基于YOLOv8深度学习的汽车车身车损检测系统研究与实现(PyQt5界面+数据集+训练代码)

本文研究并实现了一种基于YOLOV8深度学习模型的汽车车身车损检测系统,旨在解决传统车损检测中效率低、精度不高的问题。该系统利用YOLOV8的目标检测能力,在单张图像上实现了车身损坏区域的精确识别和分类,尤其是在车身凹痕、车身裂纹和车身划痕等常见损伤类型的检测上取得了显著效果。通过使用YOLOV8模型,系统能够以较快的速度和较高的准确率对输入图像进行处理,满足实际应用中对实时性和可靠性的要求。

为了提升用户体验,系统采用了PyQt5框架构建了交互界面,使用户可以轻松地加载车辆图像,并查看检测到的损伤类型及其定位信息。用户界面设计直观,操作简便,可显示每个检测到的损伤类型及其在图像中的具体位置。此外,系统还支持批量图像处理功能,用户可以一次性上传多张图片,系统将逐一识别并输出损伤检测结果。这种交互设计不仅提高了系统的实用性,还为用户带来了便捷的操作体验。

在数据集方面,本文专门构建并标注了一个针对汽车车损检测的数据集,涵盖了不同类型和程度的车损案例,包括车身凹痕、裂纹和划痕等多个类别。该数据集包含了多样化的车损情况,保证了模型训练过程中的泛化能力,适用于不同车型和车损场景。同时,数据集还包含了各类车损的详细标注信息,以帮助YOLOV8模型进行深度学习训练。实验验证了模型的性能,其结果显示,该车损检测系统在不同的损伤类型上均表现出较高的检测精度和识别速度,能够有效减少漏检和误检情况。

系统的成功开发与应用为汽车保险理赔、车辆维护等领域提供了一种新型的智能化解决方案。相比于传统的人工检测方式,该系统显著提高了车损检测的效率和准确性。通过自动化的车损检测流程,保险公司可以更快速、准确地处理理赔案件,减少主观误差;而在车辆维护领域,维修人员也能够利用该系统快速定位车损,制定修复方案。总之,本文提出的车损检测系统不仅在技术上实现了创新突破,而且在实际应用中也具备了广泛的推广价值,为车损检测领域带来了新的发展前景。

算法流程

项目数据

通过搜集关于数据集为各种各样的车身车损相关图像,并使用Labelimg标注工具对每张图片进行标注,分3检测类别,分别是’车身凹痕’,’车身裂纹’,’车身划痕’。

目标检测标注工具
(1)labelimg:开源的图像标注工具,标签可用于分类和目标检测,它是用python写的,并使用Qt作为其图形界面,简单好用(虽然是英文版的)。其注释以 PASCAL VOC格式保存为XML文件,这是ImageNet使用的格式。此外,它还支持 COCO数据集格式。
(2)安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后,在cmd中输入labelimg

初识labelimg

打开后,我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录(上图中的Change Save Dir)
接下来就开始标注,画框,标记目标的label,然后d切换到下一张继续标注,不断重复重复。

Labelimg的快捷键

(3)数据准备
这里建议新建一个名为data的文件夹(这个是约定俗成,不这么做也行),里面创建一个名为images的文件夹存放我们需要打标签的图片文件;再创建一个名为labels存放标注的标签文件;最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下:
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别(这个文件可有可无,但是在我们定义类别比较多的时候,最好有这个创建一个这样的txt文件来存放类别)

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

(4)YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同,内容由N行5列数据组成。
每一行代表标注的一个目标,通常包括五个数据,从左到右依次为:类别id、x_center、y_center、width、height。
其中:
–x类别id代表标注目标的类别;
–x_center和y_center代表标注框的相对中心坐标;
–xwidth和height代表标注框的相对宽和高。

注意:这里的中心点坐标、宽和高都是相对数据!!!

