k8s+helm部署Milvus和Qdrant向量数据库

向量数据库选型与实战:Milvus、pgvector、Chroma等8款对比与部署指南 向量数据库作为大模型知识库与语义检索的核心组件,正被越来越多的开发团队纳入技术选型。其基本原理是将文本或图片映射为高维向量,通过近似最近邻搜索实现相似内容召回。成熟的向量数据库能显著降低检索延迟、提升召回精度,并支撑RAG问答、推荐系统等场景。面对Milvus、Qdrant、Weaviate、Chroma、pgvector、OpenSearch、LanceDB、Neo4j等众多选择,团队常因不了解各自架构与适用规模而陷入选型困境。本文从实际部署经验出发,梳理各数据库的底层原理与运维差异,重点解决milvus 阅读详情

k8s+helm部署Milvus和Qdrant

  • 操作系统: CentOS 7 (Core)
  • 集群架构: 3 节点 (1 Master: 10.8.15.151, 2 Workers: 10.8.15.157, 10.8.15.206)
  • 硬件资源: 每节点 10核 CPU / 13GB 内存
  • 容器运行时: Containerd v1.6+
  • 部署组件: Milvus Standalone (v2.4.6/v2.6.x), Attu UI (v2.4.0)

Kubernetes v1.28.0集群部署

集群环境规划

角色IP 地址主机名存储目录
Master10.8.15.151k8s-master/home/k8s-storage
Node110.8.15.157k8s-node1/home/k8s-storage
Node210.8.15.206k8s-node2/home/k8s-storage

基础环境准备 (所有节点)

# 停止防火墙
systemctl stop firewalld && systemctl disable firewalld

# 禁用 SELinux
sudo setenforce 0
sudo sed -i 's/SELINUX=enforcing/SELINUX=disabled/g' /etc/selinux/config

# 关闭 Swap 分区 (K8s 要求)
sudo swapoff -a
sudo sed -i '/swap/d' /etc/fstab
# 检查:free -h (确保 Swap 一栏为 0)

在这里插入图片描述

修改主机名与 Hosts 映射

# 根据机器身份分别执行:
# Master: sudo hostnamectl set-hostname k8s-master
# Node1:  sudo hostnamectl set-hostname k8s-node1
# Node2:  sudo hostnamectl set-hostname k8s-node2

# 在三台机器上都执行:
cat <<EOF | sudo tee -a /etc/hosts
10.8.15.151 k8s-master
10.8.15.157 k8s-node1
10.8.15.206 k8s-node2
EOF

优化内核参数与模块

# 加载内核模块
sudo modprobe br_netfilter
sudo modprobe overlay

# 优化网络参数
cat <<EOF | sudo tee /etc/sysctl.d/k8s.conf
net.bridge.bridge-nf-call-ip6tables = 1
net.bridge.bridge-nf-call-iptables = 1
net.ipv4.ip_forward = 1
vm.max_map_count = 262144
EOF

# 应用配置
sudo sysctl --system

安装 Containerd运行时 (所有节点)

sudo yum install -y yum-utils
sudo yum-config-manager --add-repo http://mirrors.aliyun.com/docker-ce/linux/centos/docker-ce.repo
sudo yum makecache fast
sudo yum install -y containerd.io

配置 Containerd

sudo mkdir -p /etc/containerd
containerd config default | sudo tee /etc/containerd/config.toml

# 1. 修改 Cgroup 驱动为 systemd
sudo sed -i 's/SystemdCgroup = false/SystemdCgroup = true/g' /etc/containerd/config.toml

# 2. 替换 pause 镜像源为阿里云
sudo sed -i 's#sandbox_image = "registry.k8s.io/pause:3.6"#sandbox_image = "registry.aliyuncs.com/google_containers/pause:3.9"#' /etc/containerd/config.toml

sudo systemctl restart containerd
sudo systemctl enable containerd

安装 Kubernetes 组件 (所有节点)

cat <<EOF | sudo tee /etc/yum.repos.d/kubernetes.repo
[kubernetes]
name=Kubernetes
baseurl=https://mirrors.aliyun.com/kubernetes/yum/repos/kubernetes-el7-x86_64/
enabled=1
gpgcheck=1
repo_gpgcheck=1
gpgkey=https://mirrors.aliyun.com/kubernetes/yum/doc/yum-key.gpg https://mirrors.aliyun.com/kubernetes/yum/doc/rpm-package-key.gpg
EOF

