- 博客(62)
- 收藏
- 关注
RSS订阅原创 YOLO26来了
YOLO26是YOLO系列最新轻量级目标检测器，专为边缘设备优化设计。它采用端到端无NMS架构，简化部署流程并降低延迟；移除DFL模块提升硬件兼容性；引入ProgLoss+STAL损失函数和MuSGD优化器（融合SGD与Muon技术），显著提升小物体检测精度和训练效率。支持检测、分割、姿态估计等多项任务，CPU推理速度提升高达43%，在640像素分辨率下mAP达53.0，参数仅24.8M。该模型特别适合物联网、机器人等资源受限场景。
2025-10-27 09:13:09
1220
原创 使用Ultralytics YOLO导出模型
YOLO11导出模式提供多种格式转换功能，支持将训练好的模型部署到不同平台。通过简单命令或代码即可导出为ONNX、TensorRT等格式，实现CPU/GPU性能优化（最高提升3-5倍）。导出参数可定制输入尺寸、量化精度等，满足硬件兼容性和推理效率需求。支持导出为12种格式（如TensorFlow Lite、CoreML等），均保留模型元数据。关键优势包括：一键导出、批量推理优化、动态尺寸支持，适用于边缘计算到云端部署的各类场景。
2025-09-22 14:10:54
964
原创 从外网访问内网的几种技术模式
本文将详细解析四种主流的技术模式 ——VPN、动态域名、P2P技术、云服务反向代理等，从实现原理、典型软硬件到优缺点进行全面阐述，帮助读者根据场景选择合适的方案。
2025-09-22 14:02:57
2788
1
原创 使用通义视觉理解大模型API进行图片分析
阿里云百炼平台提供全链路大模型服务，支持开发者快速构建AI应用。本文介绍了如何调用通义千问VL视觉理解大模型API，包括注册账号、获取API Key、环境配置等初始设置步骤。该模型支持图像问答、数学解题、视频理解等多种功能，可通过在线图像或本地文件两种方式调用API。文章提供了详细的Python代码示例，演示如何通过DashScope SDK处理本地文件的多模态查询，包括图像识别和分析功能。测试代码部分展示了处理用户查询的完整流程，包括JSON解析和API调用。
2025-09-15 11:16:16
1430
原创 MCP简介和实现技术路线概述
MCP（模型上下文协议）是Anthropic提出的AI应用与外部系统连接的开源标准，由主机、客户端和服务端三个核心组件构成。协议分为数据层（基于JSON-RPC 2.0的消息结构）和传输层（支持Stdio和HTTP传输机制）。开发者可通过官方SDK或fastMCP框架（提供数据校验、权限管理等特性）实现MCP功能。MCP Inspector工具可帮助验证服务端响应。该协议旨在简化AI应用集成，实现统一的数据源和工具连接标准。
2025-09-15 11:10:35
1039
原创 WXTNet：让内网服务轻触可及的高效穿透工具
摘要： WXTNet是一款高效的内网穿透工具，支持HTTP/HTTPS、TCP等多种协议，帮助用户轻松将内网服务暴露到公网。它具有配置简单、传输加密、连接稳定等特点，适用于开发调试、远程办公、家庭NAS访问等场景。WXTNet跨平台支持Windows、macOS和Linux，提供详细的文档和灵活定价策略，是安全可靠的内网穿透解决方案。访问官网https://www.wxtnet.site了解更多。
2025-09-09 11:26:44
899
原创 使用YOLO11进行路面裂缝检测
本文介绍了使用YOLO11模型进行路面裂缝检测的方法。通过创建Conda环境并安装必要的深度学习工具包，作者使用包含1750张标注图片的数据集，分别训练了yolo11n和yolo11s模型。训练结果显示，两个模型都能有效识别路面裂缝，其中yolo11s表现更优。文章提供了详细的训练参数设置、评估指标和检测效果图，证明该方法可用于路面状况检测和维修评估。
2025-09-09 11:11:09
398
原创 使用YOLO11训练花卉分类模型
