【YOLO 项目实战】（10）YOLO8 环境配置与推理检测

欢迎关注『youcans动手学模型』系列
本专栏内容和资源同步到 GitHub/youcans
【YOLO 项目实战】（1）YOLO5 环境配置与检测
【YOLO 项目实战】（10）YOLO8 环境配置与推理检测


【YOLO5 项目实战】（10）YOLO8 环境配置与检测

    • 1. YOLOv8 简介
      • 1.1 YOLO 家族简史
      • 1.2 YOLOv8 的特点
    • 2. YOLOv8 模型下载与环境配置
      • 2.1 下载 YOLOv8 模型
      • 2.2 虚拟环境配置
      • 2.3 安装 YOLOv8
      • 2.4 配置 PyCharm 编译器
    • 3. 运行 YOLOv5 推理
      • 3.1 下载 YOLOv8 预训练模型
      • 3.2 使用命令行方式进行推理
      • 3.3 使用 Python 接口的调用方式
      • 3.4 参数说明


1. YOLOv8 简介

1.1 YOLO 家族简史

YOLO(You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。

YOLO 开源网址：GitHub - ultralytics/YOLO
YOLOv8 开源网址：GitHub - ultralytics/YOLOv8

  • 2016 年发布的YOLOv2 通过纳入批量归一化、锚框和维度集群改进了原始模型。
  • 2018 年推出的YOLOv3 使用更高效的骨干网络、多锚和空间金字塔池进一步增强了模型的性能。
  • YOLOv4于 2020 年发布，引入了 Mosaic数据增强、新的无锚检测头和新的损失函数等创新技术。
  • YOLOv5进一步提高了模型的性能，并增加了超参数优化、集成实验跟踪和自动导出为常用导出格式等新功能。
  • YOLOv6于 2022 年由美团开源，目前已用于该公司的许多自主配送机器人。
  • YOLOv7增加了额外的任务，如 COCO 关键点数据集的姿势估计。
  • YOLOv8Ultralytics YOLOv8 引入了新的功能和改进，以提高性能、灵活性和效率，支持全方位的视觉人工智能任务、
  • YOLOv9引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 等创新方法。
  • YOLOv10是由清华大学的研究人员使用该软件包创建的。 UltralyticsPython 软件包创建的。该版本通过引入端到端头（End-to-End head），消除了非最大抑制（NMS）要求，实现了实时目标检测的进步。
  • YOLO11 🚀新功能： ’ 最新的 模型可在Ultralytics YOLO 检测、分割、姿势估计、跟踪和分类等多项任务中提供最先进的 (SOTA) 性能，充分利用各种人工智能应用和领域的能力。

1.2 YOLOv8 的特点

YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本，支持图像分类、物体检测和实例分割任务。

YOLOv8 是一个 SOTA 模型，它建立在以前 YOLO 版本的基础上，并引入了新的功能和改进。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。

YOLOv8 算法的主要创新和改进包括：

  1. 提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。与 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求。
  2. 骨干网络和 Neck 部分参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数。
  3. Head 部分相比 YOLOv5 改动较大，换成了主流的解耦头结构，将分类头和检测头分离，同时也从 Anchor-Based 换成了 Anchor-Free。
  4. Loss 计算采用了 TaskAlignedAssigner 正样本分配策略，并引入了 Distribution Focal Loss。
  5. 训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效地提升精度。
    总之，YOLOv8 主要参考了最近提出的诸如 YOLOX、YOLOv6、YOLOv7 和 PPYOLOE 等算法的相关设计，原创的创新点不多，偏重于工程优化。

网络架构：

YOLOv8 官方版的模型结构如下图所示。

在这里插入图片描述

骨干网络和 Neck 的具体变化为：

  • 第一个卷积层的 kernel 从 6x6 变成了 3x3
  • 所有的 C3 模块换成 C2f，结构如下所示，可以发现多了更多的跳层连接和额外的 Split 操作
  • 去掉了 Neck 模块中的 2 个卷积连接层
  • Backbone 中 C2f 的block 数从 3-6-9-3 改成了 3-6-6-3