安装指定版本工具

sudo yum install -y kubelet-1.28.0 kubeadm-1.28.0 kubectl-1.28.0 --disableexcludes=kubernetes
sudo systemctl enable --now kubelet

k8s集群初始化 (Master 节点)

仅在 10.8.15.151 (Master) 上运行:

sudo kubeadm init \
  --apiserver-advertise-address=10.8.15.151 \
  --image-repository registry.aliyuncs.com/google_containers \
  --pod-network-cidr=10.244.0.0/16 \
  --kubernetes-version=v1.28.0

在 10.8.15.157 (Node1) 和 10.8.15.206 (Node2) 上运行初始化后生成的 join 命令:

sudo kubeadm join 10.8.15.151:6443 --token <your-token> \
        --discovery-token-ca-cert-hash sha256:<your-hash>

配置管理权限:

mkdir -p $HOME/.kube
sudo cp -i /etc/kubernetes/admin.conf $HOME/.kube/config
sudo chown $(id -u):$(id -g) $HOME/.kube/config

在主节点上初始化后,会生成一段加入集群的join 命令

在 10.8.15.157 (Node1) 和 10.8.15.206 (Node2) 上运行初始化后生成的 join 命令:

sudo kubeadm join 10.8.15.151:6443 --token <your-token> \
        --discovery-token-ca-cert-hash sha256:<your-hash>
        
#例如
kubeadm join 10.8.15.151:6443 --token opd5mu.3ok9pqrq86c6p2fz \
        --discovery-token-ca-cert-hash sha256:29d01bdc3b81689066a032bbe8aef0de7d6be71f0165df8f8006682a3b4ff61a

安装网络插件 (Master 节点)

在 Master 节点上安装 Flannel 以实现 Pod 互通:

kubectl apply -f https://raw.githubusercontent.com/flannel-io/flannel/master/Documentation/kube-flannel.yml

持久化存储配置(Local Path Provisioner)

创建物理目录 (所有节点)

sudo mkdir -p /home/k8s-storage
sudo chmod 777 /home/k8s-storage

部署 Local Path Provisioner (Master 节点)

kubectl apply -f https://raw.githubusercontent.com/rancher/local-path-provisioner/v0.0.26/deploy/local-path-storage.yaml

# 修改配置以指向自定义目录 /home/k8s-storage
# 找到 config.json 里的路径并修改
kubectl edit cm local-path-config -n local-path-storage

# 设置为默认存储类
kubectl patch storageclass local-path -p '{"metadata": {"annotations":{"storageclass.kubernetes.io/is-default-class":"true"}}}'

安装 Helm 工具 (Master 节点)

# 下载并解压
wget https://get.helm.sh/helm-v3.13.1-linux-amd64.tar.gz
tar -zxvf helm-v3.13.1-linux-amd64.tar.gz

# 移动二进制文件
sudo mv linux-amd64/helm /usr/local/bin/helm
sudo chmod +x /usr/local/bin/helm

# 验证
helm version

在这里插入图片描述

集群状态验证 (Master 节点)

# 检查节点状态 (预期为 Ready)
kubectl get nodes

# 检查所有 Pod 状态
kubectl get pods -A

在这里插入图片描述

milvus部署

环境资源痛点:
当前集群单节点内存仅为 13GB。Milvus 官方的 Cluster(集群)模式 强依赖重量级的消息队列(Pulsar集群),在当前资源下极易触发 OOM(内存溢出)导致全线崩溃。

解决方案:3 节点 K8s + Milvus Standalone 分布式调度架构
这是一个经常被误解的概念:K8s 节点多 ≠ 必须用集群微服务模式。
我们采用 Standalone(单机版) 模式部署,但完美利用了 Kubernetes 的 分布式调度机制。一个完整的 Milvus 数据库包含三大核心组件,K8s 会自动将它们“打散”到你的 3 台物理机上运行:

组件名称作用预期调度节点 (示例)资源消耗评估
Etcd元数据存储k8s-node1内存消耗较高,负责集群元数据强一致性
MinIO对象存储k8s-node1负责向量数据的落盘持久化
Milvus Standalone核心计算引擎k8s-node2最吃 CPU 和内存,独享 Node2 算力进行向量检索与索引构建
Attu UI可视化前端k8s-master轻量级 Web 服务,处理外部浏览器请求

此架构的核心优势:

  1. 极限负载均衡:避免了所有组件挤在一台 13GB 机器上导致系统瘫痪。
  2. 高可用故障转移 (Failover):如果 k8s-node2 物理机突然宕机,K8s 控制平面会立刻在存活的 Master 或 Node1 上重新拉起 Milvus 核心引擎,业务自动恢复,这是传统物理机单机部署无法做到的。