本文介绍了使用YOLO11训练花卉分类模型的全过程。首先讲解了图像分类的基本概念及应用场景，然后详细说明了使用Conda配置GPU训练环境的步骤，包括创建虚拟环境、安装Ultralytics及相关依赖。接着介绍了包含9种花卉的数据集准备情况。文章重点展示了使用YOLO11n、s、m三种预训练模型进行训练的过程和结果对比，并提供了测试推理代码示例。最后展示了部分测试结果图片，验证了模型对雏菊、玫瑰等花卉的准确识别能力。整个流程覆盖了从环境配置到模型训练、测试的完整周期。
2025-09-05 20:09:09
776
原创 使用YOLO11训练鸟类分类模型
本文介绍了使用YOLO11训练鸟类分类模型的过程。首先概述了图像分类任务的基本概念和应用场景，然后详细说明了使用Conda准备训练环境的步骤，包括创建环境、安装必要软件包等。文章展示了一个包含12种鸟类的数据集及其样本图片，并比较了YOLO11不同规模预训练模型的性能指标。通过Python代码进行了模型训练，展示了n、s、m三种模型的训练结果图表。最后提供了测试推理代码和部分识别结果示例图片，验证了模型的有效性。整个过程涵盖了从环境搭建、数据处理到模型训练和测试的全流程。
2025-09-05 20:04:35
1304
原创 使用openssl创建自签名CA并用它签发服务器证书
本文介绍了使用OpenSSL工具创建自签名CA证书并签发服务器证书的完整流程。内容包括：1)创建证书目录结构；2)编写CA配置文件；3)生成CA私钥和根证书；4)创建服务器私钥和证书签名请求；5)使用CA签发服务器证书；6)验证证书有效性；7)将根证书添加到操作系统和浏览器的信任列表中。这种方法适用于开发测试环境、内网服务等需要HTTPS加密但无需商业证书的场景，提供了完整的TLS认证解决方案。
2025-08-16 10:37:22
409
原创 使用certbot自动申请Let‘s Encrypt证书
本文摘要介绍了使用Certbot申请Let's Encrypt泛域名证书的完整流程：1) 安装Certbot和阿里云DNS插件；2) 在阿里云创建子用户并获取AccessKey；3) 配置DNS验证插件；4) 申请包含主域名和通配符的SSL证书；5) 验证证书有效性；6) 设置自动续期任务。文章提供了详细的命令行操作步骤，包括创建Python虚拟环境、安装必要组件、配置密钥文件权限等关键操作，并给出了测试自动续期和启用定时任务的方法。
2025-08-15 14:36:23
540
原创 分享两个简易web server
本文介绍了两种快速启动本地Web服务器的方法：1) Python内置的http.server模块，通过python -m http.server [port]命令启动，默认8000端口，适合简单测试但不建议生产使用；2) Node.js的http-server工具，可通过npm全局安装或使用npx临时运行，默认8080端口，支持HTTPS和自定义目录，适用于开发和测试环境。两种方式都能快速预览当前目录下的文件，若有index.html则默认显示其内容。
2025-08-15 14:32:51
500
原创 使用YOLOv13进行钢板表面缺陷检测
本文在前期采用YOLO11和YOLOv12模型进行钢板表面六种缺陷检测的基础上，进一步使用相同数据集训练了YOLOv13模型。实验结果显示，YOLOv13n和YOLOv13s两种变体模型均取得了良好的训练效果，相关性能指标通过图表展示。该研究为工业质检领域提供了新的目标检测解决方案，验证了YOLOv13模型在钢板缺陷检测任务中的适用性。
2025-08-14 11:24:26
665
原创 使用YOLOv12进行钢板表面缺陷检测
文章摘要：本文对比了YOLOv12n和YOLOv12s模型在钢板表面缺陷检测任务上的训练效果。基于前期使用YOLO11对6种钢板缺陷进行训练的数据集（见参考链接），作者展示了两种YOLOv12变体的训练结果可视化图表。文中附带了两个模型训练过程的性能曲线图，直观展示了模型的学习效果。
