【CV-CUDA实战】使用Python+TensorRT+CVCUDA优化YOLOv8

目录

      • 什么是CV-CUDA
      • 环境准备
        • 准备CV-CUDA静态库
        • 解压
        • 添加至变量
        • 将PyBind静态库复制到env下
        • 算子设计
          • 前处理算子
        • TensorRT模型加载
        • 后处理函数
      • 完整代码
      • 输出演示
      • 为什么重新写了？
      • 结语

什么是CV-CUDA

NVIDIA CV-CUDA™ 是一个开源项目，用于构建云规模人工智能 (AI) 成像和计算机视觉 (CV) 应用程序。 它使用图形处理单元 (GPU) 加速来帮助开发人员构建高效的预处理和后处理管道。 它可以将吞吐量提高 10 倍以上，同时降低云计算成本。
请添加图片描述

环境准备

准备CV-CUDA静态库

首先我们需要访问CV-CUDA Github仓库
去下载与您系统架构相对应的静态库文件，以我为例，我需要下载：

  • cvcuda-dev-0.7.0_beta-cuda11-x86_64-linux.tar.xz
  • cvcuda-lib-0.7.0_beta-cuda11-x86_64-linux.tar.xz
  • cvcuda-python3.10-0.7.0_beta-cuda11-x86_64-linux.tar.xz
  • cvcuda-tests-0.7.0_beta-cuda11-x86_64-linux.tar.xz

请注意！下载的静态库的版本取决你的CUDA版本和目前正在使用的Python版本（这是由于PyBind11导致的）。

解压
tar -xvf cvcuda-dev-0.7.0_beta-cuda11-x86_64-linux.tar.xz
tar -xvf cvcuda-lib-0.7.0_beta-cuda11-x86_64-linux.tar.xz
tar -xvf cvcuda-python3.10-0.7.0_beta-cuda11-x86_64-linux.tar.xz
tar -xvf cvcuda-tests-0.7.0_beta-cuda11-x86_64-linux.tar.xz
添加至变量

所有解压后的静态库文件会被解压到一个名为opt的目录中，但是请注意，这个opt不是Linux根文件系统的/opt，请务必做出区分！
请在~/.bashrc文件中添加以下内容：

export LD_LIBRARY_PATH=$HOME/opt/nvidia/cvcuda0/lib/x86_64-linux-gnu

接下来使~/.bashrc生效并加载静态库

source ~/.bashrc && ldconfig

使用ldconfig命令检查静态库是否被加载：

ldconfig -p | grep nvcv

如果看到以下结果说明静态库已被加载成功：

libnvcv_types.so.0 (libc6,x86-64) => /usr/local/cuda/targets/x86_64-linux/lib/libnvcv_types.so.0
将PyBind静态库复制到env下

在您的解压目录下，应该有一个名为cvcuda.cpython-310-x86_64-linux-gnu.so的文件，请将此文件复制到以下路径：

$PYTHON_HOME/site-packages/

以我的情况为例，我所使用的是anaconda3，因此这个路径是：

/home/elin/anaconda3/envs/jetsonsim/lib/python3.10/site-packages

使用import命令来检查cvcuda是否可用：

>>> import cvcuda
>>>

如果没有报错则说明cvcuda已经被加载成功了。

算子设计
前处理算子

由于YOLOv8模型接受一个640x640，batch_size为1的RGB图像，因此我们的前处理算子可以设计成：

def preprocess(self,imageFrame:np.ndarray) -> torch.Tensor:# 首先将输入的Numpy矩阵转换成Pytorch张量imageFrame = torch.tensor(imageFrame,device="cuda",dtype=torch.uint8)self.imageHeight,self.imageWidth = imageFrame.shape[:2]# 由于OpenCV读取的图像是HWC格式，# 因此CVCUDA需要将图像张量按此格式进行转换imageTensor = cvcuda.as_tensor(imageFrame,"HWC")# 使用GPU上的色域转换和resize算子进行处理imageTensor = cvcuda.cvtcolor(imageTensor,cvcuda.ColorConversion.BGR2RGB)imageTensor = cvcuda.resize(imageTensor,(self.inputWidth,self.inputHeight,3))# 将CVCUDA张量转移成Pytorch张量# 由于CVCUDA张量并未实现运算符重载，所以这一步是必要的# 以便我们处进行二值化和后续TensorRT模型的推理imageData = torch.as_tensor(imageTensor.cuda(),device="cuda")imageData = imageData / 255.0# 使用维度转置将图像扩增至(1,3,640,640)imageData = imageData.transpose(0,2).transpose(1,2).unsqueeze(0)return imageData # 返回GPU张量，以避免TensorRT推理前的GPU显存拷贝

