【目标检测】用YOLOv8-Segment训练语义分割数据集（保姆级教学）

前言

这篇教程会手把手带你用 YOLOv8-Segment 搭建一个属于自己的分割任务项目。从环境配置到数据集准备，再到模型训练和测试，所有步骤都有详细说明，适合初学者使用。你将学会如何安装必要的软件，标注自己的数据，并使用 YOLOv8-Segment 实现自定义目标的实例分割。我们还提供了实用的代码示例，方便你在这个基础上自由调整和优化。

准备工作（必看）

  1. 安装 Anaconda 并熟悉基本命令
    本项目主要基于 Conda 环境进行配置与管理。如果尚未安装 Anaconda，可以参考我的另一篇文章：一步步教你在 Windows 上轻松安装 Anaconda以及使用常用conda命令（超详细）获取详细安装及使用指南。

  2. 安装 PyCharm（版本 > 2023.1）
    本项目建议使用 PyCharm 加载 Conda 环境进行开发与管理，可以参考相关教程完成 PyCharm 的安装和基础配置。

  3. 熟练使用 LabelMe 进行分割标注
    本项目要求用户预先准备好 JPG 格式的数据集，并使用 labelme 工具完成目标区域的分割标注。分割标注将生成 JSON 文件，稍后会介绍如何将这些文件转换为 YOLOv8 可用的格式。如果您对 labelme 的使用不熟悉，可以参考我的另一篇教程：小白快速上手 labelme：新手图像标注详解教程。

一、下载 YOLOv8 源码

方法一：从官网直接下载（推荐）

  1. 打开 YOLOv8 的 GitHub 官方页面。
  2. 点击页面上的 “Code” 按钮，选择 “Download ZIP” 直接下载源码。

在这里插入图片描述

  1. 下载完成后，请将压缩包解压至 D 盘或 E 盘等非系统盘，并重命名为 yolov8-segment，以减少可能由于系统权限问题导致的错误（解压路径可根据个人需求进行选择，请确保记录路径以便后续使用）。

在这里插入图片描述

方法二：通过 Git 克隆源码（适合有一定基础的用户）

  1. 打开终端或命令提示符，输入以下命令将 YOLOv8 源码克隆到本地：

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

  2. 下载完成后，将文件夹重命名为 yolov8-segment：

    mv ultralytics yolov8-segment

  3. 进入 yolov8-segment 文件夹：

    cd yolov8-segment

文件结构简介

下载完成后，ultralytics 文件夹的核心结构如下：

ultralytics/
├── ultralytics/
│   ├── yolo/        # YOLOv8 的核心代码，包括检测、分割和分类功能
│   ├── datasets/    # 示例数据集
│   ├── models/      # 模型定义
│   ├── utils/       # 工具函数
├── setup.py         # 安装脚本
└── README.md        # 项目说明
└── ......           # 其它

二、环境安装

1. 创建并激活 YOLOv8 环境

conda create -n yolov8 python==3.9  # 创建python版本3.9名为yolov8的conda环境conda activate yolov8  # 激活创建的yolov8环境

2. 配置Pytorch环境

YOLOv8 可以在GPU或CPU环境下运行，但推荐在GPU上运行以加快训练速度。

检查NVIDIA GPU及其CUDA支持情况

nvidia-smi是NVIDIA驱动自带的命令行工具，可以查看显卡的CUDA支持情况和驱动信息。打开命令提示符（或CMD），输入：

nvidia-smi

如果系统输出了显卡信息，并显示CUDA版本（例如CUDA Version: 12.7），则表明显卡支持CUDA同时支持GPU，否则不支持GPU 。

在这里插入图片描述

方式一：使用Conda安装（推荐）

  1. 打开 Previous PyTorch Versions | PyTorch 官网，选择<= CUDA Version 的Conda命令并复制（若不支持GPU则选择 CPU 的Conda命令）。

    在这里插入图片描述

  2. 在终端中执行对应的安装命令，以安装PyTorch和CUDA / CPU支持。

  3. 安装完成后，可以在终端中输入conda list pytorch检查安装情况：(本教程仅展示CUDA版本的安装结果)

