遵义网站建设公司招聘/南宁网络推广服务商

遵义网站建设公司招聘,南宁网络推广服务商,做微网站迅宇科技,网站做seo【YOLO V3】目标检测 Darknet 训练自定义模型 前言整体思路环境检查与依赖配置克隆 YOLOv3 Darknet 并编译Clone Darknet 项目文件修改 Makefile 文件修改模型保存频率项目编译 准备数据集配置训练文件数据集：datasets （自制）权重文件 yolov3…

【YOLO V3】目标检测 Darknet 训练自定义模型

  • 前言
  • 整体思路
  • 环境检查与依赖配置
  • 克隆 YOLOv3 Darknet 并编译
    • Clone Darknet 项目文件
    • 修改 Makefile 文件
    • 修改模型保存频率
    • 项目编译
  • 准备数据集
  • 配置训练文件
    • 数据集：`datasets` （自制）
    • 权重文件 `yolov3-tiny.weights` （下载）
    • 预训练卷积层权重文件：`yolov3-tiny.conv.15` （下载）
    • 标签索引文件 `classes.names` （自制）
    • 数据集配置文件 `mydata.data` （自制）
    • 模型配置文件：`yolov3-tiny.cfg` （修改）
      • 第一处修改
      • 第二处修改
      • 第三处修改
    • 预先准备文件夹
  • 模型训练
  • 导出训练结果

前言

对于初学者而言，学习 YOLO 并实现目标检测时，并不需要深入理解底层原理。本篇文章的重点是如何快速上手 YOLOv3，使用 Darknet 源码训练自定义模型，并实现目标检测。

PS：本文适用于已有 YOLOv5 基础的读者，你可以参考【YOLO V5】目标检测 WSL2 AutoDL VScode SSH学习 YOLOv5。由于 YOLOv5 的 PyTorch 训练方式与 YOLOv3 的 Darknet 训练方法存在相似之处，两者是互通的，这将有助于你更快理解和上手 YOLOv3。

我的环境：
WSL2 Ubuntu 20.04 YOLOv3 Darknet

关联文章：

  • 【YOLO V5】目标检测 WSL2 AutoDL VScode SSH
  • 【YOLO】X-Anylabeling 数据集标注
  • 【YOLO】X-AnyLabeling 半自动标注

参考资料：

  • Darknet框架2：YOLOV3-使用Darknet训练检测自定义模型+COCO数据集！
  • YOLOV3 - 使用 Darknet 训练检测模型

整体思路

环境检查与依赖配置—克隆 YOLOv3 Darknet 并编译—准备数据集—配置训练文件—模型训练—导出训练结果

  1. 环境检查与依赖配置：确保 OpenCV 版本为 2.x 或 3.x，避免使用 OpenCV 4.x，因为 Darknet C 框架当前不兼容 OpenCV 4.x。
  2. 克隆 YOLOv3 Darknet 并编译：从官方源码仓库克隆 Darknet，修改 Makefile 以适配环境，修改模型保存频率。
  3. 准备数据集：确保数据集符合 YOLOv3 Darknet 训练要求，即采用 YOLO 格式（.txt 标签文件与对应的图片）。
  4. 配置训练文件：准备以下关键配置文件：.weights（预训练权重）classes.names（类别标签索引） mydata.data（数据集配置） .cfg（模型结构参数） .conv.x（预训练特征提取层权重）
    【对应于 YOLOv5 的 .pt、classes.txt（YOLOv5 实际上不使用）、mydata.yaml、yolov5s.yaml】
  5. 模型训练：基于 Darknet 框架启动训练过程，优化模型权重。
  6. 导出训练结果：生成最终的 .weights 权重文件，供后续部署与推理使用。

环境检查与依赖配置

在此步骤中，需确保 OpenCV 版本为 2.x 或 3.x，因 Darknet 训练不兼容 OpenCV 4.x。若当前 OpenCV 版本不符合要求，请参考相关资料进行降级或在虚拟环境中安装较低版本。