存放标签类别的文件的文件名为classes.txt (固定不变),用于存放创建的标签类别。

完成后可进行后续的yolo训练方面的操作。

模型训练

模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一个SOTA模型,它建立在Yolo系列历史版本的基础上,并引入了新的功能和改进点,以进一步提升性能和灵活性,使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点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,可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者,各种指标全面超越现有对象检测与实例分割模型,借鉴了Yolov5、Yolov6、YoloX等模型的设计优点,在全面提升改进Yolov5模型结构的基础上实现,同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示:

2.数据集准备与训练

本研究使用了包含建筑外墙破损相关图像的数据集,并通过Labelimg标注工具对每张图像中的目标边框(Bounding Box)及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练,训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致,包括:数据集准备、模型训练、模型评估。本次标注的目标类别为建筑外墙破损,数据集中共计包含3073张图像,其中训练集占2456张,验证集占617张。部分图像如下图所示:

部分标注如下图所示:

图片数据的存放格式如下,在项目目录中新建datasets目录,同时将检测的图片分为训练集与验证集放入datasets目录下。

接着需要新建一个data.yaml文件,用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时,会读取该文件的信息,用于进行模型的训练与验证。
data.yaml的具体内容如下:

train: E:/VehicleDamageObjective_v8/datasets/train/images 训练集的路径
val: E:/VehicleDamageObjective_v8/datasets/val/images 验证集的路径
# test: E:/VehicleDamageObjective_v8/datasets/test/images 测试集的路径

nc: 3
names: [“dent”, “crack”, “scratch”]

这个文件定义了用于模型训练和验证的数据集路径,以及模型将要检测的目标类别。

数据准备完成后,通过调用train.py文件进行模型训练,epochs参数用于调整训练的轮数,batch参数用于调整训练的批次大小(根据内存大小调整,最小为1)。

CPU/GPU训练代码如下:

加载名为 yolov8n.pt 的预训练YOLOv8模型,yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练,主要参数说明如下:
(1)data=data_yaml_path: 指定了用于训练的数据集配置文件。
(2)epochs=150: 设定训练的轮数为150轮。
(3)batch=4: 指定了每个批次的样本数量为4。
(4)optimizer=’SGD’):SGD 优化器。
(7)name=’train_v8′: 指定了此次训练的命名标签,用于区分不同的训练实验。

3.训练结果评估

在深度学习的过程中,我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练,主要涉及三类损失:定位损失(box_loss)、分类损失(cls_loss)以及动态特征损失(dfl_loss)。训练完成后,相关的训练过程和结果文件会保存在 runs/ 目录下,具体如下:

各损失函数作用说明:
定位损失box_loss:预测框与标定框之间的误差(GIoU),越小定位得越准;
分类损失cls_loss:计算锚框与对应的标定分类是否正确,越小分类得越准;
动态特征损失(dfl_loss):DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时,目标框需要缩放到特征图尺度,即除以相应的stride,并与预测的边界框计算Ciou Loss,同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分,通过计算DFLLoss可以更准确地调整预测框的位置,提高目标检测的准确性。

训练结果如下:

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势,具体如下:

train/box_loss:
(1)这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。
(2)随着训练的进行,损失逐渐降低,说明模型在定位边界框方面的性能在提高。

train/cls_loss:
(1)这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。
(2)曲线逐渐下降,表明模型在类别分类任务上也在逐渐收敛。

train/dfl_loss:
(1)这是分布聚焦损失(distribution focal loss),用于帮助模型对目标框的精确定位。
(2)这一损失同样随着训练的进行而减小,表明模型在预测边界框时越来越准确。

metrics/precision(B):
(1)这是训练集上的精度(precision)曲线。精度表示模型在检测到的目标中有多少是真正的目标。
(2)尽管有波动,但整体趋势是上升的,表明模型误检减少。

metrics/recall(B):
(1)这是训练集上的召回率(recall)曲线。召回率表示模型检测出的真实目标的比例。
(2)召回率随着训练增加而提高,说明模型的漏检率降低。

val/box_loss:
(1)这是验证集上的边界框损失曲线。
(2)与训练中的趋势相似,损失逐渐减小,说明模型在验证数据上的表现也在提升。

val/cls_loss:
(1)这是验证集上的分类损失曲线。
(2)损失随训练过程下降,验证了模型在不同数据集上的一致性。

val/dfl_loss:
(1)这是验证集上的分布聚焦损失曲线。
(2)与训练集一样,损失逐渐下降。

metrics/mAP50(B):
(1)这是验证集上的mAP50曲线,表示在交并比阈值为0.5时模型的平均精度(mean Average Precision)。
(2)随着训练的增加,mAP50逐渐提高,说明模型的检测精度在不断提升。

metrics/mAP50-95(B):
(1)这是验证集上的mAP50-95曲线,表示在不同交并比阈值(从0.5到0.95)下模型的平均精度。
(2)曲线的上升趋势表明模型在更高的IoU阈值上表现良好,具有较好的泛化能力。