准备 Milvus Helm Chart

由于国内服务器直接从 GitHub 或官方 Helm 仓库拉取容易出现超时(unexpected EOF 等错误),建议直接使用下载好的离线 Chart 包

# 在 Master 节点下载 (或者在有网的电脑下载后传到服务器)
wget https://github.com/zilliztech/milvus-helm/releases/download/milvus-5.0.15/milvus-5.0.15.tgz

# 解压备用 (可选,直接使用 .tgz 文件也可以)
tar -zxvf milvus-5.0.15.tgz

创建精简版配置文件 (values-minimal.yaml)

为了防止 OOM (内存溢出) 以及规避 Helm 默认配置中 requests 大于 limits 导致的安装失败,我们需要创建一个高度定制的配置文件。同时,在此配置文件中直接将依赖组件(Etcd/MinIO)的镜像源指向国内阿里云同步仓,避免 ImagePullBackOff。

最暴力且绝对有效的解法:直接在 Helm 的 values.yaml 中,将所有组件的 image.repository 硬编码替换为你的“阿里云个人专属加速器前缀 + 原镜像路径”。这样可以彻底绕过 Docker Hub 的网络封锁。

在 Master 节点创建 values-minimal.yaml:

cluster:
  enabled: false

etcd:
  replicaCount: 1
  image:
    repository: bc91867c.mirror.aliyuncs.com/etcd
    tag: 3.5.9
  resources:
    limits: { memory: "512Mi" }
    requests: { memory: "256Mi" }

minio:
  mode: standalone
  image:
    #直接使用阿里云个人专属镜像加速地址
    repository: bc91867c.mirror.aliyuncs.com/minio/minio
    tag: RELEASE.2024-12-18T13-15-44Z
  resources:
    limits: { memory: "512Mi" }
    requests: { memory: "256Mi" }

pulsar:
  enabled: true
  broker:
    replicaCount: 1
    image:
      repository: bc91867c.mirror.aliyuncs.com/apachepulsar/pulsar
      tag: 3.0.3
    resources:
      limits: { memory: "512Mi" }
      requests: { memory: "256Mi" }
  bookkeeper:
    replicaCount: 1
    image:
      repository: bc91867c.mirror.aliyuncs.com/apachepulsar/pulsar
      tag: 3.0.3
    resources:
      limits: { memory: "512Mi" }
      requests: { memory: "256Mi" }
  zookeeper:
    replicaCount: 1
    image:
      repository: bc91867c.mirror.aliyuncs.com/apachepulsar/pulsar
      tag: 3.0.3
    resources:
      limits: { memory: "512Mi" }
      requests: { memory: "256Mi" }
  proxy:
    replicaCount: 1
    image:
      repository: bc91867c.mirror.aliyuncs.com/apachepulsar/pulsar
      tag: 3.0.3
    resources:
      limits: { memory: "256Mi" }
      requests: { memory: "128Mi" }

standalone:
  image:
    repository: bc91867c.mirror.aliyuncs.com/milvusdb/milvus
    tag: v2.4.6
  resources:
    limits: { memory: "2Gi" }
    requests: { memory: "1Gi" }

mixcoord:
  resources:
    limits: { memory: "512Mi" }
    requests: { memory: "256Mi" }

metrics: { enabled: false }
grafana: { enabled: false }
prometheus: { enabled: false }

执行 Helm 部署

# 创建命名空间
kubectl create namespace milvus

# 执行部署 (使用本地 tgz 包和配置)
helm install my-milvus ./milvus-5.0.15.tgz -n milvus -f values-minimal.yaml

观察服务启动状态

# 实时监控 Pod 状态
kubectl get pods -n milvus -w

在这里插入图片描述

部署 Attu (图形化可视化界面)

Attu 是 Milvus 官方提供的 Web 管理工具。由于它是外部客户端,必须通过 K8s 内部 DNS 连接到 Standa。

cat << 'EOF' > attu.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: milvus-attu
  namespace: milvus
spec:
  replicas: 1
  selector:
    matchLabels:
      app: attu
  template:
    metadata:
      labels:
        app: attu
    spec:
      containers:
      - name: attu
        image: zilliz/attu:v2.4.0
        ports:
        - containerPort: 3000
        env:
        # 关键配置:指向 Milvus Standalone 的 K8s 内部集群域名
        - name: MILVUS_URL
          value: "my-milvus.milvus.svc.cluster.local:19530"
---
apiVersion: v1
kind: Service
metadata:
  name: attu-svc
  namespace: milvus
spec:
  selector:
    app: attu
  ports:
  - protocol: TCP
    port: 3000
    targetPort: 3000
  type: ClusterIP
EOF

