mongodb验证库url写法

最新推荐文章于 2024-11-13 11:31:59 发布
最新推荐文章于 2024-11-13 11:31:59 发布
阅读量2.1k 收藏 1
点赞数
分类专栏： mongodb 文章标签： mongodb
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/Lonely_Devil/article/details/111320046
版权

java中

 uri: mongodb://mdprodadmin:Pjv%3Cg%40nVo%23i0qO*w6XUv%23vyU%25m@127.0.0.1:27017/phonezz?authSource=${auth_db:admin}

数据库工具端

uri: mongodb://mdprodadmin:Pjv%3Cg%40nVo%23i0qO*w6XUv%23vyU%25m@127.0.0.1:27017/phonezz?authSource=admin

主要就是后面验证库的写法区别

海思SS928/SD3403移植Yolov8（2）
zxt1920的博客
06-12 791
海思SS928/SD3403移植yolov8第二步，ascend toolkit工具的安装和使用
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（1）
Littro Innovations
09-26 2303
海思SS928，SS926以及Hi3519dv500,hi3516dv500下的yolov7模型部署推理系列
Hi3519DV500移植Yolov8
apchy_ll的博客
11-13 2206
海思3519dv500，yolov8移植全流程
hi3516dv500、hi3519dv500移植yolov7,yolov8 （1）
多波段AI相机方案
05-01 620
hi3516dv500,hi3519dv500移植yolov7与yolov8
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（9）
Littro Innovations
01-16 1669
上一节yolov8的训练已经完成了，现在要开始做模型的转换了，这里和yolov7方式相似，但是有一些差异，尤其是yolov7的不带NMS部分的输出顺序和yolov8的输出顺序与格式是有差异的。尾部链接了 我们自定义的DecBBox，Filter，Sort还有NMS。这里面filter和NMS的过滤条件不用管，在推理代码里还要重新配置一下，用这个默认配置就可以。我们一个一个看，首先filter.py里 要先增加个Filter的自定义层。这个部分和yolov7方式是完全一样的。下面是和yolov7的对比。
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（3）
Littro Innovations
12-19 1798
经过调试后中终于在hi3519dv500和hi3516dv500两个平台中都实现的算法验证。同时可以做自己定制的算法模型的移植了，下面是两个移植案例效果。识别运行时间上做了对比和统计，具体的可以看下面的表格。总体来说速度还是比较快的，Yolo系列算法实时运行是几乎没有任何问题。训练到量化过程已经全部验证完，期待在项目中使用。涉及到技术细节的部分因为商业用途，有部分省略。如需相关技术服务项目合作可私信联系。
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（24）SS928/SD3403推理yolov8 - om量化
Littro Innovations
07-03 921
这里有个小注意的地方，新的ultralytics8.2版本最近更新的比较多，导出模型前最好看一下源码，虽然区别不大，改的时候对应自己用的版本改就可以。topK，low_score_thresh，num_thresh 这些参数后面都可以在程序里改，不用太在意。这里数据格式按照自己的图像输入格式而定，输入格式有特别多的格式，依据自己的程序来配置。我训练的模型是两个类的，这里面class_num和自己模型的类别数有关系。另外导出时选择Onnx12的版本，13，14的版本可能会有问题。导出后的模型结构是这样的。
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（2）
Littro Innovations
11-29 1944
本篇是在海思嵌入式芯片中移植yolov7和yolov8的第二篇。做一个调试的小总结。目前手上有SS928还有Hi3516dv500两个板子，3519DV500板子还没开始调。Hi3519dv500和3516是同一套SDK，基本上是一样的，算力稍高一点，ARM主频高一点。我们主要对yolov7和yolov8进行了从训练到量化，部署的工作。训练之前要改一下训练源码，不然训练完也跑不起来。量化过程是先转Onnx模型，然后Onnx再用MindStudio转om模型。
海思hi3519dv500,hi3516dv500移植yolov8-模型处理
Littro Innovations
03-04 2530
上一节yolov8的训练已经完成了，现在要开始做模型的转换了，这里和yolov7方式相似，但是有一些差异，尤其是yolov7的不带NMS部分的输出顺序和yolov8的输出顺序与格式是有差异的。尾部链接了 我们自定义的DecBBox，Filter，Sort还有NMS。这里面filter和NMS的过滤条件不用管，在推理代码里还要重新配置一下，用这个默认配置就可以。我们一个一个看，首先filter.py里 要先增加个Filter的自定义层。这个部分和yolov7方式是完全一样的。下面是和yolov7的对比。
