当前位置：首页 > article >正文

省赛中药检测模型调优

article 2025/6/6 11:17:22

一、baseline性能

Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size120/120      6.91G      1.374      1.145      1.657          3        832: 100%|██████████| 482/482 [00:20<00:00, 23.48it/s]Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 32/32 [00:01<00:00, 19.14it/s]all       1005       2152      0.782      0.739      0.811      0.474120 epochs completed in 0.792 hours.
Optimizer stripped from runs/ChineseMedTrain/exp8/weights/last.pt, 5.5MB
Optimizer stripped from runs/ChineseMedTrain/exp8/weights/best.pt, 5.5MBValidating runs/ChineseMedTrain/exp8/weights/best.pt...
Ultralytics 8.3.7 🚀 Python-3.9.19 torch-2.0.1+cu117 CUDA:0 (NVIDIA GeForce RTX 4090, 24209MiB)
YOLO11n summary (fused): 238 layers, 2,591,902 parameters, 0 gradients, 6.4 GFLOPsClass     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 32/32 [00:02<00:00, 15.02it/s]all       1005       2152      0.788      0.735      0.811      0.474ginseng         34         57      0.869      0.772      0.864      0.483Leech         20         41      0.778      0.769      0.847      0.513JujubaeFructus         18         67      0.829      0.761       0.86      0.491LiliiBulbus         18         19       0.64      0.789      0.835      0.552CoptidisRhizoma         22         22      0.868      0.898       0.96      0.758MumeFructus         21         98      0.716      0.693      0.756      0.372MagnoliaBark         21         45      0.737      0.746      0.814      0.416Oyster         18         24      0.735      0.809      0.846      0.595Seahorse         14         33      0.835      0.424      0.493      0.274Luohanguo         17         21      0.834      0.714      0.793      0.593GlycyrrhizaUralensis         18         25       0.92       0.92      0.978      0.502Sanqi         32         42      0.753      0.714      0.761      0.544TetrapanacisMedulla         19         20      0.859      0.915      0.977      0.622CoicisSemen         24         35       0.88      0.628      0.823      0.492LyciiFructus         20         32      0.829      0.562      0.772      0.411TruestarAnise         18         60      0.853      0.679      0.894      0.376ClamShell         17         67      0.699      0.746      0.765      0.466Chuanxiong         28         69      0.782      0.623      0.766      0.372Garlic         24         70      0.801      0.748      0.793      0.341GinkgoBiloba         27        119      0.767      0.807      0.859      0.532ChrysanthemiFlos         13         20      0.786        0.7      0.734      0.436
AtractylodesMacrocephala         15         23      0.807      0.909      0.886      0.576JuglandisSemen         12         45       0.87      0.448      0.689      0.332TallGastrodiae         17         35      0.577       0.74      0.689      0.339TrionycisCarapax         15         22      0.666      0.636      0.749      0.515AngelicaRoot         18         35       0.78      0.886       0.89      0.538Hawthorn         21         47      0.683      0.366      0.565      0.253CrociStigma         20         22      0.951      0.874      0.948      0.523SerpentisPeriostracum         16         16      0.864      0.875      0.929      0.598EucommiaBark         17         32      0.844      0.781      0.841      0.484ImperataeRhizoma         21         22      0.904      0.909      0.944      0.579LoniceraJaponica         12         25      0.525      0.531      0.549      0.279Zhizi         20        128      0.806      0.336      0.589      0.242Scorpion         13         21      0.812       0.81      0.867      0.619HouttuyniaeHerba         16         16      0.952          1      0.995      0.596EupolyphagaSinensis         19         48      0.641      0.875      0.856      0.509OroxylumIndicum         31         67      0.827      0.821      0.886      0.458CurcumaLonga         34         63      0.718      0.726      0.738      0.444NelumbinisPlumula         17         20      0.797        0.7      0.748      0.458ArecaeSemen         22         66      0.668      0.424       0.71      0.352Scolopendra         19         25      0.801        0.6      0.667      0.437MoriFructus         22         64      0.725      0.688      0.687        0.3
FritillariaeCirrhosaeBulbus         24         26      0.747      0.846       0.87      0.561DioscoreaeRhizoma         23         34      0.896      0.757      0.911       0.45CicadaePeriostracum         17         41      0.824      0.927      0.914      0.531PiperCubeba         21         28      0.825      0.821      0.873      0.504BupleuriRadix         22         25      0.814       0.72      0.889      0.499AntelopeHom         18         48      0.771      0.839      0.853      0.556Pangdahai         19         71      0.859      0.769      0.882      0.575NelumbinisSemen         19         51      0.674       0.73      0.764      0.447
Speed: 0.2ms preprocess, 0.3ms inference, 0.0ms loss, 0.3ms postprocess per image
Results saved to runs/ChineseMedTrain/exp8