总结:
(1)损失函数(box_loss、cls_loss、dfl_loss)在训练和验证集上的逐步下降,说明模型在训练和验证集上的性能都在逐渐提高。
(2)精确率和召回率逐渐提高,表明模型在减少误检和漏检方面表现较好。
(3)mAP50和mAP50-95曲线的上升趋势显示了模型在不同阈值下的平均检测精度逐渐提升,验证了模型的收敛效果和准确性。

总体而言,模型在训练过程中表现出良好的收敛性和稳健性,表明其适用于车损检测任务,并具备较高的泛化性能。

这张图展示的是 Precision-Recall 曲线,用于评估模型在不同类别下的检测性能。以下是详细解释:

曲线解释:
(1)蓝色粗线:表示整体的精确率-召回率曲线,展示了模型在所有类别上的平均表现。该曲线的区域表示整体的平均精度(mAP),在IoU阈值为0.5时的mAP值为0.505。
(2)浅蓝色线:代表“dent”(凹痕)类别。其mAP值为0.597,曲线显示出较高的精确率和中等的召回率,说明模型在识别凹痕时表现较好。
(3)橙色线:代表“crack”(裂纹)类别。mAP值为0.089,曲线在低召回率时的精确率急剧下降,显示出模型在检测裂纹时表现较弱。
(4)绿色线:代表“scratch”(划痕)类别。其mAP值为0.829,曲线显示出较高的精确率和召回率,说明模型在划痕检测方面表现非常出色。

整体性能(all classes):
(1)蓝色粗线代表所有类别的综合表现,mAP@0.5为0.505。这表明,虽然模型在某些类别上表现较好,但在整体上有进一步提升的空间。

这张精确率-召回率曲线图清晰地展示了YOLOv8模型在不同损伤类别上的检测性能差异。模型对划痕和凹痕检测表现较好,但在裂纹检测方面表现不佳,需要进一步优化。

4.检测结果识别

模型训练完成后,我们可以得到一个最佳的训练结果模型best.pt文件,在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下:

加载所需库:
(1)from ultralytics import YOLO:导入YOLO模型类,用于进行目标检测。
(2)import cv2:导入OpenCV库,用于图像处理和显示。

加载模型路径和图片路径:
(1)path = ‘models/best.pt’:指定预训练模型的路径,这个模型将用于目标检测任务。
(2)img_path = “TestFiles/imagetest.jpg”:指定需要进行检测的图片文件的路径。

加载预训练模型:
(1)model = YOLO(path, task=’detect’):使用指定路径加载YOLO模型,并指定检测任务为目标检测 (detect)。
(2)通过 conf 参数设置目标检测的置信度阈值,通过 iou 参数设置非极大值抑制(NMS)的交并比(IoU)阈值。

检测图片:
(1)results = model(img_path):对指定的图片执行目标检测,results 包含检测结果。

显示检测结果:
(1)res = results[0].plot():将检测到的结果绘制在图片上。
(2)cv2.imshow(“YOLOv8 Detection”, res):使用OpenCV显示检测后的图片,窗口标题为“YOLOv8 Detection”。
(3)cv2.waitKey(0):等待用户按键关闭显示窗口

此代码的功能是加载一个预训练的YOLOv8模型,对指定的图片进行目标检测,并将检测结果显示出来。

执行imgTest.py代码后,会将执行的结果直接标注在图片上,结果如下:

这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果,具体内容如下:

图像信息:
(1)处理的图像路径为:TestFiles/imagetest.jpg。
(2)图像尺寸为 416×416 像素。

检测结果:
(1)模型在该图片上检测到 1 个车身凹痕(”1 dent”)

处理速度:
(1)预处理时间: 3.9ms。
(2)推理时间: 4.7ms。
(3)后处理时间: 76.5ms。

输出的这些信息有助于了解检测到的车身车损类别,以及模型在该特定图像上的推理表现。

运行效果

– 运行 MainProgram.py

1.主要功能:
(1)可用于实时检测目标图片中的车身车损;
(2)支持图片、视频及摄像头进行检测,同时支持图片的批量检测;
(3)界面可实时显示目标位置、目标总数、置信度、用时等信息;
(4)支持图片或者视频的检测结果保存。