以下是前处理算子的工作示意图：
请添加图片描述

TensorRT模型加载

在TensorRT模型的加载上，我使用了NVIDIA提供的一个非常还用的工具：torch2trt，它提供了类似Pytorch的API以加载并调用TensorRT模型，您可以使用以下命令来安装torch2trt：

pip install git+https://github.com/NVIDIA-AI-IOT/torch2trt.git

在真正读取TensorRT模型之前，你仍然需要安装TensorRT的Python API，它通常位于您TensorRT解压路径下的python目录下，请按照自己的Python版本按需安装。

接下来我们需要反序列化我们的YOLOv8 TensorRT模型：

import tensorrt as trt
from torch2trt import TRTModule
self.logger = trt.Logger(trt.Logger.INFO) # 初始化TensorRT日志类
# 反序列化YOLOv8模型
with open("../gpupipe/model/best.engine","rb") as f, trt.Runtime(self.logger) as runtime:self.engine = runtime.deserialize_cuda_engine(f.read())
# 使用torch2trt下TRTMoudle类来加载TensorRT引擎
self.TRTNet = TRTModule(input_names=[self.inputName],output_names=[self.outputName],engine=self.engine)

以上代码中：

  • input_name：代表您的YOLOv8模型的输入名称，如果您使用的是Ultralytics的工具进行训练的话，那么该值通常为：images。
  • output_name：代表您的YOLOv8模型的输出名称，如果您使用的是Ultralytics的工具进行训练的话，那么该值通常为：output0。
  • engine：代表反序列化后的TensorRT二进制对象。

正如我们前面有提到的一样，torch2trt为开发者提供了类Pytorch的API，因此我们的推理函数十分简单：

def inference(self,processedFrame:torch.Tensor) -> torch.Tensor:return self.TRTNet(processedFrame)
后处理函数

本章是整个pipeline最为重要的部分，这里我会着重讲解。
YOLOv8的输出大小通常取决于nc(num_classes)的大小，无论任何尺寸的YOLOv8模型最终都将输出8400条记录。这也就意味着我们需要遍历8400xnc个数据项！！这显然是没办法用循环来实现的。
在CPU环境上，我使用了Pandas进行向量化处理，得到了约9-10FPS美妙的成绩，具体实现代码如下：

output = np.transpose(np.squeeze(output[0])) # 由于YOLOv8的输出是(1,nc,8400)，为了方便处理所以需要转置
df = pd.DataFrame(output)
x_factor = self.imageWidth / self.inputWidth
y_factor = self.imageHeight / self.inputHeightdf['amax'] = np.amax(df.iloc[:,4:self.nc+4],axis=1)
df['argmax'] = np.where(df.iloc[:,4:self.nc+4]==df['amax'].values[:,None])[1]
df = df[df['amax'] > self.confidenceThres]
boxes = df.iloc[:,0:4].to_numpy()
scores = df['amax'].to_numpy()
class_ids = df['argmax'].to_numpy()# apply factor to boxes
boxes[:,0] = (boxes[:,0] - boxes[:,2]/2.0) * x_factor
boxes[:,1] = (boxes[:,1] - boxes[:,3]/2.0) * y_factor
boxes[:,2] = boxes[:,2] * x_factor
boxes[:,3] = boxes[:,3] * y_factor

在加速计算领域有一个常用的公式用于计算一个可并行算法的加速比，称之为阿姆达尔定律：
S = 1 ( 1 − p ) + p N S = \frac{1}{(1-p) + \frac{p}{N}} S=(1−p)+Np​1​
其中：

  • S S S代表着加速
  • P P P代表并行化后的代码运行时间占比
  • N N N代表并行代码在执行时使用的内核数量

因此在忽略了 P P P的大小的情况下，以笔者的GeForce RTX3080Ti笔记本GPU为例，我的GPU包含7424个CUDA Cores，而我的12代12800HX具备8P+8E，总计16个内核。因此能够利用CUDA GPU加速特征提取显得尤为重要。
通过观察CPU代码可知：