在这里插入图片描述

  • pytorch 2.3.1：这是安装的PyTorch版本，适用于Python 3.9，并支持CUDA 12.1和cuDNN 8。
  • pytorch-cuda 12.1：这是安装的CUDA支持包，指明CUDA版本为12.1。
  • pytorch-mutex 1.0：这是一个互斥包，用来确保在同一环境中只启用一种加速方式（如CUDA），避免安装冲突。

方式二：使用Pip安装

  1. 打开 Previous PyTorch Versions | PyTorch 官网，选择<= CUDA Version 的Pip命令并复制（若不支持GPU则选择 CPU 的Pip命令）。

在这里插入图片描述

  1. 在终端中执行对应的安装命令，以安装PyTorch和CUDA / CPU支持。

  2. 安装完成后，可以在终端中输入pip list检查安装情况。

在这里插入图片描述

  • torch 2.3.0：核心库（版本2.3.0），用于构建和训练神经网络。
  • torchaudio 2.3.0：音频处理库（版本2.3.0），为音频数据的加载、预处理和增强提供了工具
  • torchvision 0.18.0：计算机视觉库（版本0.18.0），包含了常用的图像数据集、数据增强和预训练模型。
  1. 下载安装CUDA支持的torch + torchvision + torchaudio (仅GPU版本需要)。
    • 打开网址 https://download.pytorch.org/whl/torch_stable.html
    • 选择与上面对应版本的torch并下载至本地

在这里插入图片描述

cu121：表示此安装包支持 CUDA 12.1，也就是说，这个版本的 PyTorch 可以利用带有 CUDA 12.1 的 NVIDIA GPU 进行计算加速。torch-2.3.1+cu121：说明这是 PyTorch 2.3.1 版本的安装包，并且这个版本支持 CUDA 12.1。在 PyTorch 中，不同 CUDA 版本对应不同的 GPU 支持，确保安装的 PyTorch 版本兼容设备的 CUDA 版本很重要。cp39-cp39：表示该安装包是针对 Python 3.9（“cp39”代表 CPython 3.9）的版本。这里的 cp39-cp39 意味着此包适用于 Python 3.9 的 CPython 解释器（CPython 是 Python 的标准实现）。win_amd64：表示该安装包适用于 Windows 操作系统，并支持 64位架构（AMD64）。如果您的系统是 Windows 64 位，这个包是兼容的。
  • 在终端中输入以下命令以安装指定的 .whl 文件（请将路径替换为您下载的 .whl 文件的实际保存位置）
  pip install D:\torch_gpu\torch-2.3.1+cu121-cp39-cp39-win_amd64.whl
  • torchvision与torchaudio安装方式同理
  • 安装完毕后再次在终端中输入pip list检查安装情况，如果输出结果中显示类似以下内容，则表明安装成功

在这里插入图片描述

3. Pycharm中加载YOLOv8环境

  1. 在Pycharm中打开yolov8-segment项目
  2. 打开设置 - - > 项目: yolov8-segment- - > python解释器 - - > 添加解释器 - - > 添加本地解释器

在这里插入图片描述

  1. 选择Conda环境 - - > 浏览Anaconda目录下\Library\bin\conda.bat - - > 加载环境 - - > 使用现有环境 - - > 选择yolov8 - - > 点击确定

在这里插入图片描述

4. 安装YOLOv8依赖项

  1. 打开Pycharm本地终端

在这里插入图片描述

  1. 使用以下命令安装 Ultralytics 库和相关依赖：
pip install ultralytics opencv-python matplotlib

三、数据集准备

3.1 数据集初始格式

为了准备 YOLOv8 Segment 模型所需的数据集，请按照以下步骤组织文件夹结构：

  1. 在项目根目录 yolov8-segment 下新建 datasets 文件夹。
  2. 在 datasets 文件夹内新建一个名为 segment 的子文件夹。
  3. 在 segment 文件夹内，新建以下两个子文件夹：
    • img 文件夹：用于存放任务所需的图片，格式建议为 JPG 或 PNG。
    • json 文件夹：用于存放与图片对应的标注文件，格式为 JSON（推荐使用工具如 Labelme 生成）。

