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 YOLOmodel = 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：http://www.rhkb.cn/news/227302.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

集群部署篇--Redis 主从模式

集群部署篇--Redis 主从模式

文章目录 前言Redis 主从部署：1.1 主从架构 介绍：1.2 主从架构 实现：1.2.1 redis 安装： 1.3 主从架构优缺点：1.4 故障转移： 总结 前言 显然在线上环境中 Redis 服务不能以单机的方式运行，必须有…
阅读更多...
PostgreSQL 作为向量数据库：入门和扩展

PostgreSQL 作为向量数据库：入门和扩展

PostgreSQL 拥有丰富的扩展和解决方案生态系统，使我们能够将该数据库用于通用人工智能应用程序。本指南将引导您完成使用 PostgreSQL 作为向量数据库构建生成式 AI 应用程序所需的步骤。 我们将从pgvector 扩展开始，它使 Postgres 具有特定于向量数据库…
阅读更多...
【C++】开源：fast-cpp-csv-parser数据解析库配置使用

【C++】开源：fast-cpp-csv-parser数据解析库配置使用

😏★,:.☆(￣▽￣)/$:.★ 😏 这篇文章主要介绍fast-cpp-csv-parser数据解析库配置使用。 无专精则不能成，无涉猎则不能通。——梁启超 欢迎来到我的博客，一起学习，共同进步。 喜欢的朋友可以关注一…
阅读更多...
C/C++学习笔记十三 C++中的重载运算符

C/C++学习笔记十三 C++中的重载运算符

1、什么是运算符重载？ 运算符重载是 C 中的一项功能，使运算符（例如 、- 等）能够处理用户定义的数据类型。这种机制称为编译时多态性，并提供了为不同数据类型定制运算符行为的优点。 例如，我们可以重载“”运…
阅读更多...
查看IOS游戏FPS

查看IOS游戏FPS

摘要 本篇技术博客将介绍如何使用克魔助手工具来查看iOS游戏的帧率（FPS）。通过克魔助手，开发者可以轻松监测游戏性能，以提升用户体验和游戏质量。 引言 在iOS游戏开发过程中，了解游戏的帧率对于优化游戏性能至关重要…
阅读更多...
沙特电子签证照片尺寸要求及手机自拍制作方法介绍

沙特电子签证照片尺寸要求及手机自拍制作方法介绍

Hey小伙伴们，准备去沙特阿拉伯旅行的朋友们注意啦！沙特驻华大使馆对签证所需照片是有要求的，今天我要分享给大家的是关于沙特签证照片的尺寸和拍摄要求，让你的签证申请过程更加顺利哦！此外，也教大家一种在家…
阅读更多...
[Angular] 笔记 20：NgContent

[Angular] 笔记 20：NgContent

chatgpt: 在Angular中&#xff0c;NgContent是用于内容投影&#xff08;Content Projection&#xff09;的一个重要概念。它允许你在一个组件中插入内容&#xff0c;并将这些内容投影到另一个组件中。 当你在一个组件中使用<ng-content></ng-content>标签时&…
阅读更多...
redis 从0到1完整学习 （七）：ZipList 数据结构

redis 从0到1完整学习 （七）：ZipList 数据结构

文章目录 1. 引言2. redis 源码下载3. zipList 数据结构3.1 整体3.2 entry 数据结构分析3.3 连锁更新 4. 参考 1. 引言 前情提要&#xff1a; 《redis 从0到1完整学习 &#xff08;一&#xff09;&#xff1a;安装&初识 redis》 《redis 从0到1完整学习 &#xff08;二&am…
阅读更多...
Elasticsearch 查询命令执行时，如何通过词项索引、词项字典、倒排表定位文档逻辑介绍

Elasticsearch 查询命令执行时，如何通过词项索引、词项字典、倒排表定位文档逻辑介绍

这里不涉及到源码&#xff0c;只是根据网上的一些文章总结一下&#xff0c;目前不需要细究&#xff0c;只需要知道大概就好&#xff0c;除非你的工作是二次开发ES 一、​Term Index(词项索引)1、FSM&#xff08;Finite State Machine&#xff09;有限状态机2、FSA&#xff08;F…
阅读更多...
海云安亮相2023北京国际金融安全论坛，助力金融企业数字化转型降本增效

海云安亮相2023北京国际金融安全论坛，助力金融企业数字化转型降本增效

近日&#xff0c;2023北京国际金融安全论坛暨金融科技标准认证生态大会在北京金融安全产业园成功举办。深圳海云安网络安全技术有限公司&#xff08;以下简称“海云安”&#xff09;受邀参展亮相此次大会。海云安作为国内领先的金融科技服务商&#xff0c;展示了开发安全系列产…
阅读更多...
【北亚服务器数据恢复】san环境下LUN Mapping出错导致文件系统一致性出错的数据恢复案例