二、baseline+ DETR head

提醒：在yolo11之后添加RT-DETR会失败；正确的思路是利用RT-DETR作为baseline

经过测试，采用RT-DETR检测头，导致训练速度降低4倍。

三、baseline+ RepC3K2

改进的点：C3K2重参数化 Rep技术；

 Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size120/120      13.9G      1.225      0.874       1.51         45        352: 100%|██████████| 241/241 [00:18<00:00, 12.76it/s]Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 16/16 [00:01<00:00,  9.69it/s]all       1005       2152      0.833      0.792      0.854      0.527120 epochs completed in 0.716 hours.
Optimizer stripped from runs/ChineseMedTrain/exp2/weights/last.pt, 5.6MB
Optimizer stripped from runs/ChineseMedTrain/exp2/weights/best.pt, 5.6MBValidating runs/ChineseMedTrain/exp2/weights/best.pt...
WARNING ⚠️ validating an untrained model YAML will result in 0 mAP.
Ultralytics 8.3.7 🚀 Python-3.9.19 torch-2.0.1+cu117 CUDA:0 (NVIDIA GeForce RTX 4090, 24209MiB)
YOLO11RepC3K2 summary (fused): 239 layers, 2,591,902 parameters, 0 gradients, 6.4 GFLOPsClass     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 16/16 [00:02<00:00,  6.57it/s]all       1005       2152      0.833       0.79      0.854      0.527ginseng         34         57      0.859      0.853      0.914      0.581Leech         20         41      0.759      0.845      0.884      0.621JujubaeFructus         18         67      0.891      0.856      0.911      0.545LiliiBulbus         18         19       0.82      0.895      0.898      0.563CoptidisRhizoma         22         22      0.868      0.895       0.97      0.799MumeFructus         21         98      0.747      0.694      0.784      0.408MagnoliaBark         21         45      0.889      0.844      0.906      0.521Oyster         18         24      0.756      0.917      0.929      0.685Seahorse         14         33      0.942      0.489      0.593      0.345Luohanguo         17         21      0.767      0.762      0.777      0.618GlycyrrhizaUralensis         18         25      0.886          1      0.989      0.505Sanqi         32         42      0.735      0.714      0.788      0.586TetrapanacisMedulla         19         20      0.959       0.95      0.993      0.626CoicisSemen         24         35      0.936      0.835      0.922       0.59LyciiFructus         20         32      0.832      0.562      0.715      0.428TruestarAnise         18         60      0.936      0.732      0.939      0.415ClamShell         17         67      0.806      0.672      0.801      0.493Chuanxiong         28         69      0.797      0.783      0.803      0.439Garlic         24         70      0.806      0.643      0.817      0.421GinkgoBiloba         27        119       0.86      0.823      0.899      0.572ChrysanthemiFlos         13         20      0.788       0.75       0.71      0.429
AtractylodesMacrocephala         15         23      0.858      0.826      0.902      0.603JuglandisSemen         12         45      0.906      0.639       0.83      0.395TallGastrodiae         17         35      0.726      0.758      0.799      0.436TrionycisCarapax         15         22      0.782      0.818      0.811      0.601AngelicaRoot         18         35      0.877      0.914      0.909      0.586Hawthorn         21         47      0.873      0.638      0.754      0.374CrociStigma         20         22          1      0.952      0.957      0.541SerpentisPeriostracum         16         16      0.853      0.938      0.966      0.736EucommiaBark         17         32      0.854      0.875      0.913      0.572ImperataeRhizoma         21         22      0.913      0.955       0.95      0.621LoniceraJaponica         12         25      0.547        0.6      0.695      0.331Zhizi         20        128       0.82        0.5      0.685      0.309Scorpion         13         21      0.833      0.857      0.873      0.606HouttuyniaeHerba         16         16      0.951          1      0.995       0.65EupolyphagaSinensis         19         48       0.76      0.958       0.88      0.561OroxylumIndicum         31         67      0.838      0.821      0.932       0.51CurcumaLonga         34         63      0.667      0.698      0.815      0.501NelumbinisPlumula         17         20      0.886        0.7      0.777       0.51ArecaeSemen         22         66      0.879      0.667      0.894      0.455Scolopendra         19         25      0.776       0.64      0.638      0.467MoriFructus         22         64      0.719      0.679      0.677      0.307
FritillariaeCirrhosaeBulbus         24         26      0.736      0.846      0.906      0.641DioscoreaeRhizoma         23         34      0.828      0.847      0.909      0.493CicadaePeriostracum         17         41      0.828      0.937      0.914      0.581PiperCubeba         21         28       0.92      0.821      0.869      0.576BupleuriRadix         22         25      0.938        0.8      0.924      0.507AntelopeHom         18         48      0.817      0.812      0.911      0.584Pangdahai         19         71      0.869      0.746      0.874      0.583NelumbinisSemen         19         51      0.763      0.759      0.803      0.512
Speed: 0.4ms preprocess, 0.4ms inference, 0.0ms loss, 0.3ms postprocess per image
Results saved to runs/ChineseMedTrain/exp2