应用配置并启动

kubectl apply -f attu.yaml

# 检查 Attu 是否启动成功
kubectl get pods -n milvus -l app=attu

在这里插入图片描述

暴露端口供外部访问 (关键步骤)

# 在后台运行端口映射
nohup kubectl port-forward svc/attu-svc 3000:3000 -n milvus --address 0.0.0.0 > attu.log 2>&1 &

在这里插入图片描述

访问方式:
打开浏览器,访问:http://10.8.15.151:3000
账号密码留空,直接点击 Connect 即可进入 Milvus 控制台

在这里插入图片描述

🚨核心故障避坑记录 (Troubleshooting)

故障现象根本原因修复方案 / 避坑指南
Kube-apiserver 启动崩溃
lookup localhost on 8.8.8.8:53 timeout
CentOS 节点的 /etc/hosts 文件中丢失了 localhost 的解析定义。在所有节点的 /etc/hosts 顶部补充:
127.0.0.1 localhost
::1 localhost
Helm 安装报错
requests: Invalid value: “2Gi”: must be less than limits 512Mi
Values 配置中只强行压缩了 limits 内存,未同步修改 requests。在编写 values.yaml 时,requests 和 limits 必须成对配置,且 requests <= limits。
镜像拉取假死
ContainerCreating 卡住,最终抛出 ErrImagePull
国内彻底屏蔽了 docker.io,且高版本 Containerd 对旧版 mirrors 语法不兼容。放弃网络拉取。统一在 Master 使用可用代理拉取后,通过 ctr images export 和 scp 物理分发,用 ctr import 导入本地。
Attu 界面打不开
浏览器访问 3000 端口报 ERR_CONNECTION_REFUSED
kubectl port-forward 默认只绑定 127.0.0.1 接口。必须先 kill 掉旧的映射进程,重新执行端口映射时,末尾务必加上 --address 0.0.0.0。
在编写 values.yaml 时,requests 和 limits 必须成对配置,且 requests <= limits。
镜像拉取假死
ContainerCreating 卡住,最终抛出 ErrImagePull
国内彻底屏蔽了 docker.io,且高版本 Containerd 对旧版 mirrors 语法不兼容。放弃网络拉取。统一在 Master 使用可用代理拉取后,通过 ctr images export 和 scp 物理分发,用 ctr import 导入本地。
Attu 界面打不开
浏览器访问 3000 端口报 ERR_CONNECTION_REFUSED
kubectl port-forward 默认只绑定 127.0.0.1 接口。必须先 kill 掉旧的映射进程,重新执行端口映射时,末尾务必加上 --address 0.0.0.0。
Pod 陷入 CrashLoopBackOff启动顺序竞争:Milvus 核心进程启动极快,但 Etcd 还没拉起,导致连不上元数据中心而自杀。无需人工干预。等待 Etcd 和 MinIO 状态变为 Running 后,Milvus 核心 Pod 会在下一次自动重启时成功拉起。

Qdrant部署

一.环境信息

项目配置
Kubernetes 版本v1.28.0
部署方式Helm Chart
Chart 版本qdrant-1.17.0
应用版本v1.17.0
命名空间qdrant
节点数3(master + 2 worker)

二.节点信息

#查看k8s的集群状态,正常如下表格所示
kubectl get nodes -o wide
节点IP角色状态
k8s-master10.8.15.151control-planeReady
k8s-node110.8.15.157workerReady
k8s-node210.8.15.206workerReady

三.前置条件

3.1 内核模块配置(所有节点)
# 加载 br_netfilter 模块
sudo modprobe br_netfilter

# 设置 sysctl 参数
cat <<EOF | sudo tee /etc/modules-load.d/k8s.conf
br_netfilter
EOF

cat <<EOF | sudo tee /etc/sysctl.d/k8s.conf
net.bridge.bridge-nf-call-iptables = 1
net.bridge.bridge-nf-call-ip6tables = 1
net.ipv4.ip_forward = 1
EOF

sudo sysctl --system
3.2 安装 Helm
curl https://raw.githubusercontent.com/helm/helm/main/scripts/get-helm-3 | bash
3.3 添加 Qdrant Helm 仓库
helm repo add qdrant https://qdrant.github.io/qdrant-helm
helm repo update