2025-08-14 11:21:54
181
原创 使用NPM管理项目依赖
本文介绍了6种更新npm项目依赖的方法：1）使用npm update命令更新依赖到最新兼容版本；2）通过npm-check-updates工具检查并更新package.json中的版本号；3）使用npm outdated查看过时依赖；4）手动编辑package.json文件；5）使用npm install @latest安装特定包的最新版本；6）利用自动化工具如renovate实现自动更新。每种方法适用于不同场景，从快速更新到精确控制版本，开发者可根据需求选择合适的方式保持项目依赖的最新状态。
2025-08-09 22:00:53
571
原创 安装NodeJS和TypeScript简要指南
本文介绍了在Ubuntu和Windows系统上安装NodeJS的两种方法：通过系统仓库直接安装或使用nvm（Node版本管理器）安装，推荐使用nvm以便管理多个Node版本。同时提供了卸载NodeJS的方法。文章还包含安装TypeScript编译器的步骤，以及创建和运行TypeScript测试项目的详细指南，包括初始化项目、编写代码、编译和运行等操作。适用于需要在不同环境下配置NodeJS和TypeScript开发环境的开发者。
2025-08-09 21:59:10
512
原创 使用YOLO11进行钢板表面缺陷检测
本文基于东北大学的钢板表面缺陷数据集，采用YOLO11算法进行缺陷检测研究。数据集包含裂纹、杂质、斑块等6类缺陷，经分析显示各类别分布不均衡。通过对比YOLO11n、11s和11m三个模型发现：11s模型在速度与精度间取得最佳平衡，尤其对小目标（如裂纹）检测效果较好。研究表明该算法适用于工业质检系统验证，但实际应用仍需扩充数据以提高检测性能。研究为智能化钢材表面缺陷检测提供了可行方案，具有工程应用价值。
2025-07-24 10:19:30
590
原创 YOLO13：基于超图增强自适应视觉感知的实时目标检测
YOLOv13：超图增强的实时目标检测新突破 YOLOv13提出了一种创新的实时目标检测框架，通过超图自适应相关增强(HyperACE)技术，将多尺度特征像素建模为超图顶点，利用可学习超边构建高阶相关性，实现高效视觉感知。该模型采用全流程聚合-分发范式(FullPAD)优化信息流传递，结合深度可分离卷积实现轻量化设计。实验表明，YOLOv13在MS COCO数据集上取得显著优势，其Nano版本AP50达到57.8，Small版本AP50达65.2，均优于同类先进模型，同时保持较低的计算开销和延迟。
2025-07-24 10:14:12
876
原创 使用UV管理PyTorch项目
PyTorch安装与加速器配置指南 PyTorch安装需要特殊处理，因其wheel托管在专属索引上，且针对不同加速器（CPU/CUDA/ROCM）有不同构建版本。可通过uv工具管理项目配置。
2025-07-20 10:21:27
1582
原创 使用UV管理FastAPI项目
本文介绍了使用uv工具管理和部署FastAPI项目的完整流程。首先演示了如何将现有FastAPI项目迁移到uv环境，通过uv初始化项目框架并添加FastAPI依赖。其次展示了使用uv run命令运行FastAPI开发服务器的方法。最后提供了基于Docker的部署方案，包括Dockerfile编写、镜像构建和容器运行步骤，使用uv同步依赖并最终通过FastAPI运行应用。整个过程涵盖了从开发到部署的全生命周期管理。
2025-07-19 21:54:39
627
原创 使用uvx运行和安装Python应用程序
摘要：uvx工具提供了便捷的Python包管理功能，支持直接运行未安装的工具（如uvx ruff），处理包名与命令不一致的情况（使用--from选项），指定版本（如ruff@0.3.0）和额外功能（如mypy[faster-cache]）。它还支持从Git等替代源安装，管理插件依赖（--with选项），以及工具的安装（uv tool install）、升级（uv tool upgrade）和Python版本指定（--python 3.10）。安装后的工具可直接运行，但模块不会自动导入虚拟环境。