四、baseline+ RepC3K2 + SimSPPF

改进的点：SimSPPF简化SPPF模块；

engine/trainer: task=detect, mode=train, model=yolo11RepC3K2SimSPPF.yaml, data=ultralytics/cfg/datasets/originalChineseMed50.yaml, epochs=120, time=None, patience=150, batch=32, imgsz=640, save=True, save_period=10, cache=False, device=0, workers=8, project=runs/ChineseMedTrain, name=exp3, exist_ok=False, pretrained=/home/wqt/Projects/yolov11/ultralytics/runs/ChineseMedTrain/exp2/weights/best.pt, optimizer=auto, verbose=True, seed=0, deterministic=True, single_cls=False, rect=False, cos_lr=True, close_mosaic=10, resume=False, amp=True, fraction=1.0, profile=False, freeze=None, multi_scale=True, overlap_mask=True, mask_ratio=4, dropout=0.0, val=True, split=val, save_json=False, save_hybrid=False, conf=None, iou=0.7, max_det=300, half=False, dnn=False, plots=True, source=None, vid_stride=1, stream_buffer=False, visualize=False, augment=False, agnostic_nms=False, classes=None, retina_masks=False, embed=None, show=False, save_frames=False, save_txt=False, save_conf=False, save_crop=False, show_labels=True, show_conf=True, show_boxes=True, line_width=None, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=True, opset=None, workspace=4, nms=False, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, pose=12.0, kobj=1.0, label_smoothing=0.0, nbs=64, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.9, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, bgr=0.0, mosaic=1.0, mixup=0.2, copy_paste=0.0, copy_paste_mode=flip, auto_augment=randaugment, erasing=0.4, crop_fraction=1.0, cfg=None, tracker=botsort.yaml, save_dir=runs/ChineseMedTrain/exp3
Overriding model.yaml nc=80 with nc=50
WARNING ⚠️ no model scale passed. Assuming scale='n'.from  n    params  module                                       arguments                     0                  -1  1       464  ultralytics.nn.modules.conv.Conv             [3, 16, 3, 2]                 1                  -1  1      4672  ultralytics.nn.modules.conv.Conv             [16, 32, 3, 2]                2                  -1  1      6640  ultralytics.nn.modules.block.RepC3k2         [32, 64, 1, False, 0.25]      3                  -1  1     36992  ultralytics.nn.modules.conv.Conv             [64, 64, 3, 2]                4                  -1  1     26080  ultralytics.nn.modules.block.RepC3k2         [64, 128, 1, False, 0.25]     5                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]              6                  -1  1     89216  ultralytics.nn.modules.block.RepC3k2         [128, 128, 1, True]           7                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              8                  -1  1    354560  ultralytics.nn.modules.block.RepC3k2         [256, 256, 1, True]           9                  -1  1    164608  ultralytics.nn.modules.block.SimSPPF         [256, 256, 5]                 
10                  -1  1    249728  ultralytics.nn.modules.block.C2PSA           [256, 256, 1]                 
11                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
12             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
13                  -1  1    111296  ultralytics.nn.modules.block.RepC3k2         [384, 128, 1, False]          
14                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
15             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
16                  -1  1     32096  ultralytics.nn.modules.block.RepC3k2         [256, 64, 1, False]           
17                  -1  1     36992  ultralytics.nn.modules.conv.Conv             [64, 64, 3, 2]                
18            [-1, 13]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
19                  -1  1     86720  ultralytics.nn.modules.block.RepC3k2         [192, 128, 1, False]          
20                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]              
21            [-1, 10]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
22                  -1  1    387328  ultralytics.nn.modules.block.RepC3k2         [384, 256, 1, True]           
23        [16, 19, 22]  1    440422  ultralytics.nn.modules.head.Detect           [50, [64, 128, 256]]          
YOLO11RepC3K2SimSPPF summary: 360 layers, 2,618,662 parameters, 2,618,646 gradients, 6.5 GFLOPs