  • 每一条记录的前四位代表着锚点框的 x x x， y y y和长宽。
  • 而后面的所有列均为每个类别的置信度信息
  • 使用amax和argmax来获取最佳类别信息

因此，我们使用Pytorch得到了如下的代码：

output = torch.transpose(torch.squeeze(output),0,1).cuda()
x_factor = self.imageWidth / self.inputWidth
y_factor = self.imageHeight / self.inputHeight# Process model output
argmax = torch.argmax(output[:,4:84],dim=1)
amax = torch.max(output[:,4:84],dim=1).values# Concate tensors
output = torch.cat((output,torch.unsqueeze(argmax,1),torch.unsqueeze(amax,1)),dim=1)
output = output[output[:,-1] > self.confidenceThres]boxes = output[:,:4]
class_ids = output[:,-2]
scores = output[:,-1]boxes[:,0] = (boxes[:,0] - boxes[:,2]/2.0) * x_factor
boxes[:,1] = (boxes[:,1] - boxes[:,3]/2.0) * y_factor
boxes[:,2] = boxes[:,2] * x_factor
boxes[:,3] = boxes[:,3] * y_factor

经过优化后，目前算子的运行速度大概在24-30FPS左右，提升了约2~3倍！
搞定了特征提取后，接下来我们要进行非极大值抑制和预测信息绘制了。
由于CV-CUDA对NMS算子的限制，我们需要确保输入的置信度分数和锚点框应满足一下大小：

  • BBox（锚点框信息）：（batch_size，shape，4），数据类型为torch.int16
  • score（置信度信息）：(batch_size，1），数据类型建议为torch.float32

以我的情况，我使用了如下的代码进行实现：

# 制备CVCUDA需要的数据类型和大小
boxes = boxes.to(torch.int16).reshape(1,-1,4)
scores = scores.to(torch.float32).reshape(1,-1)
class_ids = class_ids.to(torch.int16)
# 将Pytorch张量转换为CVCUDA张量，同时确保输入的张量使用torch.Tensor.contiguous()确保其内存是可连续的
cvcuda_boxes = cvcuda.as_tensor(boxes.contiguous().cuda())
cvcuda_scores = cvcuda.as_tensor(scores.contiguous().cuda())
# 使用NMS算法
nms_masks = cvcuda.nms(cvcuda_boxes,cvcuda_scores,self.confidenceThres,self.iouThres)
# 转换回Pytorch算子
nms_masks_pyt = torch.as_tensor(nms_masks.cuda(),device="cuda",dtype=torch.bool
)

需要指出的是，cvcuda的nms算子返回的是一个 ∈ [ 0 , 1 ] ∈[0,1] ∈[0,1]值域的掩码，因此我们需要将cvcuda张量转换为Pytorch的布尔类型张量，并使用torch.where()函数得到最终的NMS筛选索引：

# 将锚点框信息和置信度分数转换回原本的大小
boxes = boxes.reshape(-1,4)
scores = scores.reshape(-1)
# 拷贝到Numpy以方便进行遍历
indices = torch.where(nms_masks_pyt == 1)[1].cpu().numpy()

接下来我们需要创建两个列表，用于存储cvcuda.BndBoxI和cvcuda.Label对象。

bbox_list,text_list = [],[]

遍历所有经过NMS处理后的信息，并将对应的锚点框和标签进行存储：

for i in indices:box = boxes[i]score = scores[i]classIndex = class_ids[i]bbox_list.append(cvcuda.BndBoxI(box = tuple(box),thickness = 2,borderColor = tuple(self.colorPalette[classIndex].tolist()),fillColor = (0,0,0,0)))# 计算标签的X和Y坐标labelX = box[0]labelY = box[1] - 10 if box[1] - 10 > 10 else box[1] + 10text_list.append(cvcuda.Label(utf8Text = '{}: {}'.format(self.classes[classIndex],str(float(score.amax().cpu().numpy()) * 100)[0:5] + '%'),fontSize = 6,tlPos = (labelX,labelY),fontColor = (255,255,255),bgColor = tuple(self.colorPalette[classIndex].tolist())))