查看 N/S/M/L/X 等不同大小模型，可以发现 N/S 和 L/X 两组模型只是改了缩放系数，但是 S/M/L 等骨干网络的通道数设置不一样，没有遵循同一套缩放系数。如此设计的原因应该是同一套缩放系数下的通道设置不是最优设计，YOLOv7 网络设计时也没有遵循一套缩放系数作用于所有模型

Head 部分变化很大，其结构如下图所示。

  • 从原先的耦合头变成了解耦头，并且从 YOLOv5 的 Anchor-Based 变成了 Anchor-Free。
  • 使用解耦的分类和回归分支，回归分支使用了 Distribution Focal Loss 中提出的积分形式表示法。

在这里插入图片描述


2. YOLOv8 模型下载与环境配置

2.1 下载 YOLOv8 模型

YOLOv8 开源网址：GitHub - ultralytics/YOLOv8

克隆 repo。

git clone https://github.com/ultralytics/ultralytics

或者直接从 GitHub 网页下载压缩文件，如下图所示。

在下载的 YOLOv8 项目中，包括了项目说明文档：英文版 Readme.md 和中文版 Readme.zh-CN.md 。

在这里插入图片描述


2.2 虚拟环境配置

虚拟环境可以将YOLOv8训练所需的依赖包和其他项目的依赖包隔离开来，避免版本冲突，更加便于管理。

推荐使用 miniconda 搭建Python环境，其安装和使用可以参见：【youcans的深度学习 01】安装环境详解之 miniconda。

（1）创建 yoloV8 环境。

创建名称为 yoloV8 的 Python 环境，Python 版本为3.8。

conda env list
conda create -n yoloV8 python=3.8

conda create -n yoloV8 python=3.8

（2）在所选择的 Python 环境下，安装 yoloV8 项目所需的依赖（安装项目所需的库）。

本项目中的 requirements.txt 文件已经详细列出了所需的库及版本。

# Ultralytics requirements
# Usage: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.21.6
opencv-python>=4.6.0
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.64.0

# Logging -------------------------------------
# tensorboard>=2.4.1
# clearml
# comet

# Plottcondaing ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=6.0  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2022.3  # OpenVINO export

# Extras --------------------------------------
psutil  # system utilization
thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3
# pycocotools>=2.0.6  # COCO mAP
# roboflow

打开 miniconda Prompt，激活刚才创建的 Python 环境 yoloV8，pip 安装所需的库。

conda activate yoloV8
pip install -r requirements.txt

在这里插入图片描述

由于安装 yoloV8 项目所需的第三方库内容很多，如果下载太慢，可以指定下载源，也可以从已有的虚拟环境中复制 Lib\site-package 中的内容，但要检查版本能否满足本项目中的 requirements.txt 的要求。对于未安装的库或版本不满足要求的库，再手动安装，或者接下来在 PyCharm 终端完成（也即：不用担心，详见下文）。


2.3 安装 YOLOv8

  1. 在线安装

YOLOv8 提供了命令行执行方式，但是需要按照要求来进行安装：

pip install ultralytics

这种方式安装方便，但对网络有一定要求，而且不方便对源码的修改（修改后容易出错），因此并不推荐。

  1. 离线安装

将下载的压缩文件（如 ultralytics-8.1.0.zip）解压到 Python 项目文件夹，如"C:\Python|PythonProjects\YOLOv8"。

打开 miniconda Prompt，激活刚才创建的 Python 环境 yoloV8，切换到解压文件夹，pip 安装 YOLOv8。注意安装命令中的 “-e” 和 “.” 之间有一个空格。

conda activate yoloV8
cd C:\Python\PythonProjects\YOLOv8
pip install -e .

在这里插入图片描述

(base) C:\Users\Administrator>conda activate yoloV8

(yoloV8) C:\Users\Administrator>cd C:\Python\PythonProjects\YOLOv8

(yolov8) C:\Python\PythonProjects\YOLOv8>pip install -e .
Obtaining file:///C:/Python/PythonProjects/YOLOv8
  Installing build dependencies ... done
  Checking if build backend supports build_editable ... done
  Getting requirements to build editable ... done
  Preparing editable metadata (pyproject.toml) ... done
...

Building wheels for collected packages: ultralytics
...