文件夹结构示例

yolov8-segment/
├── datasets/
│   ├── segment/
│       ├── img/        # 存放图片
│       │   ├── image1.jpg
│       │   ├── image2.jpg
│       ├── json/       # 存放标注文件
│           ├── image1.json
│           ├── image2.json

注意事项

  • 图片文件夹 img：包含任务图片，每张图片的文件名应唯一且对应相应的标注文件，例如 image1.jpg。
  • 标注文件夹 json：包含与图片一一对应的 JSON 标注文件，文件名与图片名一致，例如 image1.json。
  • 一致性：确保图片和 JSON 文件的文件名完全一致，以免后续处理出错。

3.2 数据集转换和分割

为了使用 YOLOv8 Segment 模型，我们需要将 JSON 格式的标注文件转换为 YOLO格式的 .txt 文件，并按照训练和验证的比例划分数据集。以下是具体步骤：

1. 新建转换脚本

在项目根目录下新建一个脚本文件 segment_json2txt.py。这个脚本的主要功能是：

  1. 格式转换：将标注工具（如 Labelme）生成的 JSON 格式标注文件转换为 YOLO 格式的 .txt 文件，方便 YOLOv8 模型直接使用。

  2. 数据集划分：将图片和对应的标签文件按照一定比例（如 90% 训练集，10% 验证集）划分为训练集和验证集。

  3. 生成配置文件：自动生成一个名为 segment.yaml 的配置文件，该文件包含数据集路径、类别名称和类别数量，供 YOLOv8 模型训练时使用。

# -*- coding: utf-8 -*-
from tqdm import tqdm
import shutil
import random
import os
import argparse
from collections import Counter
import yaml
import jsondef mkdir(path):if not os.path.exists(path):os.makedirs(path)def convert_label_json(json_dir, save_dir, classes):json_paths = os.listdir(json_dir)classes = classes.split(',')mkdir(save_dir)for json_path in tqdm(json_paths):# for json_path in json_paths:path = os.path.join(json_dir, json_path)with open(path, 'r') as load_f:json_dict = json.load(load_f)h, w = json_dict['imageHeight'], json_dict['imageWidth']# save txt pathtxt_path = os.path.join(save_dir, json_path.replace('json', 'txt'))txt_file = open(txt_path, 'w')for shape_dict in json_dict['shapes']:label = shape_dict['label']label_index = classes.index(label)points = shape_dict['points']points_nor_list = []for point in points:points_nor_list.append(point[0] / w)points_nor_list.append(point[1] / h)points_nor_list = list(map(lambda x: str(x), points_nor_list))points_nor_str = ' '.join(points_nor_list)label_str = str(label_index) + ' ' + points_nor_str + '\n'txt_file.writelines(label_str)def get_classes(json_dir):'''统计路径下 JSON 文件里的各类别标签数量'''names = []json_files = [os.path.join(json_dir, f) for f in os.listdir(json_dir) if f.endswith('.json')]for json_path in json_files:with open(json_path, 'r') as f:data = json.load(f)for shape in data['shapes']:name = shape['label']names.append(name)result = Counter(names)return resultdef main(image_dir, json_dir, txt_dir, save_dir):# 创建文件夹mkdir(save_dir)images_dir = os.path.join(save_dir, 'images')labels_dir = os.path.join(save_dir, 'labels')img_train_path = os.path.join(images_dir, 'train')img_val_path = os.path.join(images_dir, 'val')label_train_path = os.path.join(labels_dir, 'train')label_val_path = os.path.join(labels_dir, 'val')mkdir(images_dir)mkdir(labels_dir)mkdir(img_train_path)mkdir(img_val_path)mkdir(label_train_path)mkdir(label_val_path)# 数据集划分比例，训练集75%，验证集15%，测试集15%，按需修改train_percent = 0.90val_percent = 0.10total_txt = os.listdir(txt_dir)num_txt = len(total_txt)list_all_txt = range(num_txt)  # 范围 range(0, num)num_train = int(num_txt * train_percent)num_val = int(num_txt * val_percent)train = random.sample(list_all_txt, num_train)# 在全部数据集中取出trainval = [i for i in list_all_txt if not i in train]# 再从val_test取出num_val个元素，val_test剩下的元素就是test# val = random.sample(list_all_txt, num_val)print("训练集数目：{}, 验证集数目：{}".format(len(train), len(val)))for i in list_all_txt:name = total_txt[i][:-4]srcImage = os.path.join(image_dir, name + '.jpg')srcLabel = os.path.join(txt_dir, name + '.txt')if i in train:dst_train_Image = os.path.join(img_train_path, name + '.jpg')dst_train_Label = os.path.join(label_train_path, name + '.txt')shutil.copyfile(srcImage, dst_train_Image)shutil.copyfile(srcLabel, dst_train_Label)elif i in val:dst_val_Image = os.path.join(img_val_path, name + '.jpg')dst_val_Label = os.path.join(label_val_path, name + '.txt')shutil.copyfile(srcImage, dst_val_Image)shutil.copyfile(srcLabel, dst_val_Label)obj_classes = get_classes(json_dir)classes = list(obj_classes.keys())# 编写yaml文件classes_txt = {i: classes[i] for i in range(len(classes))}  # 标签类别data = {'path': os.path.join(os.getcwd(), save_dir),'train': "images/train",'val': "images/val",'names': classes_txt,'nc': len(classes)}with open(save_dir + '/segment.yaml', 'w', encoding="utf-8") as file:yaml.dump(data, file, allow_unicode=True)print("标签：", dict(obj_classes))if __name__ == "__main__":"""python json2txt_nomalize.py --json-dir my_datasets/color_rings/jsons --save-dir my_datasets/color_rings/txts --classes "cat,dogs""""classes_list = 'platemetal,label,Dust_plug,screws'  # 类名parser = argparse.ArgumentParser(description='json convert to txt params')parser.add_argument('--image-dir', type=str,default='datasets/segment/img', help='图片地址')parser.add_argument('--json-dir', type=str,default='datasets/segment/json', help='json地址')parser.add_argument('--txt-dir', type=str,default='datasets/segment/txt' , help='保存txt文件地址')parser.add_argument('--save-dir', default='datasets/segment/seg', type=str, help='保存最终分割好的数据集地址')parser.add_argument('--classes', type=str, default=classes_list, help='classes')args = parser.parse_args()json_dir = args.json_dirtxt_dir = args.txt_dirimage_dir = args.image_dirsave_dir = args.save_dirclasses = args.classes# json格式转txt格式convert_label_json(json_dir, txt_dir, classes)# 划分数据集，生成yaml训练文件main(image_dir, json_dir, txt_dir, save_dir)

2. 修改路径参数

数据集划分比例（segment_json2txt.py第90行左右）
# 数据集划分比例
train_percent = 0.90  # 训练集占比
val_percent = 0.10    # 验证集占比

默认设置为训练集 90%，验证集 10%，没有单独测试集。如果需要，可以按需修改，例如训练集 75%，验证集 15%，测试集 10%。

参数说明及调整

在运行脚本时，需要指定以下参数，根据你的数据集路径和类别定义进行调整：

  • --image-dir：图片文件夹路径，例如 datasets/segment/img。
  • --json-dir：JSON 标注文件夹路径，例如 datasets/segment/json。
  • --txt-dir：生成的 TXT 文件存放路径，例如 datasets/segment/txt。
  • --save-dir：最终分割数据集存放路径
  • --classes：分割任务中的类别名称（必改）

在这里插入图片描述

3. 运行脚本

在这里插入图片描述

运行脚本后（终端输出类似上图），会生成两个文件夹：

  • txt：包含转换为 YOLO 格式的标签文件。
  • seg：分割好的最终数据集，包括 train 和 val 子文件夹，以及一个用于训练的 segment.yaml 配置文件。