四.部署配置

4.1 创建命名空间
kubectl create namespace qdrant
4.2 准备 values.yaml
# qdrant-values.yaml
replicaCount: 3

image:
  repository: docker.io/qdrant/qdrant
  tag: v1.17.0
  pullPolicy: IfNotPresent

config:
  cluster:
    enabled: true
    p2p:
      port: 6335
      enable_tls: false
    consensus:
      tick_period_ms: 100
  service:
    enable_tls: false

service:
  type: NodePort
  ports:
    - name: http
      port: 6333
      targetPort: 6333
      protocol: TCP
    - name: grpc
      port: 6334
      targetPort: 6334
      protocol: TCP
    - name: p2p
      port: 6335
      targetPort: 6335
      protocol: TCP

persistence:
  enabled: true
  size: 50Gi
  accessModes:
    - ReadWriteOnce

resources:
  limits:
    cpu: 2000m
    memory: 2500Mi
  requests:
    cpu: 500m
    memory: 1000Mi

affinity:
  podAntiAffinity:
    requiredDuringSchedulingIgnoredDuringExecution:
      - labelSelector:
          matchExpressions:
            - key: app.kubernetes.io/name
              operator: In
              values:
                - qdrant
        topologyKey: kubernetes.io/hostname

podManagementPolicy: Parallel

updateVolumeFsOwnership: true
4.3 执行部署
helm install qdrant-cluster qdrant/qdrant \
  --namespace qdrant \
  --version 1.17.0 \
  -f qdrant-values.yaml

五.验证部署

5.1 查看 Pod 状态
kubectl get pods -n qdrant -o wide

预期输出:

NAME               READY   STATUS    RESTARTS   AGE
qdrant-cluster-0   1/1     Running   0          5m
qdrant-cluster-1   1/1     Running   0          5m
qdrant-cluster-2   1/1     Running   0          5m
5.2 查看 Service
kubectl get svc -n qdrant

输出:

NAME                      TYPE        CLUSTER-IP     EXTERNAL-IP   PORT(S)
qdrant-cluster            NodePort    10.99.68.118   <none>        6333:31063/TCP,6334:31332/TCP,6335:30783/TCP
qdrant-cluster-headless   ClusterIP   None           <none>        6333/TCP,6334/TCP,6335/TCP
5.3 健康检查
# 端口转发
kubectl port-forward svc/qdrant-cluster 6333:6333 -n qdrant &

# 健康检查
curl http://127.0.0.1:6333/healthz
# 预期输出: healthz check passed

六.访问方式

6.1 Web UI Dashboard
http://<节点IP>:31063/dashboard

可用地址:

  • http://10.8.15.151:31063/dashboard
  • http://10.8.15.157:31063/dashboard
  • http://10.8.15.206:31063/dashboard
6.2 API 端点
协议地址端口
HTTPhttp://10.8.15.151:3106331063
gRPChttp://10.8.15.151:3133231332

七、Python 客户端测试

7.1 安装客户端
pip install qdrant-client
7.2 测试脚本
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct
import numpy as np

# 连接配置
client = QdrantClient(host="10.8.15.151", port=31063)

# 创建集合
client.create_collection(
    collection_name="test_collection",
    vectors_config=VectorParams(size=128, distance=Distance.COSINE),
)

# 插入数据
points = [
    PointStruct(
        id=i,
        vector=np.random.rand(128).tolist(),
        payload={"name": f"item_{i}", "category": f"cat_{i % 5}"}
    )
    for i in range(100)
]
client.upsert(collection_name="test_collection", points=points)

# 搜索测试
results = client.query_points(
    collection_name="test_collection",
    query=np.random.rand(128).tolist(),
    limit=5,
    with_payload=True
)

print(f"找到 {len(results.points)} 个结果")
for r in results.points:
    print(f"ID={r.id}, Score={r.score:.4f}")
向量数据库实战指南:机器学习工程师的生产级选型与部署 向量数据库是支撑RAG、推荐系统和多模态检索的核心基础设施,其本质是面向高维向量的近似最近邻(ANN)检索系统,区别于传统数据库的SQL扩展。它通过原生HNSW、IVF等索引算法实现亚百毫秒延迟与十亿级规模下的精准召回,解决PostgreSQL或Elasticsearch在向量场景中因全表扫描、维度僵化、JOIN开销导致的性能断崖。技术价值在于 bridging ML模型输出(如sentence-transformers)与SLO保障体系,覆盖从嵌入归一化、混合过滤、动态分片到可观测性全链路。典型应用场景包 阅读详情