Successfully built ultralytics
Installing collected packages: hub-sdk, thop, ultralytics
Successfully installed hub-sdk-0.0.17 thop-0.1.1.post2209072238 ultralytics-8.1.0

安装 ultralytics-8.1.0 之后，推荐安装 Jupyterlab 和 tensorboard（非必需），以便观察 loss 变化和修改代码。

pip install jupyterlab tensorboard

  1. 安装测试

安装 ultralytics-8.1.0 之后，在该环境下（miniconda Prompt）直接输入 “yolo”：

yolo help

如下图所示，系统给出 YOLOv8 的帮助提示信息，说明安装成功。
在这里插入图片描述


2.4 配置 PyCharm 编译器

（1）使用 PyCharm 编辑器打开下载的 YOLOv8 项目。

（2）在 PyCharm 的菜单 “文件-设置-项目-Python 解释器(python interpreter)” 中，为项目配置 Python 环境。注意要求 Python>=3.8.0 环境。

这个步骤需要用户根据计算机的 Python 环境来选择，但该环境中需要安装 PyTorch 等 Python 库。注意要求 PyTorch>=1.8 。

例如，点击 “add interpreter”，选择刚才创建的虚拟环境 yoloV8 的编译器，默认路径是 C:/Users/Administrator/ .conda/envs/yolov8/python.exe。

在这里插入图片描述

（3）配置 PyCharm 终端（Terminal）。
打开 miniconda Prompt 文件，鼠标右键点击属性，查看目标位置，复制 cmd.exe 及后面的内容。将复制的路径填入 PyCharm 设置中的 “文件-设置-工具-shell 路径”，如下图所示。
在这里插入图片描述

（4）在 Pycharm 终端安装项目依赖（所需的第三方包）。

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install yolo -i https://pypi.tuna.tsinghua.edu.cn/simple

配置完成后，在 PyCharm 的命令行窗口，激活 YOLOv8 虚拟环境，输入 “yolo help” 。如下图所示，系统给出 YOLOv8 的帮助提示信息，说明配置成功。
在这里插入图片描述


3. 运行 YOLOv5 推理

3.1 下载 YOLOv8 预训练模型

使用 YOLOv8 进行推理，首先要下载 YOLOv8 预训练模型。

在 YOLO/GitHub 项目仓，提供了检测（Detection）、分类（Classification）、分割（Segmentation）、姿态估计（Pose）、定向边界框检测（OBB）等任务的预训练模型。YOLOv8 有多个不同规模的模型，从小到大依次是：YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x。这些模型与各种操作模式兼容，包括推理、验证、训练和导出，便于在部署和开发的不同阶段使用。

点击所需的即可下载。

在这里插入图片描述

由于 YOLO 更新很快，主页的文档（包括README）经常更新，YOLOv8 预训练模型的入口不容易找，现将下载地址列表如下。

https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n-pose.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s-pose.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8m-pose.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8l-pose.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8x-pose.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n-seg.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s-seg.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8m-seg.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8l-seg.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8x-seg.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n-cls.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s-cls.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8m-cls.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8l-cls.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8x-cls.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8m.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8l.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8x.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n-obb.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s-obb.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8m-obb.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8l-obb.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8x-obb.pt

本文选择 YOLOv8n，参数约 11.2M。下载完成后，将下载的预训练模型文件 yolov8n.pt 放在 YOLOv8 项目的根目录路径下，例如 “C:\Python|PythonProjects\YOLOv8”。


3.2 使用命令行方式进行推理

  1. 使用 miniconda Prompt 命令行，激活 YOLOv8 虚拟环境，输入如下命令对指定图片进行检测。检测结果默认保存在 “.\runs\detect\predict” 目录下。

  2. 在 PyCharm 的命令行窗口，激活 YOLOv8 虚拟环境，输入如下命令对指定图片进行检测。检测结果默认保存在 “.\runs\detect\predict” 目录下。

conda activate yoloV8
yolo predict model=yolov8n.pt source=‘ultralytics/assets/bus.jpg’