以下是运行脚本后生成的示例目录结构：

datasets/
├── segment/
│   ├── txt/                    # 包含转换为 YOLO 格式的标签文件
│   │   ├── image1.txt
│   │   ├── image2.txt
│   │   ├── image3.txt
│   │   └── ...                # 其他标签文件
│   ├── seg/                   # 分割好的最终数据集
│       ├── images/            # 存放划分后的图像
│       │   ├── train/         # 训练集图片
│       │   │   ├── image1.jpg
│       │   │   ├── image2.jpg
│       │   │   ├── image3.jpg
│       │   │   └── ...       # 更多训练图片
│       │   ├── val/           # 验证集图片
│       │       ├── image4.jpg
│       │       ├── image5.jpg
│       │       ├── image6.jpg
│       │       └── ...       # 更多验证图片
│       ├── labels/            # 存放划分后的标签
│           ├── train/         # 训练集标签
│           │   ├── image1.txt
│           │   ├── image2.txt
│           │   ├── image3.txt
│           │   └── ...       # 更多训练标签
│           ├── val/           # 验证集标签
│               ├── image4.txt
│               ├── image5.txt
│               ├── image6.txt
│               └── ...       # 更多验证标签
│       ├── segment.yaml       # 用于 YOLOv8 训练的配置文件

3.3 下载预训练权重

3.3.1 YOLOv8-Segment 预训练权重（已停用）

  • 在 yolov8-segment 根目录下创建一个文件夹 weights
  • 打开 开源工具包/YOLOv8分割预训练权重，点击"下载zip"

在这里插入图片描述

  • 解压其目录下的"YOLOv8分割预训练权重.zip"内容至weights文件夹

在这里插入图片描述

3.3.2 YOLOv11-Segment 预训练权重

  • 在 yolov8-egment 根目录下创建一个文件夹 weights ，打开 Ultralytics 官方文档中关于 YOLOv11 分割任务的说明页面，下滑找到预训练权重，点击下载至 weights 文件夹（下载预训练权重）

在这里插入图片描述
以下是weights的示例目录结构：

yolov8-segment/
├── weights/├── yolo11n-segment.pt├── yolo11s-segment.pt├── yolo11m-segment.pt├── ...

四、训练模型

训练命令

Pycharm本地终端使用以下命令启动训练：

yolo train task=segment data=datasets/segment/seg/segment.yaml model=weights/yolo11s-seg.pt epochs=50 imgsz=640 batch=8 workers=0 device=0

在这里插入图片描述

  • 该命令表示使用 YOLOv8 的分割任务 (segment)，加载自定义权重 yolo11s-seg.pt，基于配置文件 segment.yaml 中的数据集，训练 50 个轮次，每次训练 8 张图片，输入图像尺寸为 640，使用第 0 块 GPU 进行训练。

  • 提示：您可以根据设备配置或训练需求，灵活调整如 epochs（训练轮次）、batch（批次大小）和 imgsz（图像尺寸）等参数，以优化训练效率和性能。

参数含义示例值
train操作模式，指定当前命令为训练模式。必须明确指定 train
task指定任务类型。segment（实例分割）、detect（目标检测）
data数据集配置文件路径，定义训练集、验证集路径及类别信息。datasets/segment/seg/segment.yaml
model预训练权重文件路径，用于微调训练。weights/yolo11s-seg.pt、yolov8n-seg.pt
epochs训练的总轮数，表示数据集被遍历的次数。50（快速训练）、100（标准训练）
imgsz输入图像的尺寸（宽和高），所有图片会被缩放到这个大小进行训练。640（默认值，推荐）、512（较小尺寸）
batch每次训练的图片数量（批次大小），越大需要的显存越多。8（低显存设备）、16（推荐值）、32
workers数据加载线程数，0 表示使用主线程，适合 Windows 系统或资源受限的设备。0（默认值）、4（推荐）、8（多线程加载）
device指定训练设备。可以使用 GPU 或 CPU，数字代表 GPU 编号。0（第 0 块 GPU）、1（第 1 块 GPU）、cpu （使用CPU）