如果您想了解这些对象（或者C++结构体）的具体参数信息，详情可参阅CVCUDA的Types.hpp文件，该文件中包含了CVCUDA所有常见对象类型的定义信息。

在遍历了所有锚点框和类别后，我们需要将每个预测结果绘制到画面上，这就不得不提到CVCUDA又一个优化函数：cvcuda.osd_into()了。
以往我们使用CPU算子上需要使用类似于cv2.putText()和cv2.rectangle()函数进行渲染。在C++上，这或许比较理想，我们可以使用OpenMP来借助多线程优化这个过程。
可是现在的情况是Python，受限于GIL的限制，我们无法真正发挥多核处理器的优势，这也就意味着我们只能一个一个将预测信息绘制到画面上。

而cvcuda.osd_into()函数则允许CUDA GPU并行的将每个预测结果渲染到画面上，而不会像OpenCV那样一个个的单独渲染。
请添加图片描述
cvcuda.osd_into()函数接受三个参数：

  • src_tensor：输入图像张量，接受HWC格式，或NHWC格式。
  • dest_tensor：输出图像张量，和src一样接受HWC和NHWC格式
  • elements：输入的cvcuda.Elements()元素列表，用于渲染到目标图像上。

接下来是代码实现：

# Draw the bounding boxes and labels on the image
batch_bounding_boxes = cvcuda.Elements(elements=[bbox_list])
batch_text = cvcuda.Elements(elements=[text_list])cvcuda.osd_into(frame_hwc,frame_hwc,batch_bounding_boxes)
cvcuda.osd_into(frame_hwc,frame_hwc,batch_text)

最后我们将输入图像从cvcuda张量拷贝会Numpy矩阵渲染FPS信息（可选）：

# calculate the FPS
self.fpsCounter += 1
elapsed = (datetime.now() - self.fpsTimer).total_seconds()
if elapsed > 1.0:self.fps = self.fpsCounter / elapsedself.fpsCounter = 0self.fpsTimer = datetime.now()
# draw the FPS counter
cv2.putText(outputFrame, "FPS: {:.2f}".format(self.fps), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255),1, cv2.LINE_AA)
# draw current time on the top right of frame
cv2.putText(outputFrame, datetime.now().strftime("%Y %I:%M:%S%p"), (self.imageWidth - 150, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255),1, cv2.LINE_AA)
return outputFrame