2.检测结果说明:

这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释:

用时(Time taken):
(1)这表示模型完成检测所用的时间为0.049秒。
(2)这显示了模型的实时性,检测速度非常快。

目标数目(Number of objects detected):
(1)检测到的目标数目为1,表示这是当前检测到的第1个目标。

目标选择(下拉菜单):全部:
(1)这里有一个下拉菜单,用户可以选择要查看的目标类型。
(2)在当前情况下,选择的是“全部”,意味着显示所有检测到的目标信息。

类型(Type):
(1)当前选中的行为类型为 “车身凹痕”,表示系统正在高亮显示检测到的“dent”。

置信度(Confidence):
(1)这表示模型对检测到的目标属于“车身凹痕”类别的置信度为96.74%。
(2)置信度反映了模型的信心,置信度越高,模型对这个检测结果越有信心。

目标位置(Object location):
(1)xmin: 117, ymin: 113:目标的左上角的坐标(xmin, ymin),表示目标区域在图像中的位置。
(2)xmax: 324, ymax: 380:目标的右下角的坐标(xmax, ymax),表示目标区域的边界。

这些坐标表示在图像中的目标区域范围,框定了检测到的“车身凹痕”的位置。

这张图展示了车身车损的一次检测结果,包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果,提升车身车损检测的效率。

3.图片检测说明
(1)车身凹痕

(2)车身划痕

(3)车身裂纹

点击打开图片按钮,选择需要检测的图片,或者点击打开文件夹按钮,选择需要批量检测图片所在的文件夹。
操作演示如下:
(1)点击目标下拉框后,可以选定指定目标的结果信息进行显示。
(2)点击保存按钮,会对检测结果进行保存,存储路径为:save_data目录下。

检测结果:系统识别出图片中的车身车损,并显示检测结果,包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。

4.视频检测说明

点击视频按钮,打开选择需要检测的视频,就会自动显示检测结果,再次点击可以关闭视频。
点击保存按钮,会对视频检测结果进行保存,存储路径为:save_data目录下。

检测结果:系统对视频进行实时分析,检测到车身车损并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。

这个界面展示了系统对视频帧中的多目标检测能力,能够准确识别车身车损,并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮,可以打开摄像头,可以实时进行检测,再次点击,可关闭摄像头。

检测结果:系统连接摄像头进行实时分析,检测到车身车损并显示检测结果。实时显示摄像头画面,并将检测到的行为位置标注在图像上,表格下方记录了每一帧中检测结果的详细信息。

6.保存图片与视频检测说明

点击保存按钮后,会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。
检测的图片与视频结果会存储在save_data目录下。
保存的检测结果文件如下:

图片文件保存的csv文件内容如下,包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注:其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。

(1)图片保存

(2)视频保存

– 运行 train.py
1.训练参数设置

(1)data=data_yaml_path: 使用data.yaml中定义的数据集。
(2)epochs=150: 训练的轮数设置为100轮。
(3)batch=4: 每个批次的图像数量为4(批次大小)。
(4)name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
(5)optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。

虽然在大多数深度学习任务中,GPU通常会提供更快的训练速度。
但在某些情况下,可能由于硬件限制或其他原因,用户需要在CPU上进行训练。

温馨提示:在CPU上训练深度学习模型通常会比在GPU上慢得多,尤其是像YOLOv8这样的计算密集型模型。除非特定需要,通常建议在GPU上进行训练以节省时间。

2.训练日志结果

这张图展示了使用YOLOv8进行模型训练的详细过程和结果。

训练总时长:
(1)模型在训练了150轮后,总共耗时2.992小时。

各类指标:
(1)对于dent,精确率为0.684,召回率为0.552,mAP50为0.597,mAP50-95为0.352。
(2)对于crack,精确率为0.251,召回率为0.135,mAP50为0.0886,mAP50-95为0.0349,表现相对较低,表明模型在识别裂纹方面仍有较大提升空间。
(3)对于scratch,精确率为0.811,召回率为0.792,mAP50为0.829,mAP50-95为0.572,表现相对较好。

