SAP维护成本控制范围

最新推荐文章于 2025-05-17 07:25:19 发布
最新推荐文章于 2025-05-17 07:25:19 发布
阅读量1k 收藏 4
点赞数
文章标签： 前端框架 后端 架构 运维
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/HONGTAO9999/article/details/128087945
版权

维护成本控制范围（OKKP）

路径：IMG——企业结构——定义——控制——维护成本控制范围

 

 

 

 

 

 

 

 

鼠spirit
关注
计算机视觉目标检测算法对比：R-CNN、YOLO与SSD全面解析
热门推荐
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
04-21 10万+
计算机视觉目标检测算法对比：R-CNN、YOLO与SSD全面解析，人工智能、AI、计算机视觉领域中，目标检测是一项至关重要的任务，其旨在识别图像或视频中感兴趣的目标物体，并确定它们的位置。从安防监控中的人员检测，到自动驾驶中的行人、车辆识别，目标检测技术都有着广泛的应用。在众多目标检测算法中，R-CNN、YOLO 和 SSD 具有代表性，它们各自有着独特的设计理念和技术路线，在不同场景下展现出不同的性能表现。本文将深入剖析这三种算法，通过原理阐述、性能对比以及代码示例，帮助读者全面理解它们的特点与差异。
一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理
黎国溥
10-08 3万+
本文分享YOLO11的关键改进点、性能对比、安装使用、模型训练和推理等内容。YOLO11 是 Ultralytics 最新的实时目标检测器，凭借更高的精度、速度和效率重新定义了可能性。除了传统的目标检测外，YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测（旋转目标检测）等视觉任务。1. YOLOv3：核心改进：YOLOv3 是 YOLO 系列的第三代，由 Joseph Redmon 于 2018 年发布，标志着 YOLO 从原始的单尺度检测进化到多尺度检测。
2024年的YOLO系列回顾：YOLOv9、YOLOv10、YOLO11
阿旭的博客
12-11 8492
2024年的YOLO系列回顾：YOLOv9、YOLOv10、YOLO11
YOLOv8安装配置全流程，一篇文章带你进入YOLOv8奇妙世界！（内涵yolov8资源）
weixin_43366149的博客
08-10 8万+
YOLOv8一条龙安装教程，跟着此教程配置，都可以正常使用，如有问题，评论区提问
YOLOv11 解读
不积跬步，无以至千里！
04-12 1577
结构上的创新：引入了如C3k2模块、SPPF和C2PSA等新元素，增强了其特征提取和处理能力。这些改进使得模型能够更好地分析和解释复杂的视觉信息，在各种场景中可能提高检测精度。增强了注意力机制：集成了复杂的空域注意力机制，特别是C2PSA组件。使模型能够更有效地聚焦图像中的关键区域，增强了其检测和分析物体的能力。改进的注意力能力对于识别复杂或部分遮挡的物体尤为有利，解决了物体检测任务中常见的难题。多功能模型：YOLO11的多功能性超越了物体检测，包括实例分割、图像分类、姿态估计和定向物体检测等任务。
YOLO v8！| 附教程+代码 以及 vs YOLOv6 v3.0
Warmer_Sweeter
04-07 3235
本文是我关于YOLOv8的经验和实验，以及和YOLOv6 v3.0的相关对比。Part 1 -YOLOv8Joseph Redmon、Santosh Divvala、Ross Girshick和Ali Farhadi推出了YOLO（You Only Look Once）系列计算机视觉模型，引起了许多人工智能爱好者的关注和喜爱。2023年1月10日，YOLO的最新版本——YOLO8发布，声称在结...
YOLO框架最新综述从YOLOV1-YOLOV11（2024年10月23）
sexy19910923的博客
10-29 1万+
这篇文章《YOLO框架：目标检测中的演变、应用与基准的全面回顾》是一篇关于YOLO（You Only Look Once）框架的综合性回顾。
yolo系列算法最新进展
luoganttcc的博客
03-27 1083
YOLO（You Only Look Once）系列算法作为目标检测领域的代表性模型，自2016年推出以来不断迭代，在速度与精度之间寻求平衡。
yolov11源码+yolov11n、s、m.pt文件整合8.3.20版本
10-27
ultralytics yolov11 8.3.20版本，源码+yolov11n、s、m.pt文件整合，适合外网访问不了的使用
YOLO11模型推理 | 目标检测与跟踪 | 实例分割 | 关键点估计 | OBB旋转目标检测
黎国溥
10-09 1万+
本文分享YOLO11的模型推理，检测任务包括物体分类、目标检测与跟踪、实例分割 、关键点估计、旋转目标检测等。
YOLOv8训练中的问题解析与解决方案全汇总：报错、精度与损失优化实践（附代码与详细教程）
一键难忘的博客
11-24 4774