完整代码

import cvcuda
import tensorrt as trt
from datetime import datetime
import yaml
import numpy as np
import torch
from torch2trt import TRTModule
import cv2
class VideoProcessor:def __init__(self) -> None: self.config = yaml.load(open("../gpupipe/config/data.yaml"), Loader=yaml.FullLoader)self.modelName = self.config['modelName']self.modelVersion = self.config['modelVersion']self.inputName = self.config['inputName']self.outputName = self.config['outputName']self.confidenceThres = self.config['confidenceThreshold']self.inputWidth, self.inputHeight = self.config['inputWidth'],self.config['inputHeight']self.iouThres = self.config['iouThreshold']self.classes = self.config["names"]self.colorPalette = np.random.uniform(0, 255, size=(len(self.classes), 3)).astype(np.uint8)# create a FPS counterself.fps = 0self.fpsCounter = 0self.fpsTimer = datetime.now()# Initalize TensorRT Engineself.logger = trt.Logger(trt.Logger.INFO)with open("../gpupipe/model/best.engine","rb") as f, trt.Runtime(self.logger) as runtime:self.engine = runtime.deserialize_cuda_engine(f.read())self.TRTNet = TRTModule(input_names=[self.inputName],output_names=[self.outputName],engine=self.engine)def preprocess(self,imageFrame:np.ndarray) -> torch.Tensor:# convet the image to a cuda tensorimageFrame = torch.tensor(imageFrame,device="cuda",dtype=torch.uint8)self.imageHeight,self.imageWidth = imageFrame.shape[:2]imageTensor = cvcuda.as_tensor(imageFrame,"HWC")imageTensor = cvcuda.cvtcolor(imageTensor,cvcuda.ColorConversion.BGR2RGB)imageTensor = cvcuda.resize(imageTensor,(self.inputWidth,self.inputHeight,3))# convert torch tensor to numpy arrayimageData = torch.as_tensor(imageTensor.cuda(),device="cuda")imageData = imageData / 255.0imageData = imageData.transpose(0,2).transpose(1,2).unsqueeze(0)return imageDatadef postProcess(self,inputFrame,output):frame_hwc = cvcuda.as_tensor(torch.as_tensor(inputFrame).cuda(),"HWC")output = torch.transpose(torch.squeeze(output),0,1).cuda()x_factor = self.imageWidth / self.inputWidthy_factor = self.imageHeight / self.inputHeight# Process model outputargmax = torch.argmax(output[:,4:84],dim=1)amax = torch.max(output[:,4:84],dim=1).values# Concate tensorsoutput = torch.cat((output,torch.unsqueeze(argmax,1),torch.unsqueeze(amax,1)),dim=1)output = output[output[:,-1] > self.confidenceThres]boxes = output[:,:4]class_ids = output[:,-2]scores = output[:,-1]boxes[:,0] = (boxes[:,0] - boxes[:,2]/2.0) * x_factorboxes[:,1] = (boxes[:,1] - boxes[:,3]/2.0) * y_factorboxes[:,2] = boxes[:,2] * x_factorboxes[:,3] = boxes[:,3] * y_factor# Convert to boxes dtype to 16bit Signed Integerboxes = boxes.to(torch.int16).reshape(1,-1,4)scores = scores.to(torch.float32).reshape(1,-1)class_ids = class_ids.to(torch.int16)# Converting to cvcuda tensorcvcuda_boxes = cvcuda.as_tensor(boxes.contiguous().cuda())cvcuda_scores = cvcuda.as_tensor(scores.contiguous().cuda())# Apply non-maximum suppression to filter out overlapping bounding boxesnms_masks = cvcuda.nms(cvcuda_boxes,cvcuda_scores,self.confidenceThres,self.iouThres)nms_masks_pyt = torch.as_tensor(nms_masks.cuda(),device="cuda",dtype=torch.bool)# Convert back boxes and scores into it's original shapeboxes = boxes.reshape(-1,4)scores = scores.reshape(-1)indices = torch.where(nms_masks_pyt == 1)[1].cpu().numpy()bbox_list,text_list = [],[]for i in indices:box = boxes[i]score = scores[i]classIndex = class_ids[i]bbox_list.append(cvcuda.BndBoxI(box = tuple(box),thickness = 2,borderColor = tuple(self.colorPalette[classIndex].tolist()),fillColor = (0,0,0,0)))labelX = box[0]labelY = box[1] - 10 if box[1] - 10 > 10 else box[1] + 10text_list.append(cvcuda.Label(utf8Text = '{}: {}'.format(self.classes[classIndex],str(float(score.amax().cpu().numpy()) * 100)[0:5] + '%'),fontSize = 6,tlPos = (labelX,labelY),fontColor = (255,255,255),bgColor = tuple(self.colorPalette[classIndex].tolist())))# Draw the bounding boxes and labels on the imagebatch_bounding_boxes = cvcuda.Elements(elements=[bbox_list])batch_text = cvcuda.Elements(elements=[text_list])cvcuda.osd_into(frame_hwc,frame_hwc,batch_bounding_boxes)cvcuda.osd_into(frame_hwc,frame_hwc,batch_text)outputFrame = torch.as_tensor(frame_hwc.cuda(),device="cuda").cpu().numpy()# calculate the FPSself.fpsCounter += 1elapsed = (datetime.now() - self.fpsTimer).total_seconds()if elapsed > 1.0:self.fps = self.fpsCounter / elapsedself.fpsCounter = 0self.fpsTimer = datetime.now()# draw the FPS countercv2.putText(outputFrame, "FPS: {:.2f}".format(self.fps), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255),1, cv2.LINE_AA)# draw current time on the top right of framecv2.putText(outputFrame, datetime.now().strftime("%Y %I:%M:%S%p"), (self.imageWidth - 150, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255),1, cv2.LINE_AA)return outputFramedef inference(self,processedFrame:torch.Tensor) -> torch.Tensor:return self.TRTNet(processedFrame)def processing(self,frame):image_data = self.preprocess(frame)output = self.inference(image_data)outputFrame = self.postProcess(frame,output)return outputFrame