注意：
（1）必须先激活 YOLOv8 虚拟环境。
（2）当前路径必须是 YOLOv8 项目所在的目录，例如 “C:\Python|PythonProjects\YOLOv8”。
（3）预训练模型 yolov8n.pt 必须保存在模型配置参数 “model” 指定的路径。例如，如果预训练模型保存在 “C:\Python|PythonProjects\YOLOv8\model\yolov8n.pt”，则将模型配置参数修改为 “model=.\model\yolov8n.pt”。
（4）待检测的图片必须保存在 “source” 指定的路径，可以是图像路径、视频文件、目录、URL 或用于摄像头设备 ID。例如，可以指定网络地址，读取待检测图片。

yolo predict model=yolov8n.pt source=‘https://ultralytics.com/images/bus.jpg’

（5）检测结果默认保存在 “.\runs\detect\predict” 目录下，也可以在命令中使用 “project” 参数，指定保存预测结果的项目目录名称。
（6）完整的写法是：

yolo task=detect mode=predict model=yolov8n.pt source=‘ultralytics/assets/bus.jpg’

在这里插入图片描述


3.3 使用 Python 接口的调用方式

YOLOv8 也提供了 Python 接口的调用方式。

将命令行推理的命令拆开，相当于 2句 Python 程序：

from ultralytics import YOLO

# 加载预训练的YOLO模型
model = YOLO("./yolov8n.pt",task = "detect")

# 使用模型对图像执行对象检测
result = model(source="./ultralytics/assets/Mask01.jpg", save=True)

运行程序，就实现对指定图像文件的检测，并将检测结果保存到文件夹 “./runs/detect/predict”。

在这里插入图片描述

请添加图片描述


3.4 参数说明

model：传入的 model.yaml 文件或者 model.pt 文件，只传 yaml 文件则参数随机初始化
data：训练数据集的配置yaml文件
epochs：训练轮次，默认100
patience：早停训练观察的轮次，默认50
batch：训练批次，默认16
imgsz：训练图片大小，默认640
save：保存训练过程和训练权重，默认开启
save_period：训练过程中每x个轮次保存一次训练模型，默认-1（不开启）
cache：是否采用 ram 进行数据载入，设置True会加快训练速度
device：运行的设备，device=0 为 CUDA，device = cpu 为 CPU
workers：载入数据的线程数，默认为8，一般设为4 以免线程报错
project：项目文件夹的名，默认为 runs 且依次累加
name：用于保存训练文件夹名，默认为 exp 且依次累加
exist_ok：是否覆盖现有保存文件夹，默认 False
pretrained：是否加载预训练权重，默认 False
optimizer：优化器选择，默认 SGD，可选[SGD, Adam, AdamW,RMSProP]
verbose：是否打印详细输出
seed：随机种子，用于复现模型，默认 0
deterministic：设为 True，保证实验的可复现性
single_cls：将多类数据训练为单类，把所有数据当作单类训练，默认 False
image_weights：使用加权图像选择进行训练，默认 False
rect：使用矩形训练，默认 False
cos_lr：使用余弦学习率调度，默认 False
close_mosaic：最后x个轮次禁用马赛克增强，默认10
resume：断点训练，默认 False
lr0：初始化学习率，默认 0.01
lrf：最终学习率，默认 0.01
label_smoothing：标签平滑参数，默认 0.0
dropout：使用dropout正则化(仅对训练进行分类)，默认 0.0

【本节完】


版权声明：
欢迎关注『youcans动手学模型』系列
转发请注明原文链接：
【YOLO 项目实战】（10）YOLO8 环境配置与推理检测
Copyright 2024 youcans
Crated：2024-12-16


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/938150.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

Vue 3: 通过图片链接获取图片颜色，间接设置背景颜色

Vue 3: 通过图片链接获取图片颜色，间接设置背景颜色

在现代Web开发中，动态获取和处理图像数据是一个常见的需求。例如，你可能希望自动提取一张图片的主色调，以便根据这些颜色进行UI主题调整或其他视觉效果的处理。本文将介绍如何在Vue 3项目中，通过一个图片链接获取图片的颜色信息。…
阅读更多...
请确保 $(OutDir)、$(TargetName) 和 $(TargetExt) 属性值与 %(Link.OutputFile) 中指定的值匹配

请确保 $(OutDir)、$(TargetName) 和 $(TargetExt) 属性值与 %(Link.OutputFile) 中指定的值匹配

vs版本升级时，编译时会出现上述问题，如原来在2017下编译的程序，后来改用2019，出现上述问题。需要在解决方案-通用属性-调试源文件下变更相应设置。
阅读更多...
FFmpeg第一话：FFmpeg 简介与环境搭建