运行结果

训练完成后，模型权重和日志文件将保存在默认的 runs/segment/train 文件夹中，可以通过以下方式查看：

  • 权重文件：runs/segment/train/weights/ 下包含最新的训练权重（last.pt）和最佳权重（best.pt）。
  • 训练日志：包含训练精度、损失值等信息。

五、验证测试

1、推理命令

使用 YOLOv8-Segment 进行实例分割推理测试：

yolo predict task=segment model=runs/segment/train/weights/best.pt source=/path/to/image.jpg conf=0.25 show=True
  • task=segment：指定任务类型为实例分割。
  • model：训练生成的模型权重路径。
  • source：指定推理的输入源，支持以下几种格式：
    • 单张图片：/path/to/image.jpg
    • 文件夹（多张图片）：/path/to/images/
    • 视频文件：/path/to/video.mp4
    • 摄像头：使用 0 表示默认摄像头。
    • 网络流：支持 RTSP/HTTP URL，例如 rtsp://username:password@ip_address:port
  • conf：置信度阈值，默认为 0.25，设置更高的值可减少低置信度结果。
  • iou：IOU 阈值，默认为 0.45，调整后可以控制重叠目标的处理。
  • save：是否保存预测结果，默认开启。
  • show：是否直接显示推理结果。
  • device：指定运行设备
    • GPU：0（第 0 块 GPU）、1（第 1 块 GPU）。
    • CPU："cpu"。

2、自定义脚本

  • 在 yolov8-segment 根目录下创建 segment_detect.py，内容如下：
from ultralytics import YOLO# 加载训练好的模型
model = YOLO("runs/segment/train/weights/best.pt")  # 替换为实际的权重路径# 执行推理
model.predict(task="segment",                # 指定任务类型为实例分割source="path/to/image.jpg",    # 输入源：图片、视频、文件夹或摄像头（如 0 表示摄像头）conf=0.25,                     # 置信度阈值，过滤低置信度目标iou=0.45,                      # IOU 阈值，控制目标框的重叠过滤save=True,                     # 是否保存预测结果，默认保存到指定目录save_txt=False,                # 是否保存预测结果为文本save_conf=False,               # 是否保存预测框的置信度值show=True,                     # 是否实时显示预测结果device=0                       # 使用设备（0 表示第 0 块 GPU，或者 'cpu' 表示使用 CPU）
)

运行后，分割结果会保存到 runs/segment/predict 目录中，结果图片中将包含分割区域的掩码和轮廓，便于观察分割效果。

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/472836.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

爬虫开发工具与环境搭建——开发工具介绍

爬虫开发工具与环境搭建——开发工具介绍

第二章&#xff1a;爬虫开发工具与环境搭建 第一节 开发工具介绍 爬虫开发需要一些合适的工具和框架来高效地抓取网页数据。在这节中&#xff0c;我们将介绍常用的开发工具&#xff0c;帮助开发者快速搭建爬虫开发环境。 1. Python与爬虫框架选择 Python因其简洁、易学的语法…
阅读更多...
类和对象——拷贝构造函数，赋值运算符重载（C++）

类和对象——拷贝构造函数，赋值运算符重载（C++）

1.拷⻉构造函数 如果⼀个构造函数的第⼀个参数是自身类类型的引用&#xff0c;且任何额外的参数都有默认值&#xff0c;则此构造函数也叫做拷贝构造函数&#xff0c;也就是说拷贝构造是⼀个特殊的构造函数。 // 拷贝构造函数//d2(d1) Date(const Date& d) {_year d._yea…
阅读更多...
高级数据结构——hash表与布隆过滤器