2025-07-19 10:32:29
1217
原创 使用UV管理Python项目
摘要：UV是一个Python项目管理工具，通过pyproject.toml管理项目依赖。它提供uv init创建项目结构，包含虚拟环境(.venv)和锁定文件(uv.lock)。使用uv add/remove管理依赖，uv run确保环境一致性后执行脚本，uv build构建发行版。UV自动同步依赖和虚拟环境，保证项目可重现性，适合团队协作开发。主要功能包括依赖管理、版本控制、环境同步和自动化构建。
2025-07-18 09:00:22
646
原创 使用UV管理Python软件包和环境
UV是一款基于Rust开发的超快Python包和项目管理工具，可替代pip、poetry等传统工具。主要特点包括：速度比pip快10-100倍，统一管理Python版本和虚拟环境，支持复杂项目的锁定文件管理，提供pip兼容的CLI接口。支持多种安装方式（独立安装、pipx、Homebrew等），可管理Python版本安装和升级。典型用法包括：创建/激活虚拟环境，通过多种方式安装/卸载包，锁定依赖并同步环境。UV还提供包列表查看、依赖检查等功能，大幅提升Python开发效率。
2025-07-17 14:13:58
1029
原创 为Ultralytics 项目设置 Conda 环境
Conda是一个强大的开源软件包和环境管理系统，特别适合数据科学和机器学习工作。摘要介绍了如何安装Anaconda、使用conda命令管理虚拟环境（创建/激活/删除环境），以及设置Conda环境来安装Ultralytics库（包括CUDA环境下的安装说明）。还提供了使用YOLO模型进行对象检测的代码示例，并介绍了Ultralytics提供的Docker镜像使用方法（支持GPU加速）。这些内容涵盖了从环境配置到实际应用的完整工作流程。
2025-07-04 16:14:30
1217
原创 在内网部署Bind9 DNS服务器
本文介绍了在Ubuntu系统上安装和配置BIND9 DNS服务器的过程。BIND9是最常用的开源DNS软件，支持主/从服务器、缓存服务器等类型。文章详细说明了正向解析配置步骤，包括编辑主配置文件、创建区域文件、检查语法和重载配置。同时介绍了反向解析的应用场景和配置方法，适用于邮件验证、日志分析等需求。配置完成后可通过dig或nslookup命令测试解析效果。文中还提供了DNS转发功能的设置方法，可将非本地查询转发至公共DNS服务器。整个安装和配置过程简明实用，适合在内网环境中快速搭建DNS服务。
2025-07-03 19:22:43
1493
原创 Ultralytics YOLO超参数调整指南（二）
本文介绍了使用Ultralytics YOLO进行超参数调整的方法。主要内容包括：1)如何定义搜索空间并使用model.tune()方法进行超参数调整；2)如何恢复中断的调整会话；3)调整完成后生成的结果文件结构及其用途说明，包括最佳超参数文件、性能图表和权重文件等。文中提供了完整的代码示例和文件结构说明，帮助用户通过遗传算法优化YOLO模型的性能。该调整过程简单高效，适合系统性地提升模型表现。
2025-06-29 13:34:53
1243
原创 Ultralytics YOLO超参数调整指南（一）
摘要：本文介绍了Ultralytics YOLO的超参数调整方法，重点讲解了遗传算法优化过程。内容包括超参数类型（如学习率、批量大小等）、调整步骤（初始化、变异、训练、评估）以及默认搜索空间参数（数值范围及功能说明）。文章强调超参数调整需要确定评估指标、设置计算资源预算，并通过迭代优化模型性能。默认参数表格详细列出了20个关键参数及其取值范围，为YOLO模型优化提供了实用参考。