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size120/120      13.8G      1.149     0.7983       1.44         45        352: 100%|██████████| 241/241 [00:19<00:00, 12.35it/s]Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 16/16 [00:01<00:00,  9.26it/s]all       1005       2152      0.867      0.799      0.872      0.549120 epochs completed in 0.714 hours.
Optimizer stripped from runs/ChineseMedTrain/exp3/weights/last.pt, 5.6MB
Optimizer stripped from runs/ChineseMedTrain/exp3/weights/best.pt, 5.6MBValidating runs/ChineseMedTrain/exp3/weights/best.pt...
WARNING ⚠️ validating an untrained model YAML will result in 0 mAP.
Ultralytics 8.3.7 🚀 Python-3.9.19 torch-2.0.1+cu117 CUDA:0 (NVIDIA GeForce RTX 4090, 24209MiB)
YOLO11RepC3K2SimSPPF summary (fused): 245 layers, 2,592,286 parameters, 0 gradients, 6.4 GFLOPsClass     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 16/16 [00:02<00:00,  6.30it/s]all       1005       2152      0.867      0.802      0.871      0.549ginseng         34         57      0.888      0.833      0.907      0.587Leech         20         41      0.815      0.902      0.932       0.65JujubaeFructus         18         67      0.904      0.839      0.968      0.585LiliiBulbus         18         19      0.946      0.895        0.9      0.588CoptidisRhizoma         22         22      0.874      0.955      0.984      0.824MumeFructus         21         98      0.746      0.781      0.802      0.411MagnoliaBark         21         45      0.848      0.865      0.932      0.576Oyster         18         24      0.841          1      0.971      0.706Seahorse         14         33      0.835      0.613      0.627       0.37Luohanguo         17         21      0.876      0.667       0.79      0.613GlycyrrhizaUralensis         18         25      0.926      0.995      0.984      0.537Sanqi         32         42      0.908      0.643      0.818      0.625TetrapanacisMedulla         19         20      0.984       0.95      0.987      0.672CoicisSemen         24         35      0.823      0.829      0.907        0.6LyciiFructus         20         32      0.865      0.599      0.758      0.459TruestarAnise         18         60          1      0.678      0.953      0.432ClamShell         17         67      0.806      0.731      0.841      0.538Chuanxiong         28         69      0.775      0.768      0.796      0.427Garlic         24         70      0.848      0.715      0.858      0.435GinkgoBiloba         27        119      0.847      0.866      0.914       0.61ChrysanthemiFlos         13         20      0.937      0.745      0.788      0.488
AtractylodesMacrocephala         15         23      0.826      0.828      0.893      0.614JuglandisSemen         12         45      0.912      0.694      0.785      0.389TallGastrodiae         17         35       0.75      0.743      0.764      0.408TrionycisCarapax         15         22      0.866      0.818      0.865       0.61AngelicaRoot         18         35      0.894      0.914      0.904      0.582Hawthorn         21         47      0.979       0.66      0.766      0.434CrociStigma         20         22       0.91      0.864      0.934      0.529SerpentisPeriostracum         16         16      0.974      0.938      0.988      0.727EucommiaBark         17         32      0.942      0.812      0.942      0.629ImperataeRhizoma         21         22      0.879      0.909      0.974      0.653LoniceraJaponica         12         25      0.779      0.565      0.707      0.383Zhizi         20        128      0.923      0.563      0.765      0.355Scorpion         13         21      0.845      0.905      0.935      0.679HouttuyniaeHerba         16         16      0.846      0.938      0.986      0.662EupolyphagaSinensis         19         48      0.757      0.976      0.924       0.62OroxylumIndicum         31         67       0.82      0.885      0.872      0.474CurcumaLonga         34         63      0.836       0.73      0.857      0.521NelumbinisPlumula         17         20      0.708        0.7      0.778      0.514ArecaeSemen         22         66      0.942      0.745      0.923      0.471Scolopendra         19         25      0.878       0.64      0.669      0.471MoriFructus         22         64       0.77      0.719      0.758      0.355
FritillariaeCirrhosaeBulbus         24         26      0.841      0.885      0.936       0.65DioscoreaeRhizoma         23         34      0.846      0.811      0.919      0.528CicadaePeriostracum         17         41      0.865      0.951      0.931      0.636PiperCubeba         21         28      0.865      0.857       0.91      0.579BupleuriRadix         22         25          1      0.739      0.907      0.557AntelopeHom         18         48      0.929      0.771      0.899      0.623Pangdahai         19         71      0.872      0.861      0.897      0.603NelumbinisSemen         19         51      0.787      0.804      0.761      0.473
Speed: 0.3ms preprocess, 0.4ms inference, 0.0ms loss, 0.3ms postprocess per image
Results saved to runs/ChineseMedTrain/exp3