hi3516dv500、hi3519dv500移植yolov7,yolov8 （2）
多波段AI相机方案
05-01 315
hi3516dv500,hi3519dv500移植yolov7与yolov8
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（11）
Littro Innovations
01-24 1619
继续讲onnx模型转换om模型的步骤。这一篇主要就是来讲如何正确的导出Om模型。这个导出方式和以前Ruyistudio导出模型方式特别类似。只是不在windows平台里，在linux里。 相关Python安装和库安装之前已经讲过了，这里就不重复了。
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（12）
Littro Innovations
01-29 1824
hi3516dv500推理yolov8
海思芯片Hi3516DV500：引领智能监控领域的创新
weixin_71135378的博客
09-19 412
随着智能监控技术的快速发展和广泛应用，海思（Hisilicon）旗下的Hi3516DV500芯片成为了该领域中备受瞩目的关键技术之一。
Hi3516/Hi3519DV500移植YOLOV5、YOLOV6、YOLOV7、YOLOV8开发环境搭建--安装交叉编译工具链--（3）
cumtwys的专栏
11-01 528
本专栏采用vmware虚拟机搭建开发环境，若采用物理机原理大同小异。，使用阿里镜像下载速度超级快。
Hi3516/Hi3519DV500移植YOLOV5、YOLOV6、YOLOV7、YOLOV8开发环境搭建--安装ATC&MindStudio--（4）
cumtwys的专栏
11-01 676
然后，重启MindStudio可以看到右下角已经不报错了，点击如下图所示All Setting……至此，全部的开发环境已安装完毕，下面可进行yolo的sample的移植和验证了。，本专栏采用vmware虚拟机搭建开发环境，若采用物理机原理大同小异。如若显示交叉编译工具链未安装，重启系统再次查看。3.4、运行MindStudio，打开控制台运行如下命令。运行如下命令，修复右下角的报错。勾选，点击Continue。运行setenv.sh脚本。，使用阿里镜像下载速度超级快。
Hi3516/Hi3519DV500移植YOLOV5、YOLOV6、YOLOV7、YOLOV8开发环境搭建--安装开发环境AMCT、依赖包等--（2）
cumtwys的专栏
11-01 723
下载地址https://mirrors.aliyun.com/ubuntu-releases/18.04/，使用阿里镜像下载速度超级快。安装依赖环境等可以用root账户，也可以使用普通账户这里我们采用的是普通用户安装。，本专栏采用vmware虚拟机搭建开发环境，若采用物理机原理大同小异。安装vim，更改权限。至此python3.7.5安装完毕。，则执行如下命令重新安装pip。
海思Hi3519 DV500 部署yolov5并加速优化
嵌入式人工智能相关
04-15 4913
海思Hi3519 DV500 部署yolov5并加速优化
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（7）
Littro Innovations
01-05 1800
第一个和第二个值分别对应 阈值设置nms_threshold，IOU_score_threshold，具体值与模型本身有关，如果叠框明显就调高IOU值，如果误报很多就调高NMS值。初始化时还需要配置一下IOU与NMS的阈值，在模型导出时其实在代码里已经有默认值，但是在这里初始化过程中会更新对应的阈值，首先SDK里推理验证方式有两种，一个是用H264实时视频流的方式，还有一种是通过图片的方式。至此，yolov7的整个过程就OK了，下一篇我们讲讲如何使用yolov8的模型。首先在参数配置中选择对应的模型。
海思NNIE开发·yolov8
烂笔头·张的博客
09-22 1598
手把手教你如何部署yolov8算法至软件定义相机中运行。
hi3519dv500 yolov8
最新发布
01-21
### hi3519dv500 平台上的 YOLOv8 实现与适配 #### 依赖环境配置 为了确保YOLOv8能够在hi3519dv500平台上顺利运行，首先需要确认Python以及pip的版本。安装完成后应验证如下命令返回预期的结果： ```bash python3.7.5 --version pip3.7.5 --version ``` 这一步骤对于后续操作至关重要，因为不兼容的解释器或包管理工具可能导致项目构建失败[^4]。 #### SDK准备 鉴于Hi3519dv500和Hi3516dv500共享相同的SDK框架，在移植过程中可以利用这一点简化开发流程。这意味着针对其中一个型号编写的大部分代码同样适用于另一个型号，仅需调整部分参数以适应不同处理器性能差异即可[^3]。 #### 移植YoloV8至目标平台 具体到YOLOv8模型向hi3519dv500迁移的过程，主要涉及以下几个方面的工作： - **优化推理引擎**：根据硬件特性定制化裁剪神经网络结构，提高计算效率的同时减少资源占用； - **集成NPU加速支持**：充分利用海思芯片内置的人工智能处理单元（Neural Processing Unit），加快图像识别速度并降低功耗； - **调试与测试**：完成上述步骤之后进行全面的功能性和稳定性检验，确保最终产品能够稳定工作于实际应用场景之中。 通过以上措施可以在很大程度上保障YOLOv8成功部署到基于hi3519dv500架构的产品当中去[^2]。
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