模型在自定义数据集上的训练看似正常，但预测时无法检测到任何目标。如果使用了自定义模块，可以通过定义自适应的 FLOPs 计算函数来支持。例如，若模型使用了out_c = 16将注册到 YOLO 模型中，确保框架能够计算 GFLOPs。本文详细分析了使用 YOLOv8 训练过程中常见的报错场景，并针对每种问题提供了明确的原因和解决方案，同时结合代码实例加以说明。通过系统性地排查和优化，可以有效提升训练效率与模型性能。
源码解析篇 | YOLO11：计算机视觉领域的新突破 ！对比YOLOv8如何 ？
突然好想你
11-04 2758
作为Ultralytics YOLO系列实时目标检测器的最新迭代，YOLO11凭借尖端的准确性、速度和效率，重新定义了性能极限，为目标检测、分割、分类、定向边界框检测以及姿态估计等多样计算机视觉任务树立了新标杆。🌈
学习经验分享【37】YOLOv10解读——最新YOLO版本
m0_70388905的博客
05-25 1万+
YOLOv10解读——最新YOLO版本
yolo v8.3.135更新，模型导出更稳定，预测速度大提升！全面解读YOLO最新版本，让你效率翻倍！
福大大架构师每日一题
05-17 584
YOLO v8.3.135不仅是版本号的简单递进，更代表着Ultralytics在功能完善和用户体验上的持续投入。从更稳定的模型导出，到更快捷的预测性能，再到更智能的视频方案与详细文档支持，每一点改进都直击开发者痛点。
YOLOe问世，实时观察一切，统一开放物体检测和分割
小白学视觉
03-18 207
自 2015 年由华盛顿大学的 Joseph Redmon 研究团队提出 YOLO（You Only Look Once）以来，这项突破性的目标检测技术就像为机器装上了「闪电之眼」，凭借单次推理的实时性能刷新了计算机视觉的认知边界。不管是面对文本提示、视觉提示，甚至在无提示的情况下，模型都能借助区域级视觉语言预训练，实现对任意类别的精准识别。传统的 YOLO 系列如同我们人工效准的精密仪器，其识别能力被严格框定在预定义的类别目录之中，每个检测框的背后，都需要工程师手动输入认知词典。
2024最新的YOLOv8安装配置全流程，人人都可以学会的图像识别技术指南
immerseinstudy的博客
07-14 2万+
工欲善其事必先利其器，学Yolov8必须首先学会环境搭建。
YOLOv8改进 | 主干篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv8（含MobileNetV4全部版本改进）
Snu77的博客
05-08 8636
本文给大家带来的改进机制是MobileNetV4，MobileNetV4是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。这些创新有助于在不牺牲准确性的情况下，显著提高推理速度和计算效率。MobileNetV4作为一种移动端的网络，其实它的论文中主要是配合蒸馏技术进行改进，大家可以搭配本专栏的蒸馏进行二次创新涨点。
TensorRT-YOLO：灵活易用的 YOLO 部署工具
weixin_37083395的博客
12-28 136
????TensorRT-YOLO 是一款专为 NVIDIA 设备设计的易用灵活、极致高效的YOLO系列推理部署工具。项目不仅集成了 TensorRT 插件以增强后处理效果，还使用了 CUDA 核函数以及 CUDA 图来加速推理。TensorRT-YOLO 提供了 C++ 和 Python 推理的支持，旨在提供????开箱即用的部署体验。包括 目标检测、实例分割、图像分类、姿态识别、旋转目标检测、视频分析等...
重磅更新！YOLO v8.3.100发布：全面支持PaddlePaddle 3.0，模型导出更高效，文档教程大升级！
福大大架构师每日一题
04-03 473
正式发布，本次更新不仅优化了PaddlePaddle的兼容性，还大幅提升了模型导出功能，并新增了丰富的教程资源。无论你是工业部署、学术研究，还是个人项目，这一版本都能让你的工作更加高效！“YOLO v8.3.100的PaddlePaddle支持太及时了！”——某AI企业工程师。“DeepStream教程简直是救星，半天就搞定了 Jetson Xavier 的部署！各位AI开发者、计算机视觉爱好者们，Ultralytics团队再次带来重磅更新！ddlePaddle #AI #计算机视觉 #深度学习。
PS D:\yolo\ultralytics-v8.3.40> & C:/anaconda/envs/yolov11_11/python.exe d:/yolo/ultralytics-v8.3.40/ultralytics-v8.3.40/datasets/dan/on.py Ultralytics 8.3.40 🚀 Python-3.11.9 torch-2.7.0+cu126 CPU (12th Gen Intel Core(TM) i7-12650H) YOLOv11n summary (fused): 238 layers, 2,582,347 parameters, 0 gradients, 6.3 GFLOPs PyTorch: starting from 'D:\yolo\ultralytics-v8.3.40\runs\detect\train6\weights\best.