高级数据结构——hash表与布隆过滤器

文章目录 hash表与布隆过滤器1. hash函数2. 选择hash函数3. 散列冲突3.1 负载因子3.2 冲突解决3. STL中的散列表 4. 布隆过滤器4.1 背景1. 应用场景2. 常见的处理场景&#xff1a; 4.2 布隆过滤器构成4.3 原理4.4 应用分析4.5 要点 5. 分布式一致性hash5.1 缓存失效问题 6. 大数…
阅读更多...
xcode-select: error: tool ‘xcodebuild‘ requires Xcode, but active developer

xcode-select: error: tool ‘xcodebuild‘ requires Xcode, but active developer

打开 .sh 文件所在的终端窗口&#xff0c;执行终端命令&#xff1a;sh 文件名.sh&#xff0c;出现如下错误&#xff1a; 解决办法&#xff1a;
阅读更多...
java中volatile 类型变量提供什么保证？能使得一个非原子操作变成原子操作吗？

java中volatile 类型变量提供什么保证？能使得一个非原子操作变成原子操作吗？

大家好&#xff0c;我是锋哥。今天分享关于【java中volatile 类型变量提供什么保证&#xff1f;能使得一个非原子操作变成原子操作吗&#xff1f;】面试题。希望对大家有帮助&#xff1b; java中volatile 类型变量提供什么保证&#xff1f;能使得一个非原子操作变成原子操作吗&…
阅读更多...
candence ： 通孔焊盘、插装器件封装绘制

candence ： 通孔焊盘、插装器件封装绘制

通孔焊盘、插装器件封装绘制 以2.54mm 2x10的 排针为例绘制封装 一、 flash 热风焊盘制作 1、新建 2、选择 flash SYMBOL&#xff0c;并设置保存路径 3、add flash 具体参数 花焊盘参数 Inner diameter 通孔直径(1.0mm) 圆形补偿值(0.4mm)1.4mm Outer diameter 通孔直径…
阅读更多...
VSCode设置

VSCode设置

打开设置页 VSCode打开配置页面&#xff0c;有多种方式&#xff1a; a. 点击左上角 File(文件) -> Preferences (首选项) -> Settings(设置)。 b. 使用快捷键 Ctrl ,(Windows) 或 Cmd ,(Mac)。 c. 点击左下角 Manage(管理) -> Settings(设置)。 VSCode设置页面打…
阅读更多...
SpringMVC数据校验、数据格式化处理、国际化设置

SpringMVC数据校验、数据格式化处理、国际化设置

SpringMVC数据校验、数据格式化处理、国际化设置 1.数据验证 &#xff08;1)使用JSR-303验证框架 JSR&#xff08;Java Specification Requests&#xff09;&#xff0c;意思是Java 规范提案。JSR-303是JAVA EE 6中的一项子规范&#xff0c;叫做Bean Validation。JSR 303&am…
阅读更多...
加速 AI 创新：引入 Elastic AI 生态系统

加速 AI 创新：引入 Elastic AI 生态系统

作者&#xff1a;来自 Elastic Alyssa Fitzpatrick, Steve Kearns 生成式人工智能 (Generative AI - GenAI) 正在改变我们所熟知的商业格局。为了简化和加速开发人员构建和部署检索增强生成 (retrieval augmented generation - RAG) 应用程序的方式&#xff0c;Elastic 自豪地宣…
阅读更多...
SpringSecurity 鉴权认证入门讲解

SpringSecurity 鉴权认证入门讲解

​ Spring Security 是 Spring 家族中的一个安全管理框架。相比与另外一个安全框架Shiro&#xff0c;它提供了更丰富的功能&#xff0c;社区资源也比Shiro丰富。 ​ 一般来说中大型的项目都是使用SpringSecurity 来做安全框架。小项目有Shiro的比较多&#xff0c;因为相比与Sp…
阅读更多...
# ubuntu 安装的pycharm不能输入中文的解决方法

# ubuntu 安装的pycharm不能输入中文的解决方法

ubuntu 安装的pycharm不能输入中文的解决方法 一、问题描述&#xff1a; 当在 ubuntu 系统中&#xff0c;安装了 pycharm&#xff08;如&#xff1a;pycharm2016, 或 pycharm2018&#xff09;,打开 pycharm 输入代码时&#xff0c;发现不能正常输入中文&#xff0c;安装的搜狗…
阅读更多...
小白进！QMK 键盘新手入门指南