相关推荐

向量数据库选型指南:从核心原理到十大主流方案实战解析

向量数据库是处理高维向量数据、实现相似性搜索的核心基础设施,其核心原理在于通过近似最近邻(ANN)搜索算法,如HNSW、IVF等,在高维空间中进行高效检索。这项技术的核心价值在于为AI应用提供了海量非结构化数据的“记忆”与“理解”能力,是实现低延迟、高精度语义搜索的关键。在工程实践中,它支撑了RAG(检索增强生成)、智能推荐、多模态搜索等核心应用场景,直接影响着AI应用的响应速度与准确性。本文聚焦于向量数据库的选型,深入剖析了包括Milvus、Pinecone、Weaviate等在内的十大主流方案,旨在帮助

weixin_34060299的博客 541

使用K8S部署分布式qdrant向量召回服务

使用K8S部署Qdrant分布式服务。

fushan2012的博客 2725

向量数据库部署实战:从Docker Compose到Kubernetes集群

手把手教你用Docker Compose快速部署Milvus和Qdrant,并给出生产环境K8s部署的踩坑经验。

kaixin110a的博客 28

linux系统安装docker及Qdrant

的安装可以参考网上的教程,此处不再赘述。

HGX-DJK 1401

均值回归 高频交易_基于布林带的均值回归交易策略

BOLL指标是美国股市分析家约翰·布林根据统计学中的标准差原理设计出来的一种非常简单实用的技术分析指标。一般而言,股价的运动总是围绕某一价值中枢(如均线、成本线等)在一定的范围内变动,布林线指标正是在上述条件的基础上,引进了“股价通道”的概念,其认为股价通道的宽窄随着股价波动幅度的大小而变化,而且股价通道又具有变异性,它会随着股价的变化而自动调整。由于之前大部分交易策略都是选股或者趋势追踪的择时,...

weixin_42528534的博客 1459

【ue4】【新手入门】|静态网格模型碰撞设置和合并Actor(合并静态网格体)

上一期学到把构建好的房子模型变成一个静态网格体(也是一个模型)但是静态网格体是没有碰撞的 所以要给这个模型设置碰撞。

m0_63501513的博客 4420

Docker+K8s 部署 Milvus 集群:高可用向量数据库的生产环境配置

本文详细介绍了在Kubernetes集群上部署高可用Milvus向量数据库的方案。主要内容包括:环境准备(K8s v1.20+、etcd、MinIO/Pulsar集群)、资源规划建议、Milvus微服务架构说明、使用Helm部署的详细步骤(含values.yaml配置示例)、高可用优化策略(副本配置、数据备份)、性能调优建议(资源分配、索引优化)、监控方案(Prometheus/Grafana集成)以及安全配置等。部署过程需注意存储系统配置、组件副本数设置和故障转移机制,生产环境建议先进行测试验证。

码路同行 1272

YOLO26涨点改进 | 全网独家,注意力创新改进篇 | Arxiv2025 | YOLO26引入MSLA多尺度线性注意力模块,高效提取多尺度特征和建模长程依赖,含多种创新改进,助力有效涨点

本文提出了一种多尺度线性注意力模块(MSLA)来优化YOLO26模型。MSLA通过并行使用不同尺寸的深度可分离卷积(3×3至9×9)提取多尺度特征,并结合线性注意力机制高效建模全局依赖关系。该模块显著提升了模型对多尺度目标的检测能力,同时保持了轻量化特性。实验表明,MSLA能有效增强小目标检测和复杂场景下的分割精度。文章详细介绍了MSLA的网络结构、核心优势及实现代码,并提供了两种集成MSLA的YOLO26改进方案,为实时目标检测任务提供了高效解决方案。

Ai缝合怪、助力小伙伴高效发论文 310

Qdrant生产环境部署方法(Docker)

本文介绍了使用Docker部署Qdrant向量数据库的方法。首先通过docker pull命令拉取官方镜像,然后在Windows或Linux系统下创建数据目录并运行容器,映射6333/6334端口并挂载存储卷。启动后可通过docker ps检查容器状态,并访问localhost:6333/dashboard进入Web管理界面。文档提供了Windows和Linux两种系统的启动命令示例,均采用后台运行模式并配置了自动重启策略。

什么都干的派森 586

Yolov8-pose关键点检测:训练实战篇 | 手部关键点检测

yolo8-pose实战检测手部关键点并优化。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 3398

Android编译系统——Android.bp语法介绍(十五)