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 5, 8400) (5.2 MB) requirements: Ultralytics requirements ['onnx>=1.12.0', 'onnxslim', 'onnxruntime'] not found, attempting AutoUpdate... Looking in indexes: https://mirrors.ustc.edu.cn/pypi/web/simple Requirement already satisfied: onnx>=1.12.0 in c:\anaconda\lib\site-packages (1.14.1) Requirement already satisfied: onnxslim in c:\anaconda\lib\site-packages (0.1.53) Requirement already satisfied: onnxruntime in c:\anaconda\lib\site-packages (1.14.1) Requirement already satisfied: numpy in c:\anaconda\lib\site-packages (from onnx>=1.12.0) (1.21.6) Requirement already satisfied: protobuf>=3.20.2 in c:\anaconda\lib\site-packages (from onnx>=1.12.0) (4.24.4) Requirement already satisfied: typing-extensions>=3.6.2.1 in c:\anaconda\lib\site-packages (from onnx>=1.12.0) (4.7.1) Requirement already satisfied: sympy in c:\anaconda\lib\site-packages (from onnxslim) (1.1.1) Requirement already satisfied: packaging in c:\anaconda\lib\site-packages (from onnxslim) (17.1) Requirement already satisfied: coloredlogs in c:\anaconda\lib\site-packages (from onnxruntime) (15.0.1) Requirement already satisfied: flatbuffers in c:\anaconda\lib\site-packages (from onnxruntime) (25.2.10) Requirement already satisfied: humanfriendly>=9.1 in c:\anaconda\lib\site-packages (from coloredlogs->onnxruntime) (10.0) Requirement already satisfied: pyparsing>=2.0.2 in c:\anaconda\lib\site-packages (from packaging->onnxslim) (2.2.0) Requirement already satisfied: six in c:\anaconda\lib\site-packages (from packaging->onnxslim) (1.11.0) Requirement already satisfied: pyreadline in c:\anaconda\lib\site-packages (from humanfriendly>=9.1->coloredlogs->onnxruntime) (2.1) requirements: AutoUpdate success ✅ 1.4s, installed 3 packages: ['onnx>=1.12.0', 'onnxslim', 'onnxruntime'] requirements: ⚠️ Restart runtime or rerun command for updates to take effect ONNX: export failure ❌ 1.5s: No module named 'onnx' Traceback (most recent call last): File "d:\yolo\ultralytics-v8.3.40\ultralytics-v8.3.40\datasets\dan\on.py", line 7, in model.export(format='onnx') File "C:\anaconda\envs\yolov11_11\Lib\site-packages\ultralytics\engine\model.py", line 737, in export return Exporter(overrides=args, _callbacks=self.callbacks)(model=self.model) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\anaconda\envs\yolov11_11\Lib\site-packages\ultralytics\engine\exporter.py", line 