【北亚服务器数据恢复】san环境下LUN Mapping出错导致文件系统一致性出错的数据恢复案例

服务器数据恢复环境&#xff1a; san环境下的存储上一组由6块硬盘组建的RAID6&#xff0c;划分为若干LUN&#xff0c;MAP到跑不同业务的服务器上&#xff0c;服务器上层是SOLARIS操作系统UFS文件系统。 服务器故障&#xff1a; 业务需求需要增加一台服务器跑新增的应用&#xf…
阅读更多...
Spring Boot：Spring Boot 入门、yaml 配置文件给属性赋值、自动装配原理详解

Spring Boot：Spring Boot 入门、yaml 配置文件给属性赋值、自动装配原理详解

文章目录 Spring Boot - 01一、概述二、第一个 Spring Boot 程序补充知识 三、配置文件1. yaml 配置文件2. 使用 yaml 配置文件给属性赋值3. 松散绑定以及数据校验4. 配置文件的位置以及多环境配置 四、Spring Boot 分析1. pom.xml2. 启动器3. 主程序4. 自动装配原理5. 主启动类…
阅读更多...
Kafka：本地设置

Kafka：本地设置

这是设置 Kafka 将数据从 Elasticsearch 发布到 Kafka 主题的三部分系列的第一部分；该主题将被 Neo4j 使用。第一部分帮助您在本地设置 Kafka。第二部分将讨论如何设置Elasticsearch将数据发布到Kafka主题。最后 将详细介绍如何使用连接器订阅主题并使用数据。 Kafka Kafka 是…
阅读更多...
【Unity】【FBX】如何将FBX模型导入Unity

【Unity】【FBX】如何将FBX模型导入Unity

【背景】 网上能够找到不少不错的FBX模型资源&#xff0c;大大加速游戏开发时间。如何将这些FBX导入Unity呢&#xff1f; 【步骤】 打开Unity项目文件&#xff0c;进入场景。 点击Projects面板&#xff0c;右键选择Import New Assets 选中FBX文件后导入。Assets文件夹中就会…
阅读更多...
【软件测试】为bug而生

【软件测试】为bug而生

为什么定位问题如此重要&#xff1f; 可以明确一个问题是不是真的“bug” 很多时候&#xff0c;我们找到了问题的原因&#xff0c;结果发现这根本不是bug。原因明确&#xff0c;误报就会降低多个系统交互&#xff0c;可以明确指出是哪个系统的缺陷&#xff0c;防止“踢皮球”&…
阅读更多...
Apache Flink连载（二十一）：Flink On Yarn运行原理-Yarn Application模式

Apache Flink连载（二十一）：Flink On Yarn运行原理-Yarn Application模式

🏡 个人主页：IT贫道_大数据OLAP体系技术栈,Apache Doris,Clickhouse 技术-CSDN博客 🚩 私聊博主：加入大数据技术讨论群聊，获取更多大数据资料。 🔔 博主个人B栈地址：豹哥教你大数据的个人空间-豹哥教你大数据个人主页-哔哩哔哩视频 目录 1. 任务提交命令
阅读更多...
Android 理解Context

Android 理解Context

文章目录 Android 理解ContextContext是什么Activity能直接new吗&#xff1f; Context结构和源码一个程序有几个ContextContext的作用Context作用域获取ContextgetApplication()和getApplicationContext()区别Context引起的内存泄露错误的单例模式View持有Activity应用正确使用…
阅读更多...
3d导入模型怎样显示原本材质---模大狮模型网

3d导入模型怎样显示原本材质---模大狮模型网

要在导入3D模型时保留原本的材质&#xff0c;您可以尝试以下方法&#xff1a; 导入前检查文件格式&#xff1a;确保您所使用的3D软件支持导入模型的文件格式。不同的软件对文件格式的支持有所差异&#xff0c;选择正确的文件格式可以更好地保留原始材质。 使用正确的材质库&am…
阅读更多...
3D 渲染如何帮助电商促进销售？

3D 渲染如何帮助电商促进销售？

在线工具推荐&#xff1a; 3D数字孪生场景编辑器 - GLTF/GLB材质纹理编辑器 - 3D模型在线转换 - Three.js AI自动纹理开发包 - YOLO 虚幻合成数据生成器 - 三维模型预览图生成器 - 3D模型语义搜索引擎 3D 渲染图像因其高转化率而成为亚马逊卖家的最新趋势。它是电子商务平…
阅读更多...
GPT-5、开源、更强的ChatGPT！OpenAI公布2024年计划

GPT-5、开源、更强的ChatGPT！OpenAI公布2024年计划

年终岁尾&#xff0c;正值圣诞节热闹气氛的OpenAI写下了2024年的发展清单。 OpenAI联合创始人兼首席执行官Sam Altman在社交平台公布&#xff0c;AGI&#xff08;稍晚一些&#xff09;、GPT-5、更好的语音模型、更高的费率限制&#xff1b; 更好的GPTs&#xff1b;更好的推理…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发