五、baseline+ RepC3K2 + SimSPPF + LK-C2PSA

改进的点：将PSA模块中的Attention修改为Deformable-LK Attention，即可变形的大核Attention；

Attention

界面

#最后一步：量化，格式导出
best.pt tensor GPU；
CPU下跑 onnx格式；

code+model放到测试机器上，作为现场的测试设备；

#后勤：
高铁：
酒店：3个房间；
180：包干；

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv('https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

省赛中药检测模型调优

目录一、baseline性能二、baseline DETR head三、baseline RepC3K2四、baseline RepC3K2 SimSPPF五、baseline RepC3K2 SimSPPF LK-C2PSA界面1.引入库2.读入数据总结一、baseline性能 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size120/120 …...

编程日记 2025/6/6 11:17:22

linux 故障处置通用流程-36计+1计

通用标准处置快速索引编号通用标准处置索引 001 Linux操作系统标准关闭 002 Linux操作系统标准重启 003 Linux操作系统强行关闭 004 Linux操作系统强行重启 005 检查Linux操作系统CPU负载 006 查询占用CPU资源最多的进程 007 检查Linux操…...

编程日记 2025/6/6 7:00:36

BEV和OCC学习-3:mmdet3d 坐标系

目录坐标系转向角 (yaw) 的定义框尺寸的定义与支持的数据集的原始坐标系的关系 KITTI Waymo NuScenes Lyft ScanNet SUN RGB-D S3DIS 坐标系坐标系 — MMDetection3D 1.4.0 文档https://mmdetection3d.readthedocs.io/zh-cn/latest/user_guides/coord_sys_tuto…...

编程日记 2025/6/6 9:29:52

[蓝桥杯]图形排版

图形排版题目描述小明需要在一篇文档中加入 NN 张图片，其中第 ii 张图片的宽度是 WiWi，高度是 HiHi。假设纸张的宽度是 MM，小明使用的文档编辑工具会用以下方式对图片进行自动排版： 1. 该工具会按照图片顺序&#xff0…...