Android.bp 是 Android 构建系统(Android Build System)中的配置文件,用于描述如何编译和打包项目中的模块。它是用 Blueprint 编写的,其语法类似于 JSON,但专为 Android 编译系统设计,提供了更高效、灵活的模块化管理。

小旭的专栏 939

向量数据库milvus集群模式k8s部署详细笔记(附带docker、windows简易流程)

安装适用于 Linux 2 的 Windows 子系统 (WSL 2)。安装 Python 3.8+。

qq_34766833的博客 2222

微店构造订单页面,自动化抢票

之前的文章写过微店抢票如何构造订单页面分析,这篇文章在之前的基础上,进行抢票。

猫敷雪 7207

K8s+Helm部署向量数据库Milvus与Qdrant实战指南

向量数据库是RAG、知识库和相似检索场景的核心基础设施,其生产化部署需要解决扩缩容、故障恢复和依赖管理等问题。Kubernetes作为云原生编排平台,通过Pod调度、健康检查和滚动更新为有状态服务提供稳定运行底座;而Helm Chart则进一步将复杂的依赖组件、配置参数与升级回滚逻辑封装为可复用的模板,显著降低操作门槛。本文从K8s集群初始化、存储与资源规划出发,详解基于Helm部署Milvus和Qdrant的完整流程,涵盖关键参数调优、分片策略、索引构建与运维验证。同时结合实际场景对两个开源向量数据库的架

weixin_31155097的博客 170

阿波罗开发板硬件架构与STM32模块化设计详解

嵌入式开发板的模块化设计是提升硬件复用性、降低迭代成本的关键技术路径。其核心在于底板与核心板的电气解耦与功能分层,依托STM32系列MCU(如F429/F767)的丰富外设资源与引脚复用能力,实现信号完整性、电源域隔离与热管理的系统级协同。该架构显著支撑工业HMI、智能家居网关、便携医疗设备等典型场景,尤其在RGB LCD驱动、QSPI Flash内存映射、多协议通信(CAN/RS485/USB)及低功耗唤醒(WK_UP按键)等工程实践中展现出高可靠性与易调试性。本文围绕阿波罗开发板展开深度解析,覆盖最小系

weixin_42510201的博客 66

工业级Modbus ASCII实时监控系统(WinForms完整实现)

本文介绍了一个基于WinForms的工业级Modbus ASCII实时监控系统实现方案。该系统采用经典工控界面布局,包含串口配置、数据采集控制和实时数据显示三大区域。核心功能包括:串口通信参数设置、Modbus从站地址配置、寄存器数据采集、实时数据表格展示和趋势图绘制。系统通过ModbusAsciiClient类实现通信核心,采用定时器轮询机制采集数据,支持最多100个数据点的历史趋势显示。界面设计注重用户体验,配置区位于左侧,主显示区在右侧,底部为状态和日志区,符合工业控制系统的操作习惯。代码示例展示了窗

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 279

基于Helm在Kubernetes上部署Milvus与Qdrant实战指南

在云原生技术不断普及的今天,Kubernetes作为容器编排的事实标准,为分布式应用提供了弹性伸缩与自愈能力,而Helm则通过打包和版本化管理简化了复杂系统的部署流程。向量数据库专门面向高维向量的近邻检索场景,在知识库、推荐系统和图像搜索等应用中扮演重要角色。Milvus与Qdrant是当前主流的开源向量数据库,前者采用存算分离的分布式架构,依赖etcd、MinIO等组件;后者以轻量单体设计配合Raft协议实现高可用。通过Helm Charts,开发者可以标准化地管理这些组件,合理定制StorageClas

weixin_34101914的博客 93

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

CLIP ViT-H-14开源可部署:提供完整Dockerfile与K8s Helm Chart

本文介绍了如何在星图GPU平台上自动化部署CLIP ViT-H-14图像编码服务。该服务能将图片转换为高维特征向量,其核心应用场景之一是构建智能相册管理系统,实现高效的以图搜图功能,帮助用户在海量图片库中快速定位相似内容。

weixin_42575505的博客 219

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

保研题库终极指南:baoyan-agent-benchmark的21道择校题、36道规划题与13道两阶段题是怎么设计的?