速度:
(1)0.2ms 预处理时间
(2)1.3ms 推理时间
(3)0.8ms 后处理时间

结果保存:
(1)Results saved to runs\detect\train_v8:验证结果保存在 runs\detect\train_v8 目录下。

完成信息:
(1)Process finished with exit code 0:表示整个验证过程顺利完成,没有报错。

这张图展示了使用YOLOv8模型训练和验证汽车车损检测系统的具体过程和性能指标,表明该模型在车损检测任务上具有良好的检测速度和较高的准确性。

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/475731.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

【前端学习笔记】Javascript学习二(运算符、数组、函数)

一、运算符 运算符(operator)也被称为操作符,是用于实现赋值、比较和执行算数运算等功能的符号。 JavaScript中常用的运算符有: 算数运算符、递增和递减运算符、比较运算符、逻辑运算符、赋值运算符 算数运算符: 、-…

python实战案例----使用 PyQt5 构建简单的 HTTP 接口测试工具

python实战案例----使用 PyQt5 构建简单的 HTTP 接口测试工具 文章目录 python实战案例----使用 PyQt5 构建简单的 HTTP 接口测试工具项目背景技术栈用户界面核心功能实现结果展示完整代码总结 在现代软件开发中,测试接口的有效性与响应情况变得尤为重要。本文将指导…

网络安全之信息收集-实战-1

请注意,本文仅供合法和授权的渗透测试使用,任何未经授权的活动都是违法的。 实战:补天公益src“吉林通用航空职业技术学院” 奇安信|用户登录https://www.butian.net/Loo/submit?cid64918 域名或ip:https://www.jlth…

鸿蒙实战:使用隐式Want启动Ability

文章目录 1. 实战概述2. 实现步骤2.1 创建鸿蒙应用项目2.2 修改Index.ets代码2.3 创建LuzhouAbility2.4 创建Luzhou页面2.5 设置模块配置文件 3. 测试效果4. 实战总结 1. 实战概述 本次鸿蒙应用实战,先创建项目“ImplicitWantStartAbility”,接着修改In…

STM32低功耗设计NFC与无线距离感应智能钥匙扣-分享

目录 目录 前言 一、本设计主要实现哪些很“开门”功能? 二、电路设计原理图 1.电路图采用Altium Designer进行设计: 2.实物展示图片 三、程序源代码设计 四、获取资料内容 前言 智能钥匙扣作为一种小巧而实用的智能设备,凭借其便携性…

【Node.js】Node.js 和浏览器之间的差异

Node.js 是一个强大的运行时环境,它在现代 JavaScript 开发中扮演着重要角色。然而,许多开发者在使用 Node.js 时常常会感到困惑,尤其是与浏览器环境的对比。本文将深入探讨 Node.js 和浏览器之间的差异,帮助你全面理解两者的设计…

qt之telnet连接目标设备在线调试功能

一、前言 在QT下使用telnet连接目标设备,进行在线命令调试,也可配合ftp或ssh使用。 telnet某些库在qt5下不可用,无法获取登录信息,只能获取到连接信息,这里我用自己的方式判断是否成功登录 二、环境 window qt5.7…

小熊派Nano接入华为云

一、华为云IoTDA创建产品 创建如下服务,并添加对应的属性和命令。 二、小熊派接入 根据小熊派官方示例代码D6完成了小熊派接入华为云并实现属性上传命令下发。源码:小熊派开源社区/BearPi-HM_Nano 1. MQTT连接代码分析 这部分代码在oc_mqtt.c和oc_mq…

Hbuilder X/Uniapp 关于app运行调试及mumu模拟器运行问题

Hbuilder X 关于app调试问题及mumu模拟器链接问题 Hbuilder 关于app调试问题1. app运行配置2. adb路径配置3. 模拟器端口查询4. 运行 Hbuilder 关于app调试问题 1. app运行配置 Hbuilder > 工具 > 设置 > 运行配置 adb路径配置(见2) Android模…

MySQL-关键字执行顺序

&#x1f496;简介 在MySQL中&#xff0c;SQL查询语句的执行遵循一定的逻辑顺序&#xff0c;即使这些关键字在SQL语句中的物理排列可能有所不同。 &#x1f31f;语句顺序 (8) SELECT (9) DISTINCT<select_list> (1) FROM <left_table> (3) <join_type> JO…