编程日记 2025/6/6 6:41:27

【Linux仓库】冯诺依曼体系结构与操作系统【进程·壹】

🌟 各位看官好，我是！ 🌍 Linux Linux is not Unix ！ 🚀 今天来学习冯诺依曼体系结构与操作系统。 👍 如果觉得这篇文章有帮助，欢迎您一键三连，分享给更多人哦&#xff0…...

编程日记 2025/6/6 15:31:12

CloudFront 加速详解：AWS CDN 怎么用？

让全球访问更快速稳定，深入解读 AWS 的内容分发网络在上一篇中，我们介绍了 Amazon S3 对象存储，它非常适合托管静态资源，比如图片、视频、网页等。但你可能遇到过这样的问题： “我把网站静态文件部署到了 S3&#xf…...

编程日记 2025/6/6 18:43:05

《高级架构师》------- 考后感想

笔者来聊一下架构师考后的感想复习备考考前过了很多知识点，只是蜻蜓点水，没有起到复习的作用，即使考出来也不会，下次复习注意这个，复习到了，就记住，或者画出来，或者文件总结&…...

编程日记 2025/6/5 5:29:49

【iOS】YYModel源码解析

YYModel源码解析文章目录 YYModel源码解析前言YYModel性能优势YYModel简介YYClassInfo解析YYClassIvarInfo && objc_ivarYYClassMethodInfo && objc_methodYYClassPropertyInfo && property_tYYClassInfo && objc_class YYClassInfo的初始化细…...

编程日记 2025/6/6 18:27:30

C++算法训练营 Day6 哈希表（1）

1.有效的字母异位词 LeetCode：242.有效的字母异位词给定两个字符串s和t ，编写一个函数来判断t是否是s的字母异位词。示例 1: 输入: s “anagram”, t “nagaram” 输出: true 示例 2: 输入: s “rat”, t “car” 输出: false 解题思路&#xff…...

编程日记 2025/6/6 5:59:41

【C语言编译与链接】--翻译环境和运行环境，预处理，编译，汇编，链接

目录一.翻译环境和运行环境二.翻译环境 2.1--预处理(预编译) 2.2--编译 2.2.1--词法分析 2.2.2--语法分析 2.2.3--语义分析 2.3--汇编 2.4--链接三.运行环境 🔥个人主页：草莓熊Lotso的个人主页 🎬作者简介：C研发…...

编程日记 2025/6/6 18:51:05

【JavaEE】多线程

8.线程状态根据 Java 的Thread.state包，线程一共有六种状态： NEWRUNNABLEBLOCKEDWAITINGTIMED_WAITINGTERMINATED 二、每种状态的含义 1. NEW（新建） 当使用new 关键字创建一个线程对象，但尚未调用其start() 方法时…...

编程日记 2025/6/6 18:54:50

【项目】在线OJ（负载均衡式）

目录一、项目目标二、开发环境 1.技术栈 2.开发环境三、项目树目录结构功能逻辑编写思路四、编码 1.complie_server 服务功能代码蓝图开发编译功能日志功能编辑测试编译模块开发运行功能设置运行限制 jsoncpp 编写CR 如何生成唯一文件名 …...

编程日记 2025/6/6 18:11:54

贪心算法应用：在线租赁问题详解

贪心算法应用：在线租赁问题详解贪心算法是一种在每一步选择中都采取当前状态下最优的选择，从而希望导致结果是全局最优的算法策略。在线租赁问题(Greedy Algorithm for Online Rentals)是一个经典的贪心算法应用场景，下面我将从多个维度全面…...

编程日记 2025/6/6 7:54:42

torch.zeros()用法简介

torch.zeros()是PyTorch中用于创建全零张量的核心函数，其功能和使用方法如下： 1. ‌基本语法‌ torch.zeros(*size, outNone, dtypeNone, layouttorch.strided, deviceNone, requires_gradFalse)参数说明： *size：定义张量形状的…...

编程日记 2025/6/6 18:15:40

Prj10--8088单板机C语言8259测试（1）

1.原理图 2.Deepseek示例代码 #include <dos.h> #include <conio.h> #include <stdio.h>#define PIC1_CMD 0x400 // 命令端口 (A00) #define PIC1_DATA 0x401 // 数据端口 (A01)volatile int int_count 0; // 中断计数器 void interrupt (*old_isr)(…...