输出演示

请添加图片描述

为什么重新写了？

因为之前的Pipeline存在一些BUG，另外就是部分算子没有使用CVCUDA实现，而现在的Pipeline全部使用CVCUDA实现。

结语

这里是Day，如果觉得这篇博客有用的话，请留下你的赞和收藏，十分感谢！

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/319727.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

cefsharp实现资源替换如网页背景、移除替换标签、html标识、执行javascript脚本学习笔记（含源码说明）

cefsharp实现资源替换如网页背景、移除替换标签、html标识、执行javascript脚本学习笔记（含源码说明）

（一）实现测试（仅供学习参考） 1.1 目标系统页面（登录页）和登录后首页面中2处（一个替换一个移除） 1.2 实现后效果（使用cefsharp自定义浏览器实现以上功能） 1.3 登录后页面替换和移除 系统名称和一个功能菜单li （二）通过分析代码实现脚本编写 2.1 分开处理，设置了…
阅读更多...
STM32中断之TIM定时器详解

STM32中断之TIM定时器详解

系列文章目录 STM32单片机系列专栏 C语言术语和结构总结专栏 文章目录 1. TIM简述 2. 定时器类型 2.1 基本定时器 2.2 通用定时器 2.3 高级定时器 3. 定时中断 4. 代码示例1 5. 代码示例2 1. TIM简述 定时器的基本功能：定时器可以在预定的时间间隔内产生周…
阅读更多...
网络安全之弱口令与命令爆破（中篇）（技术进阶）

网络安全之弱口令与命令爆破（中篇）（技术进阶）

目录 一，什么是弱口令？ 二，为什么会产生弱口令呢？ 三，字典的生成 四，使用Burpsuite工具验证码爆破 总结 笔记改错 一，什么是弱口令？ 弱口令就是容易被人们所能猜到的密码呗&a…
阅读更多...
基于LLama3、Langchain,Chroma 构建RAG

基于LLama3、Langchain,Chroma 构建RAG

概要： 使用Llama3 Langchain和ChromaDB创建一个检索增强生成（RAG）系统。这将允许我们询问有关我们的文档（未包含在训练数据中）的问题，而无需对大型语言模型（LLM）进行微调。在使用RA…
阅读更多...
mysql 指定根目录 迁移根目录

mysql 指定根目录 迁移根目录

mysql 指定根目录 迁移根目录 1、问题描述2、问题分析3、解决方法3.1、初始化mysql前就手动指定mysql根目录为一个大的分区(支持动态扩容)，事前就根本上解决mysql根目录空间不够问题3.1.0、方法思路3.1.1、卸载mariadb3.1.2、下载Mysql安装包3.1.3、安装Mysql 8.353…
阅读更多...
jupyter notebook使用与本地位置设置

jupyter notebook使用与本地位置设置

本地安装好Anaconda之后，自带的有Jupter notebook。 使用jupyter notebook 使用jupyter notebook时，可以直接打开或者搜索打开： 打开后，我们生成的或者编辑的一些文件，都可以看到，如下： j…
阅读更多...
学习STM32第二十天

学习STM32第二十天

低功耗编程 一、修改主频 STM32F4xx系列主频为168MHz，当板载8MHz晶振时，系统时钟HCLK满足公式 H C L K H S E P L L N P L L M P L L P HCLK \frac{HSE \times PLLN}{PLLM \times PLLP} HCLKPLLMPLLPHSEPLLN​，在文件stm32f4xx.h中可修…
阅读更多...
uniapp 自定义相机插件（组件版、缩放、裁剪）组件 Ba-CameraView

uniapp 自定义相机插件（组件版、缩放、裁剪）组件 Ba-CameraView

自定义相机插件（组件版、缩放、裁剪） Ba-CameraView 简介（下载地址） Ba-CameraView 是一款自定义相机拍照组件，支持任意界面，支持裁剪 支持任意自定义界面支持手势缩放支持裁剪（手势拖动、比…
阅读更多...
R语言中，查看经安装的包，查看已经加载的包，查看特定包是否已经安装，安装包，更新包，卸载包

R语言中，查看经安装的包，查看已经加载的包，查看特定包是否已经安装，安装包，更新包，卸载包

创建于：2024.5.4 R语言中，查看经安装的包，查看已经加载的包，查看特定包是否已经安装，安装包，更新包，卸载包 文章目录 1. 查看经安装的包2. 查看已经加载的包3. 查看特定包是否已经安装4. 安装包…
阅读更多...
【Cpp】类和对象#拷贝构造 赋值重载

【Cpp】类和对象#拷贝构造 赋值重载

标题：【Cpp】类和对象#拷贝构造 赋值重载 水墨不写bug 目录 （一）拷贝构造 （二）赋值重载 （三）浅拷贝与深拷贝 正文开始： （一）拷贝构造 拷贝构造函数&…
阅读更多...
上位机开发PyQt（五）【Qt Designer】