小白进！QMK 键盘新手入门指南

经常玩键盘的伙伴应该都知道&#xff0c;现在的键盘市场可谓是百花齐放&#xff0c;已经不是之前的单一功能产品化时代。我们可以看到很多诸如&#xff1a;机械轴键盘、磁轴键盘、光轴键盘、电感轴键盘&#xff0c;以及可能会上市的光磁轴键盘&#xff0c;更有支持屏幕的、带旋…
阅读更多...
EXCEL 或 WPS 列下划线转驼峰

EXCEL 或 WPS 列下划线转驼峰

使用场景&#xff1a; 需要将下划线转驼峰&#xff0c;直接在excel或wps中第一行使用公式&#xff0c;然后快速刷整个列格式即可。全列工下划线转为格式&#xff0c;使用效果如下&#xff1a; 操作步骤&#xff1a; 第一步&#xff1a;在需要显示驼峰的一列&#xff0c;复制以…
阅读更多...
微信小程序：vant组件库安装步骤

微信小程序：vant组件库安装步骤

前言&#xff1a;在微信小程序中引用vant组件报错&#xff0c;提示路径不存在&#xff0c;这很有可能是因为没有安装构建vant组件库导致。下面是我整理的安装vant组件库的步骤: 第一步&#xff1a;安装node.js(执行完第一步请重启小程序) 具体步骤请看链接&#xff1a;node.js…
阅读更多...
vue3【实战】切换全屏【组件封装】FullScreen.vue

vue3【实战】切换全屏【组件封装】FullScreen.vue

效果预览 原理解析 使用 vueUse 里的 useFullscreen() 实现 代码实现 技术方案 vue3 vite UnoCSS vueUse 组件封装 src/components/FullScreen.vue <template><component:is"tag"click"toggle":class"[!isFullscreen ? i-ep:full-sc…
阅读更多...
GPIO相关的寄存器（重要）

GPIO相关的寄存器（重要）

目录 一、GPIO相关寄存器概述 二、整体介绍 三、详细介绍 1、端口配置低寄存器&#xff08;GPIOx_CRL&#xff09;&#xff08;xA...E&#xff09; 2、端口配置高寄存器&#xff08;GPIOx_CRH&#xff09;&#xff08;xA...E&#xff09; 3、端口输入数据寄存器&#xff…
阅读更多...
【Hadoop实训】Hive 数据操作②

【Hadoop实训】Hive 数据操作②

延续上一篇文章&#xff0c;不懂的宝子们请看以下链接&#xff1a; 【Hadoop实训】Hive 数据操作①-CSDN博客 目录 一、Group by 语句 (1)、计算emp表每个部门的平均工资 (2)、计算emp表每个部门中每个岗位的最高工资 二、Having 语句 (1)、求每个部门的平均工资 (2)、求每个…
阅读更多...
Vulhub漏洞复现---solr---CVE-2019-17558

Vulhub漏洞复现---solr---CVE-2019-17558

漏洞描述 Apache Solr 5.0.0到Apache Solr 8.3.1容易受到通过VelocityResponseWriter执行的远程代码的攻击。Velocity模板可以通过configset ’ Velocity / 目录中的Velocity模板或作为参数提供。用户定义的configset可以包含可呈现的、潜在的恶意模板。参数提供的模板在默认情…
阅读更多...
ADS学习笔记 5. 微带天线设计

ADS学习笔记 5. 微带天线设计

基于ADS2023 update2 参考书籍&#xff1a;卢益锋老师《ADS射频电路设计与仿真学习笔记》 更多笔记&#xff1a;ADS学习笔记 1. 功率放大器设计ADS学习笔记 2. 低噪声放大器设计ADS学习笔记 3. 功分器设计ADS学习笔记 4. 微带分支定向耦合器设计 目录 0、设计指标 1、微带…
阅读更多...
【JAVA】使用IDEA创建maven聚合项目

【JAVA】使用IDEA创建maven聚合项目

【JAVA】使用IDEA创建maven聚合项目 1.效果图 2.创建父模块项目 2.1删除父模块下面的src目录以及不需要的maven依赖 3创建子模块项目 3.1右击父模块项目选择Module… 3.2创建子模块 3.3删除子模块下不需要的maven依赖 4.子模块创建完成后引入SpringBoot依赖启动项目
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023