克隆 YOLOv3 Darknet 并编译

Clone Darknet 项目文件

git clone https://github.com/pjreddie/darknet
cd darknet

修改 Makefile 文件

修改 Makefile 时，重点关注前几行的配置，通常只需调整前五行及 ARCH 参数，其余部分会由 Makefile 自动处理。若编译时报错，再根据具体错误信息进行调整。

# 编译选项开关（根据自身需求修改）
GPU=1    # 是否启用 GPU 支持 (1:启用, 0:禁用)
CUDNN=1  # 是否启用 CUDNN 加速库 (1:启用, 0:禁用)
OPENCV=1 # 是否启用 OpenCV 支持 (1:启用, 0:禁用)
OPENMP=0 # 是否启用 OpenMP 并行计算 (1:启用, 0:禁用)
DEBUG=0  # 是否启用调试模式 (1:启用, 0:禁用)# NVIDIA GPU 架构设置
# compute_XX 表示虚拟架构版本，sm_XX 表示实际架构版本
# 支持多个不同的 GPU 架构版本编译
# 支持的 GPU 架构配置包括:
# Kepler, Maxwell, Turing, Ampere 和 Ada Lovelace
ARCH= -gencode arch=compute_30,code=sm_30 \-gencode arch=compute_35,code=sm_35 \-gencode arch=compute_50,code=[sm_50,compute_50] \-gencode arch=compute_52,code=[sm_52,compute_52] \-gencode arch=compute_75,code=[sm_75,compute_75] \-gencode arch=compute_86,code=[sm_86,compute_86] \-gencode arch=compute_89,code=[sm_89,compute_89]
# compute_30/35: Kepler
# compute_50/52: Maxwell
# compute_75: Turing (RTX 2080 Ti)
# compute_86: Ampere (RTX 3090/3060)
# compute_89: Ada Lovelace (RTX 4090)# 如果明确知道自己的 GPU 架构，可以取消下面的注释并指定
# ARCH= -gencode arch=compute_52,code=compute_52VPATH=./src/:./examples
SLIB=libdarknet.so
ALIB=libdarknet.a
EXEC=darknet
OBJDIR=./obj/CC=gcc
CPP=g++
NVCC=nvcc 
AR=ar
ARFLAGS=rcs
OPTS=-Ofast
LDFLAGS= -lm -pthread 
COMMON= -Iinclude/ -Isrc/
CFLAGS=-Wall -Wno-unused-result -Wno-unknown-pragmas -Wfatal-errors -fPIC# OpenCV 相关配置
# 当 OPENCV=1 时启用以下配置
ifeq ($(OPENCV), 1) 
COMMON+= -DOPENCV    # 添加 OpenCV 宏定义
CFLAGS+= -DOPENCV    # 编译标志添加 OpenCV 支持
LDFLAGS+= `pkg-config --libs opencv` -lstdc++    # 链接 OpenCV 库和 C++ 标准库
COMMON+= `pkg-config --cflags opencv`            # 添加 OpenCV 头文件路径
# 下面两行是 OpenCV4 的配置，如果使用 OpenCV4 则取消注释
# LDFLAGS+= `pkg-config --libs opencv4` -lstdc++
# COMMON+= `pkg-config --cflags opencv4` 
endif# CUDA 相关配置
# 当 GPU=1 时启用以下配置
ifeq ($(GPU), 1) 
COMMON+= -DGPU -I/usr/local/cuda/include/    # 添加 CUDA 宏定义和头文件路径
CFLAGS+= -DGPU                               # 编译标志添加 GPU 支持
LDFLAGS+= -L/usr/local/cuda/lib64 -lcuda -lcudart -lcublas -lcurand    # 链接 CUDA 相关库
endif# CUDNN 相关配置
# 当 CUDNN=1 时启用以下配置
ifeq ($(CUDNN), 1) 
COMMON+= -DCUDNN     # 添加 CUDNN 宏定义
CFLAGS+= -DCUDNN     # 编译标志添加 CUDNN 支持
LDFLAGS+= -lcudnn    # 链接 CUDNN 库
endif