FFmpeg第一话：FFmpeg 简介与环境搭建

FFmpeg 探索之旅 一、FFmpeg 简介与环境搭建 二、FFmpeg 解码详解 第一话：FFmpeg 简介与环境搭建 FFmpeg 探索之旅一、前言二、FFmpeg 是什么？三、简单介绍其历史背景四、为什么用 C学习 FFmpeg？（一）高性能优势&#…
阅读更多...
【功能安全】软件安全架构

【功能安全】软件安全架构

目录 01 软件安全架构介绍 02 软件架构设计模板 03 软件架构设计示例 01 软件安全架构介绍
阅读更多...
OpenLinkSaas 2025年1月开发计划

OpenLinkSaas 2025年1月开发计划

先来看看OpenLinkSaas的大目标 在OpenLinkSaas的产品目标中，让开发人员更加方便的使用云资源是目标之一。通过各大云厂商的API，来可视化云上基础设施的数据是远远不够的。我们准备在2025年1月份增加方便管理和运营研发场景下服务器的能力。 这部分的功能…
阅读更多...
【Verilog】实验九 存储器设计与IP调用

【Verilog】实验九 存储器设计与IP调用

一、实验目的 1. 掌握单端口RAM和ROM原理和设计方法。 2. 掌握单端口RAM和ROM的IP生成和调用方法。 2. 掌握ModelSim和VIVADO工具软件。 3. 掌握基本的测试代码编写和FPGA开发板使用方法。 二、实验环境 1. 装有ModelSim和VIVADO的计算机。 2. Sword实验系统。 三、实验…
阅读更多...
元力音乐 1.2.2 | 完全免费无广告的无损音乐听歌下载工具

元力音乐 1.2.2 | 完全免费无广告的无损音乐听歌下载工具

元力音乐是一款音乐听歌和下载工具，提供完全免费且没有任何广告弹窗的用户体验。内置两条线路，用户可以无限次下载无损音质音乐。作者承诺永久免费并长期维护此应用。此外，它还支持导入歌单功能，让用户能够轻松管理和下载喜爱的音…
阅读更多...
生产环境迁移——harbor篇

生产环境迁移——harbor篇

这些年环境迁移干了很多，但是没有总结，想想还是记录一下，以前是下属做，自己统筹就行，现在就剩下孤家寡人了，只好都自己做。还是完整记录下来，供有缘人参考。其实我也是搭了个草台班子。 1 安装…
阅读更多...
电脑问题4[非华为电脑安装华为电脑管家华为荣耀手机多屏协助]

电脑问题4[非华为电脑安装华为电脑管家华为荣耀手机多屏协助]

非华为电脑安装华为电脑管家华为荣耀手机多屏协助 我是荣耀手机之前一直用的是window的"连接手机"功能,电脑控制手机还蛮好用,但是又不能够没有好的电脑控制手机的功能,后来想了想看了看,竟然安装了华为电脑关键,竟然可以顺利连接上荣耀手机,发现还蛮好用! 本文引用…
阅读更多...
KeyFormer：使用注意力分数压缩KV缓存

KeyFormer：使用注意力分数压缩KV缓存

Keyformer: KV Cache Reduction through Key Tokens Selection for Efficient Generative Inference 202403，发表在Mlsys Introduction 优化KV cache的策略，主要是集中在系统级别的优化上，比如FlashAttention、PagedAttention，它…
阅读更多...
linux ibus rime 中文输入法，快速设置为：默认简体 （****)

linux ibus rime 中文输入法，快速设置为：默认简体 （****)

本文环境： ubuntu 22.04 直接 apt install ibus-rime 输入法的安全性，人们应该关注吧！！？？ 云输入法？将用户的输入信息传输到云端吗？ Rime 等的一些输入法，是本地的&…
阅读更多...
【python从入门到精通】-- 第七战：字典

【python从入门到精通】-- 第七战：字典

🌈 个人主页：白子寰 🔥 分类专栏：重生之我在学Linux，C打怪之路，python从入门到精通，数据结构，C语言，C语言题集👈 希望得到您的订阅和支持~ 💡 坚持…
阅读更多...
海外本地化呼叫中心有哪些独特优势？