2025-06-28 21:28:32
1293
原创 使用Ultralytics YOLO进行数据增强
数据增强是计算机视觉领域的一项重要技术，它通过对现有图像进行各种转换，人为地扩展训练数据集。在训练深度学习模型时，数据增强有助于提高模型的鲁棒性，减少过拟合，并增强对真实世界场景的泛化。Ultralytics YOLO 提供了一整套增强技术，每种技术都有特定的用途，并以不同的方式提高模型性能。本文主要描述在检测推理时常用的数据增强功能。
2025-06-27 19:46:11
1233
原创 在树莓派上使用YOLO11推理
摘要：Raspberry Pi因其低成本、紧凑性和多功能性，成为计算机视觉项目的理想平台。本文介绍了在Raspberry Pi上安装Ultralytics YOLO模型的两种方法（Docker和非Docker），推荐使用YOLO11n/s等轻量模型。重点讲解了如何将模型转换为NCNN格式提升推理性能，以及通过Picamera2或TCP流实现摄像头实时推理的方案。最佳实践包括使用SSD替代SD卡、选择无图形界面系统、合理超频等优化措施，充分发挥Raspberry Pi在边缘计算中的潜力。（150字）
2025-06-26 21:19:37
1632
原创 使用YOLO模型进行线程安全推理
在多线程环境中使用YOLO模型时，线程安全至关重要。文章指出共享单例模型实例会导致竞赛条件，建议在每个线程内独立实例化YOLO模型以确保线程安全。同时介绍了Ultralytics提供的ThreadingLocked装饰器，通过加锁机制实现共享模型实例的线程安全调用。此外，还建议考虑使用多进程并行处理或任务队列来进一步优化性能。关键结论是：避免跨线程共享模型实例，采用线程隔离或加锁机制，必要时可转向多进程方案，以确保多线程环境下YOLO模型推理的可靠性和稳定性。
2025-06-18 19:59:28
1210
原创 使用VSCode开发FastAPI指南（二）
本文介绍了在FastAPI开发中使用Redis作为持久化数据存储的具体实现方法。首先指导用户通过VSCode Dev Containers配置包含Redis的开发环境，详细说明了Windows系统下Docker容器的创建步骤和配置文件编辑。然后讲解了如何将原有的内存字典存储替换为Redis数据库，包括Redis客户端的初始化、数据结构的迁移（使用Redis哈希存储商品信息），以及如何通过hget和hincrby方法实现商品名称与ID的映射、商品数量更新等操作。教程还提供了类型提示处理、错误检查等开发细节。
2025-06-15 20:16:40
1713
原创 使用VSCode开发FastAPI指南（一）
FastAPI是一个高性能Python Web框架，适合构建API和微服务。本教程演示如何在VS Code中使用FastAPI开发杂货清单应用，包括环境设置和代码实现。首先创建Python虚拟环境并安装fastapi、redis等依赖项。然后编写基础API路由，使用Pydantic定义数据模型，实现添加/查询商品功能。教程详细介绍了调试配置、端口设置以及通过/docs界面测试API的方法。项目展示了FastAPI的自动验证、文档生成等特性，帮助开发者快速构建RESTful服务。
2025-06-12 09:29:13
1726
原创 在VSCode中使用Ultralytics扩展
VS Code 的 Ultralytics-snippets 扩展是一款提升开发效率的工具，专为 Ultralytics 应用开发设计。该扩展通过智能代码补全、预置代码片段和自动化任务，帮助开发者快速编写高质量代码。主要功能包括：1）一键插入常用代码模板（如模型初始化、结果处理）；2）支持自定义变量名和快速导航；3）覆盖关键参数、示例代码等实用类别；4）兼容 YOLO、SAM 等多种模型。安装后输入前缀「ultra」即可调用，显著简化开发流程，是高效构建 Ultralytics 应用的得力助手。
2025-06-08 19:10:02