【SpringBoot】26 实体映射工具(MapStruct)

Gitee 仓库 https://gitee.com/Lin_DH/system 介绍 现状 为了让应用程序的代码更易于维护&#xff0c;通常会将项目进行分层。在《阿里巴巴 Java 开发手册》中&#xff0c;推荐分层如下图所示&#xff1a; 每层都有对应的领域模型&#xff0c;即不同类型的 Bean。 DO&…

RPC-健康检测机制

什么是健康检测&#xff1f; 在真实环境中服务提供方是以一个集群的方式提供服务&#xff0c;这对于服务调用方来说&#xff0c;就是一个接口会有多个服务提供方同时提供服务&#xff0c;调用方在每次发起请求的时候都可以拿到一个可用的连接。 健康检测&#xff0c;能帮助从连…

Enterprise Architect 16 下载、安装与无限30天操作

文章目录 Enterprise Architect 16 简介&#xff08;一&#xff09;支持多种建模语言和标准&#xff08;二&#xff09;强大的版本控制、协作和文档管理功能&#xff08;三&#xff09;增强的技术和用户体验&#xff08;四&#xff09;高级功能和扩展性 一&#xff0c;下载软件…

小程序租赁系统开发为企业提供高效便捷的租赁服务解决方案

内容概要 在这个数字化飞速发展的时代&#xff0c;小程序租赁系统应运而生&#xff0c;成为企业管理租赁业务的一种新选择。随着移动互联网的普及&#xff0c;越来越多的企业开始关注如何利用小程序来提高租赁服务的效率和便捷性。小程序不仅可以为用户提供一个快速、易用的平…

定时器的小应用

第一个项目 第一步&#xff0c;RCC开启时钟&#xff0c;这个基本上每个代码都是第一步&#xff0c;不用多想&#xff0c;在这里打开时钟后&#xff0c;定时器的基准时钟和整个外设的工作时钟就都会同时打开了 RCC_APB1PeriphClockCmd(RCC_APB1Periph_TIM2, ENABLE);第二步&…

JVM--内存结构

目录 1. PC Register&#xff08;程序计数器&#xff09; 1.1 定义 1.2 工作原理 1.3 特点 1.4 应用 2.虚拟机栈 2.1定义与特性 2.2内存模型 2.3工作原理 2.4异常处理 2.5应用场景 2.6 Slot 复用 2.7 动态链接详解 1. 栈帧与动态链接 动态链接的作用&#xff1a…

一文读懂Redis6的--bigkeys选项源码以及redis-bigkey-online项目介绍

一文读懂Redis6的--bigkeys选项源码以及redis-bigkey-online项目介绍 本文分为两个部分&#xff0c;第一是详细讲解Redis6的--bigkeys选项相关源码是怎样实现的&#xff0c;第二部分为自己对--bigkeys源码的优化项目redis-bigkey-online的介绍。redis-bigkey-online是自己开发的…

Go语言跨平台桌面应用开发新纪元:LCL、CEF与Webview全解析

开篇寄语 在Go语言的广阔生态中&#xff0c;桌面应用开发一直是一个备受关注的领域。今天&#xff0c;我将为大家介绍三款基于Go语言的跨平台桌面应用开发框架——LCL、CEF与Webview&#xff0c;它们分别拥有独特的魅力和广泛的应用场景。通过这三款框架&#xff0c;你将能够轻…

音视频入门基础:MPEG2-TS专题(5)——FFmpeg源码中,判断某文件是否为TS文件的实现

一、引言 通过FFmpeg命令&#xff1a; ./ffmpeg -i XXX.ts 可以判断出某个文件是否为TS文件&#xff1a; 所以FFmpeg是怎样判断出某个文件是否为TS文件呢&#xff1f;它内部其实是通过mpegts_probe函数来判断的。从《FFmpeg源码&#xff1a;av_probe_input_format3函数和AVI…

C++初阶学习第十一弹——list的用法和模拟实现

目录 一、list的使用 二.list的模拟实现 三.总结 一、list的使用 list的底层是双向链表结构&#xff0c;双向链表中每个元素存储在互不相关的独立节点中&#xff0c;在节点中通过指针指向 其前一个元素和后一个元素。 常见的list的函数的使用 std::list<int> It {1,…