上位机开发PyQt（五）【Qt Designer】

PyQt5提供了一个可视化图形工具Qt Designer，文件名为designer.exe。如果在电脑上找不到，可以用如下命令进行安装： pip install PyQt5-tools 安装完毕后，可在如下目录找到此工具软件： %LOCALAPPDATA%\Programs\Python\…
阅读更多...
Excel 批量获取sheet页名称，并创建超链接指向对应sheet页

Excel 批量获取sheet页名称，并创建超链接指向对应sheet页

参考资料 用GET.WORKBOOK函数实现excel批量生成带超链接目录且自动更新 目录 一. 需求二. 名称管理器 → 自定义获取sheet页名称函数三. 配合Index函数，获取所有的sheet页名称四. 添加超链接，指向对应的sheet页 一. 需求 ⏹有如下Excel表，需…
阅读更多...
EPAI手绘建模APP资源管理和模型编辑器2

EPAI手绘建模APP资源管理和模型编辑器2

g) 矩形 图 26模型编辑器-矩形 i. 修改矩形的中心位置。 ii. 修改矩形的长度和宽度。 h) 正多边形 图 27模型编辑器-内接正多边形 图 28模型编辑器-外切正多边形 i. 修改正多边形的中心位置。 ii. 修改正多边形中心距离端点的长度。 iii. 修改正多边形的阶数。阶数为3&…
阅读更多...
Day30：热帖排行、生成长图、将文件上传到云服务器、优化热门帖子列表、压力测试

Day30：热帖排行、生成长图、将文件上传到云服务器、优化热门帖子列表、压力测试

热帖排行 不同的算分方式： 只存变化的帖子到redis中，每五分钟算一次分，定时任务 存redis 构建redis键 //统计帖子分数 //key:post:score -> value:postId public static String getPostScoreKey() {return PREFIX_POST SPLIT "…
阅读更多...
练习题（2024/5/5）

练习题（2024/5/5）

1左叶子之和 给定二叉树的根节点 root ，返回所有左叶子之和。 示例 1： 输入: root [3,9,20,null,null,15,7] 输出: 24 解释: 在这个二叉树中，有两个左叶子，分别是 9 和 15，所以返回 24示例 2: 输入: root [1] 输…
阅读更多...
LeetCode 131 —— 分割回文串

LeetCode 131 —— 分割回文串

阅读目录 1. 题目2. 解题思路3. 代码实现 1. 题目 2. 解题思路 首先，按照 LeetCode 5——最长回文子串 中的思路，我们先求出 d p dp dp，这样我们就知道了所有的子串是否是回文子串。 然后，我们进行一个 dfs 搜索，起…
阅读更多...
5月4（信息差）

5月4（信息差）

🎄 HDMI ARC国产双精度浮点dsp杜比数码7.1声道解码AC3/dts/AAC环绕声光纤、同轴、USB输入解码板KC33C 🌍 国铁集团回应高铁票价将上涨 https://finance.eastmoney.com/a/202405043066422773.html ✨ 源代码管理平台GitLab发布人工智能编程助手DuoCha…
阅读更多...
AI大模型探索之路-训练篇11：大语言模型Transformer库-Model组件实践

AI大模型探索之路-训练篇11：大语言模型Transformer库-Model组件实践

系列篇章💥 AI大模型探索之路-训练篇1：大语言模型微调基础认知 AI大模型探索之路-训练篇2：大语言模型预训练基础认知 AI大模型探索之路-训练篇3：大语言模型全景解读 AI大模型探索之路-训练篇4：大语言模型训练数据集概…
阅读更多...
QT5带UI的常用控件

QT5带UI的常用控件

目录 新建工程，Qmainwindow带UI UI设计器 常用控件区 Buttons 按钮 containers 容器 控件属性区域 对象监视区 布局工具区 信号与槽区 简单例子1 放置一个按钮控件，改文本为发送，该按键为Button1； 按钮关联信号和…
阅读更多...
Redisson 分布式锁和同步器

Redisson 分布式锁和同步器

系列文章目录 文章目录 系列文章目录前言前言 前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站，这篇文章男女通用，看懂了就去分享给你的码吧。 redisson 是基于redis的扩展库，使得redis除了应用于缓存以外，还能做队列…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023