想看懂 AI Agent 到底能不能当"保研军师"?开源项目 **baoyan-agent-benchmark**(屿智同行出品)给出了答案:这是一套面向保研择校与申请规划的 Agent 评测题库,包含 **70 道中文任务、23 组学生案例、83 个作答阶段**,覆盖 21 道择校推荐题、36 道规划与决策题和 13 道两阶段题,每题满分 100 分,并配有逐题评分标准(rubric)。本文带你

gitblog_00708的博客 492

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

OpenCore Legacy Patcher 指南:3 步让 2007 年旧 Mac 重装 macOS Big Sur

OpenCore Legacy Patcher 是免费开源的 Python 项目,让 2007 年起、UEFI 引导的 Intel Mac 安装 macOS Big Sur 11 至 Sequoia 15。它只在内存里注入与改写数据,不触碰固件与 BIOS。核心链路:构建 OpenCore 1.0.5 引导器,内核驱动层用 Lilu 1.7.2 补齐缺失 kext(macOS 的内核驱动组件),装

gitblog_00855的博客 863

Rufus 3.22 Win7 启动盘最后可用版本完整指南

Rufus 3.22 是在 Windows 7 上制作启动盘能用的最后一个版本,4.0 起(截至 2026 年 6 月 30 日的 4.15)在 Win7 上不会启动。唯一卡点是系统版本基线:3.22 里选设备、选镜像、格式化写入的流程完整,不缺任何一步。 ## 快速自检:30 秒确认版本能否跑 打开 Rufus 主界面,看窗口左下角的版本号字段: - 显示 3.x(如 3.22):Win7

gitblog_00468的博客 257

Label Studio 快速上手:数据标注到导出训练格式只走一遍流程

手头有一批待标注的数据,文本、图像或音频都常见。人工标注往往是最慢的环节,标完还要手工整理成训练格式。Label Studio 是开源数据标注工具,覆盖文本、图像、音频、视频与时序,标注结果直接导出成模型能读的格式。本文带你走通"安装 → 配模板 → 标注 → 导出 → 接模型"这条链路。 ## 最快安装方式:pip 一条命令或 Docker 一条命令 两条最短路径,二选一即可。 **pip

gitblog_00029的博客 522

TranslucentTB 启动失败:3 个方案补齐缺失的 Xaml 框架

"Microsoft.UI.Xaml.2.8 未安装"——TranslucentTB 启动失败时,最常见的就是这个报错。原因是系统缺了它依赖的 Xaml 运行时,界面组件加载不了。下面 3 个方案按代价从低到高排,照做即可,修完重启应用就能验证。 ## 报错对照 先看你的症状落在哪一行,直接跳到对应方案。 | 症状 | 报错原文 | 对应方案 | |---|---|---| | 启动即弹框,

gitblog_00697的博客 367

AI Agent开发实战:基于Milvus向量数据库构建智能记忆与知识库

向量数据库作为处理非结构化数据语义检索的核心技术,通过将文本、图像等数据转换为高维向量,并利用近似最近邻(ANN)搜索算法,实现了基于语义相似度的高效查询。这一技术为人工智能应用提供了强大的记忆与知识管理能力,尤其在AI Agent领域,它支撑着长期记忆、上下文管理和知识库增强(RAG)等关键功能。通过将用户指令、历史对话和领域知识向量化存储,AI Agent能够快速检索相关信息,从而做出更精准的决策和响应。本文以Milvus为例,详细解析了如何将其部署为AI Agent的“记忆中枢”,并集成到LangCh

weixin_33912246的博客 436

Kubernetes AI工具链操作符:如何用KAITO在K8s中轻松部署和管理大语言模型

在当今AI快速发展的时代,企业面临着一个共同的挑战:如何在Kubernetes集群中高效、稳定地部署和管理大型语言模型(LLM)?传统的方法往往需要手动配置复杂的GPU资源、调整模型参数、管理存储和网络,这不仅耗时耗力,还容易出错。KAITO(Kubernetes AI Toolchain Operator)应运而生,为Kubernetes用户提供了一套完整的AI模型推理、微调和RAG引擎部署解决

gitblog_00864的博客 868

XERJ 云原生部署实战:从 Kubernetes/Docker 搜索数据库的 70 项真实痛点看单二进制架构设计

在 2025–2026 年的社区反馈中,把 Elasticsearch、Qdrant、Milvus、OpenSearch 这类搜索数据库跑在 Kubernetes 与 Docker 上,暴露出一系列成体系的运维痛点:内存与 OOM、Helm Chart 维护断层、`vm.max_map_count` 等内核参数依赖、滚动重启死锁、StatefulSet 数据安全缺口。本文以这份覆盖 8 轮定向检索

gitblog_00651的博客 419
上一篇: Spark SQL 2.4.0 性能调优实战指南 (基于 CDH 6.3.2)
wangyutian5u
博客等级 码龄4年 95粉丝 15原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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