E E E类似。有一个 H H H行和 W W W列的网格&#xff0c;每个单元格都被涂成红色或绿色。用 ( i , j ) (i,j) (i,j)表示从上到下第 i i i行、从左到右第 j j j列的单元…
阅读更多...
UIToolKit使用心得

UIToolKit使用心得

起因 因为那个uitoolkit自己写了一套graphView&#xff0c;所以想着来用用但是用完之后发现也不过如此 怎么构建自己的组件 我在继承Node之后想修改node的样式该怎么办呢是这样的。先用pick点击默认的node节点元素- 在pick默认创建的node节点之后&#xff0c;可以把它的uxml…
阅读更多...
跨境电商迎来综合竞争力比拼时代 五大趋势解读跨境2024

跨境电商迎来综合竞争力比拼时代 五大趋势解读跨境2024

过去几年&#xff0c;跨境电商成为外贸出口增长的一大亮点&#xff0c;随着年底国务院办公厅《关于加快内外贸一体化发展的若干措施》的发布&#xff0c;跨境电商在促进经济发展、助力内外贸一体化发展方面的价值更加凸显。 这是跨境电商变化最快的时代&#xff0c;也是跨境电…
阅读更多...
CCSK认证：开启云安全领域的黄金大门

CCSK认证：开启云安全领域的黄金大门

&#x1f31f;你是否对云安全领域充满热情&#xff1f;是否希望提升自己在云安全领域的专业性和竞争力&#xff1f;CCSK认证是你的不二之选&#xff01; &#x1f525;CCSK简介&#xff1a; CCSK是国际云安全联盟&#xff08;Cloud Security Alliance&#xff0c;CSA&#xff…
阅读更多...
Vue3-29-路由-编程式导航的基本使用

Vue3-29-路由-编程式导航的基本使用

补充一个知识点 路由配置中的 name 属性 &#xff1a; 可以给你的 路由 指定 name属性&#xff0c;称之为 命名路由。 这个 name 属性 在 编程式导航 传参时有重要的作用。 命名路由的写法如下 &#xff1a; 像指定 path 一样&#xff0c;直接指定一个 name 属性即可。{path:/d…
阅读更多...
最新文章

Copyright @ 2022~2023