编程日记 2025/6/6 17:18:46

3步在小米13手机跑DeepSeek R1

大家好！我是羊仔，专注AI工具、智能体、编程。一、从性能旗舰到AI主机春节大扫除时，翻出尘封的小米13，这台曾以骁龙8 Gen2著称的性能小钢炮，如今正在执行更科幻的使命——本地运行DeepSeek R1。想起两年前用它连续肝…...

编程日记 2025/6/6 18:16:10

数智管理学（十六）

二、分布式网络型结构的特点分布式网络型结构是一种去中心化、扁平化和协作性的组织模式，与传统金字塔型结构形成鲜明对比。它通过赋予团队和个体更大的自主权，提升组织的灵活性和响应能力。 （一）节点化组织 1.模块化团队构成…...

编程日记 2025/6/6 18:58:33

注销微软账户

因为我的微软开发者账户丢失 Office E5 权限，因此需要注销。若你需要注销微软账号，请点击下方超链接。点击此处注销之后仅剩一个正常的账户使用咯！！...

编程日记 2025/6/6 12:11:07

Ubuntu 服务器软件更新，以及常用软件安装 —— 一步一步配置 Ubuntu Server 的 NodeJS 服务器详细实录 3

前言前面，我们已经安装好了 Ubuntu 服务器系统，并且配置好了 ssh 免密登录服务器 ，现在，我们要来进一步的设置服务器。那么，本文，就是进行服务器的系统更新，以及常用软件的安装调整 Ubu…...

编程日记 2025/6/6 16:48:19

Mysql常用知识3：Kafka和数据库优化

文章目录一、分布式消息系统（Kafka相关问题5-10）5. Kafka如何保证消息不丢失？6. 项目中Kafka具体怎么使用的？7. 消息异常未发送成功怎么解决？8. 重试具体怎么做的，循环吗？9. 重试多次失败怎么办…...

编程日记 2025/6/6 19:02:48

Milvus单机模式安装和试用

1.安装ollama的package包； # install package pip install -U langchain-ollama2.我们直接使用ChatOllama实例化模型，并通过invoke进行调用； from langchain_ollama import ChatOllamallm ChatOllama(model"deepseek-r1") messa…...

编程日记 2025/6/6 16:50:29

飞牛NAS+Docker技术搭建个人博客站：公网远程部署实战指南

文章目录前言1. Docker下载源设置2. Docker下载WordPress3. Docker部署Mysql数据库4. WordPress 参数设置5. 飞牛云安装Cpolar工具6. 固定Cpolar公网地址7. 修改WordPress配置文件8. 公网域名访问WordPress总结前言在数字化浪潮中，传统网站搭建方式正面临前所未…...

编程日记 2025/6/6 17:05:31

刷leetcode hot100返航必胜版--链表6/3

链表初始知识链表种类：单链表，双链表，循环链表链表初始化 struct ListNode{ int val; ListNode* next; ListNode(int x): val（x）,next(nullptr) {} }; //初始化 ListNode* head new ListNode(5); 删除节点、添加…...

编程日记 2025/6/6 14:09:35

C# 序列化技术全面解析：原理、实现与应用场景

在软件开发中，数据持久化和网络通信是两个至关重要的环节。想象一下，当我们需要将一个复杂的对象保存到文件中，或者通过网络发送到另一台计算机时，如何有效地表示这个对象？这就是序列化技术要解决的问题。序列化&#…...

编程日记 2025/6/6 19:11:21

isp调试 blend模式指什么

isp调试 blend模式指什么答案摘自豆包： 在图像信号处理（ISP，Image Signal Processor）调试中，Blend 模式（混合模式） 是指将不同处理阶段的图像数据或不同来源的图像信息按照特定规则进行叠加或…...

编程日记 2025/6/6 15:14:43

electron定时任务，打印内存占用情况

// 监听更新 function winUpdate(){// 每次执行完后重新设置定时器try {// 获取当前时间并格式化为易读的字符串const now new Date();const timeString now.toLocaleString();console.log(当前时间: ${timeString});// 记录内存使用情况（可选）const m…...

编程日记 2025/6/6 15:36:01