359, in call f[2], _ = self.export_onnx() ^^^^^^^^^^^^^^^^^^ File "C:\anaconda\envs\yolov11_11\Lib\site-packages\ultralytics\engine\exporter.py", line 146, in outer_func raise e File "C:\anaconda\envs\yolov11_11\Lib\site-packages\ultralytics\engine\exporter.py", line 141, in outer_func f, model = inner_func(*args, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "C:\anaconda\envs\yolov11_11\Lib\site-packages\ultralytics\engine\exporter.py", line 452, in export_onnx import onnx # noqa ^^^^^^^^^^^ ModuleNotFoundError: No module named 'onnx' PS D:\yolo\ultralytics-v8.3.40>
最新发布
05-28
<think>好的，我现在需要帮助用户解决ONNX模块导出失败的问题，具体是ModuleNotFoundError:Nomodulenamed&#39;onnx&#39;这个错误。用户的环境信息是Ultralytics8.3.40，Python3.11.9，torch2.7.0+cu126，使用的是Anaconda虚拟环境yolov11_11。首先，我得分析这个错误的原因。ModuleNotFoundError通常意味着Python在当前的虚拟环境中找不到指定的模块。用户提到他们使用的是Anaconda虚拟环境，所以首先要确认是否正确安装了onnx包。可能的情况是用户没有安装onnx，或者在错误的虚拟环境中安装了它。接下来，我需要给出解决方案。第一步应该是激活用户的虚拟环境，然后检查是否安装了onnx。如果没安装，应该指导用户通过pip或conda安装。考虑到用户使用的是Anaconda，可能更推荐使用conda安装，但有时候conda的包可能不够新，所以也可以建议pip安装。另外，可能需要安装onnxruntime或者其他的依赖库，但主要问题应该是onnx本身缺失。另外，用户可能混淆了全局环境和虚拟环境，特别是在使用Anaconda时，有时候可能忘记激活环境就进行安装，导致包被安装到全局环境中。因此，需要提醒用户确保激活正确的虚拟环境后再进行安装。还要考虑兼容性问题，比如onnx与Python版本或其他库如torch的兼容性。但根据用户提供的torch版本是2.7.0+cu126，这个版本应该与最新的onnx兼容。不过，可能需要建议用户安装特定版本的onnx，或者升级到最新版本以确保兼容性。最后，验证安装是否成功，可以通过在Python中导入onnx来测试。如果用户按照步骤操作后仍然有问题，可能需要进一步检查环境变量或安装路径是否正确，或者是否存在多个Python环境冲突的情况。此外，根据用户提供的引用内容，虽然引用中有提到虚拟环境的激活和退出，但主要问题还是模块缺失，所以重点放在安装步骤上。同时，用户可能需要导出模型时的一些额外依赖，比如protobuf，但首要解决的是onnx模块的缺失。</think>### 解决Python环境中ModuleNotFoundError: No module named &#39;onnx&#39;问题的方法 #### 1. 确认虚拟环境激活状态 首先确保已正确激活Anaconda虚拟环境`yolov11_11`： ```bash conda activate yolov11_11 ``` 激活后命令行提示符应显示环境名称[^1]。 #### 2. 安装ONNX模块 在激活的虚拟环境中执行以下命令： ```bash pip install onnx ``` 或使用conda安装： ```bash conda install -c conda-forge onnx ``` #### 3. 验证安装结果 在Python交互环境中测试导入： ```python import onnx print(onnx.__version__) # 应输出1.X.X格式版本号 ``` #### 4. 补充依赖安装（可选） 某些模型导出需要额外依赖： ```bash pip install onnxruntime onnxsim ``` #### 5. 检查环境隔离性 若仍报错，检查是否在正确环境中执行： ```bash which python # 应显示虚拟环境路径 pip list | grep onnx ``` #### 6. 升级工具链（推荐） 确保相关库版本兼容： ```bash pip install --upgrade ultralytics torch onnx ``` ### 典型问题排查流程 $$ \text{错误根源} \rightarrow \text{环境激活} \rightarrow \text{依赖检查} \rightarrow \text{版本验证} $$ ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值