海外本地化呼叫中心有哪些独特优势？

随着全球化的深入推进，企业越来越注重拓展海外市场，而海外本地化呼叫中心作为企业海外拓展的重要工具，其独特优势逐渐凸显。沃丰科技呼叫中心系统凭借其先进的功能和卓越的服务质量，为众多企业提供了完美的解决方案。 语言与文化…
阅读更多...
优选算法——分治（归并）

优选算法——分治（归并）

1. 归并排序 题目链接&#xff1a;912. 排序数组 - 力扣&#xff08;LeetCode&#xff09; 题目展示&#xff1a; 题目分析&#xff1a;这里我们直接来实现归并排序即可&#xff1b; 代码实现&#xff1a; class Solution {vector<int> tmp;//在全局创建辅助数组&…
阅读更多...
Java从入门到工作1 - 语法

Java从入门到工作1 - 语法

1.1、注解 注解困扰了我很长时间&#xff0c;看了一堆概念。要理解注解&#xff0c;首先得理解两个概念元数据和反射机制 元数据是关于数据的数据。它提供了关于其他数据的信息或描述。例如&#xff0c;在数据库中&#xff0c;记录的结构&#xff08;字段类型、字段名称等&am…
阅读更多...
MySQL其五，索引详解，逻辑架构，SQL优化等概念

MySQL其五，索引详解，逻辑架构，SQL优化等概念

目录 一、索引 1、索引的概念 2、索引的优缺点 3、添加索引的原则 4、索引的分类 5、索引如何使用 6、存储过程讲解 7、测试索引的效率 7、索引的数据结构 8、覆盖索引&#xff08;SQL优化的点&#xff09; 9、最佳左前缀法则&#xff08;SQL优化的点&#xff09; 二…
阅读更多...
简单的go写的websocket协议 im 聊天 服务，流程简单清晰，采用golang编写，flutter im客户端。免费开源哈，随意用

简单的go写的websocket协议 im 聊天 服务，流程简单清晰，采用golang编写，flutter im客户端。免费开源哈，随意用

mini-im 1、说明&#xff1a; 项目地址&#xff1a;https://github.com/haomiao33/minim 1.1、项目介绍&#xff1a; 简单的go写的im服务&#xff0c;流程简单清晰,大部分接口使用的是http&#xff0c;方便流程控制。login服务目前只是用来做服务端推送消息通知到客户端。本…
阅读更多...
多音轨视频使用FFmpeg删除不要音轨方法

多音轨视频使用FFmpeg删除不要音轨方法

近期给孩子找宫崎骏动画&#xff0c;但是有很多是多音轨视频但是默认的都是日语&#xff0c;电视上看没办法所以只能下载后删除音轨文件只保留中文。 方法分两步&#xff0c;先安装FFmpeg在转文件即可。 第一步FFmpeg安装 FFmpeg是一个开源项目&#xff0c;包含了处理视频的…
阅读更多...
GitHub企业版：AWS CodeCommit迁移的最佳路径与技术优势

GitHub企业版：AWS CodeCommit迁移的最佳路径与技术优势

此前&#xff0c;亚马逊网路服务&#xff08;AWS&#xff09;宣布&#xff0c;自2024年7月25日起&#xff0c;AWS CodeCommit不再接受新客户。虽然现有客户可以继续使用该服务&#xff0c;且其安全性、可用性和性能将得到维护&#xff0c;但AWS将不再推出新功能或接受新用户。 …
阅读更多...
龙旗科技社招入职测评：言语理解材料计算图形推理真题北森题库考什么？

龙旗科技社招入职测评：言语理解材料计算图形推理真题北森题库考什么？

龙旗科技社招入职测评北森题库主要考察以下几个方面&#xff1a; 1. **言语逻辑**&#xff1a;这部分的考试时间是10分钟&#xff0c;需要完成10道题目。每题的作答时间被限定为60秒&#xff0c;一旦提交后无法返回修改。题目类型包括总结中心思想、选词填空和推理文章意思。考…
阅读更多...
最新文章

Copyright @ 2022~2023