1542
原创 YOLO11解决方案之分析
Ultralytics基于YOLO11提供了多种现实世界解决方案，包括物体计数、追踪和安全监控等功能。它支持三种数据可视化类型：折线图（适合趋势分析）、条形图（适合类别对比）和饼图（适合比例展示）。该框架提供Python API，可处理视频流并实时生成分析结果，参数包括检测置信度、跟踪算法选择和可视化选项。不同分析类型（线图、面积图、条形图、饼图）均可直观展示检测数据，适用于安防监控、交通分析等多种场景。
2025-06-07 17:29:07
951
原创 使用VSCode开发Django指南
摘要： 本文介绍了使用VSCode开发Django应用的基本流程。首先创建虚拟环境并安装Django，然后通过django-admin命令初始化项目结构，运行开发服务器验证配置。接着创建Django应用，配置URL路由和视图函数，最终实现一个简单的“Hello, Django”页面。此外，还指导如何配置VSCode的调试启动文件（launch.json），方便快速运行和调试项目。通过虚拟环境隔离依赖，结合VSCode的终端、代码编辑和调试功能，为开发者提供了高效的Django开发体验。
2025-06-06 21:14:38
2372
原创 使用VSCode开发Flask指南
摘要：本文介绍了如何在VSCode中开发一个简单的Flask应用。Flask是一个轻量级Python Web框架，依赖扩展实现表单验证、数据库等功能。文章详细讲解了创建虚拟环境、安装Flask、编写"Hello Flask"示例、使用调试器、模板渲染和静态文件管理等步骤。重点包括：通过Jinja模板引擎实现页面继承，创建代码片段提高模板开发效率，以及使用VSCode的智能提示和调试功能。
2025-06-05 09:46:22
3578
原创 使用FastAPI构建车牌检测识别服务
本文介绍了基于YOLOv11和CRNN的车牌检测识别系统。系统采用YOLOv11进行高效车牌检测，通过CCPD数据集训练获得高精度模型。识别部分使用CRNN网络，在多种车牌数据集上训练，实现准确的车牌内容识别。核心代码封装在PlateRecognizer类中，包含检测识别、结果标注等功能。该系统借助深度学习技术，实现了从输入图像到车牌识别的完整流程，具有较高的实用性和准确性，适用于多种实际应用场景。
2025-06-02 20:06:07
1172
原创 使用VSCode在WSL和Docker中开发
通过WSL，开发人员可以安装 Linux 发行版，并直接在 Windows 上使用 Linux 应用程序、实用程序和 Bash 命令行工具，不用进行任何修改，也无需使用传统虚拟机或设置成双启动系统。借助 Docker Desktop for Windows 中支持的 WSL 2 后端，可以在基于 Linux 的开发环境中工作并生成基于 Linux 的容器，同时使用 Visual Studio Code 进行代码编辑和调试。
2025-05-31 15:03:20
2318
原创 YOLO11解决方案之语义图像搜索
本方案使用OpenAI CLIP、Meta FAISS 构建语义图像搜索引擎，通过将 CLIP 强大的可视化语言嵌入与 FAISS 高效的近邻搜索相结合，使用自然语言查询检索相关图像。本方案使用Flask构建演示WEB Server，建立了一个功能齐全的WEB图像搜索系统。
2025-05-27 11:13:53
980
钢板表面缺陷检测深度学习训练数据集
2025-07-21
基于VSCode的Django开发入门：创建、调试与模板化Web应用
2025-06-06
Web开发使用VSCode构建Flask应用入门教程
2025-06-04
【Python编程】Python安装与基础使用教程：涵盖安装步骤、环境配置及第三方模块安装方法
2025-05-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人