修改模型保存频率

进入 darknet/examples/detector.c 文件，找到第 138 行的以下代码：

        if(i%10000==0 || (i < 1000 && i%100 == 0)){
#ifdef GPU

将其修改为：

if(i%1000==0){
#ifdef GPU

项目编译

make -j$(nproc)

make -j$(nproc) 通过并行使用所有 CPU 核心加速编译，提高编译效率。

准备数据集

准备数据集时，可参考：

  • 【YOLO】X-Anylabeling 数据集标注
  • 【YOLO】X-AnyLabeling 半自动标注。

【YOLO】X-Anylabeling 数据集标注 中写的的标签导出为 YOLO 格式，无需额外转换。该文章提供的数据集拆分脚本会自动生成 train.txt、test.txt 和 val.txt 文件，完全符合 Darknet YOLO 训练的要求。

所需的数据集结构应如下所示：
在这里插入图片描述
在 train.txt 文件中，每行应包含一个训练图像的路径，如下所示：
在这里插入图片描述

如果训练时的路径与导出时不一致，可以使用 VSCode 的搜索与替换功能，将文件内所有路径前缀更改为实际路径。
在这里插入图片描述

配置训练文件

本文以 YOLOv3-tiny 模型为例，首先需要准备以下训练文件：

  • 数据集： datasets 数据集文件夹
  • 权重文件：yolov3-tiny.weights
  • 预训练卷积层权重文件：yolov3-tiny.conv.15
  • 标签索引文件：classes.names
  • 数据集配置文件：mydata.data
  • 模型配置文件：yolov3-tiny.cfg

  1. 建议将这些文件统一放入一个文件夹中进行管理，例如命名为 abaaba 文件夹，这样便于上传到服务器并组织好所有预先准备的训练和配置文件。

  2. 我习惯于将工程文件夹、预先准备的训练文件和数据集压缩后，直接通过 VSCode 的 SSH 功能上传到服务器。这样比使用 wget 更为高效，避免了传输速率慢的问题。

文件下载地址：

  • yolov3-tiny.weights
  • yolov3-tiny.conv.15

数据集：datasets （自制）

根据前文提到的两篇文章的操作步骤，准备好自制的数据集，并将其存放到自定义的文件夹中即可，例如 abaaba 文件夹。

权重文件 yolov3-tiny.weights （下载）

该 yolov3-tiny.weights 权重文件可以直接下载，并存放到自定义的文件夹中，例如 abaaba 文件夹。

预训练卷积层权重文件：yolov3-tiny.conv.15 （下载）

该yolov3-tiny.conv.15文件可以直接下载，并存放到自定义的文件夹中，例如 abaaba 文件夹。

标签索引文件 classes.names （自制）

标签索引文件的名称可以自定义，但文件后缀必须为 .names。
该文件中的每一行对应一个类别名称，并且类别顺序必须与标注时的顺序一致，因为 YOLO 标签使用从 0 到 n 的数字索引来对应不同类别，所以类别顺序必须严格保持一致。

例如： classes.names

watermelon
banana
apple
milk
red
green
pepper
cake
cola
potato
tomato

该标签索引文件的含义是*：在 YOLO 的 .txt 标签文件中，索引 0 对应 watermelon，索引 1 对应 banana，以此类推，顺序必须与类别一致。

数据集配置文件 mydata.data （自制）

以下仅为示例，请根据你的项目实际情况调整路径配置，但格式需保持一致：

classes = 11  # 目标检测类别数量
train = /root/darknet_AutoDL/abaaba/datasets/train.txt  # 训练集图片路径列表文件
valid = /root/darknet_AutoDL/abaaba/datasets/val.txt    # 验证集图片路径列表文件 
names = /root/darknet_AutoDL/abaaba/classes.names       # 类别名称文件，每行一个类别名称
backup = root/darknet_AutoDL/backup                     # 训练过程中权重文件的保存目录

模型配置文件：yolov3-tiny.cfg （修改）

该文件位于 yolo/darknet/cfg/yolov3-tiny.cfg 中，我们需要根据实际情况修改一些参数。

第一处修改

在 yolov3-tiny.cfg 文件的开头几行，根据训练或测试阶段的不同，注释掉不需要的配置。在训练时，注释掉测试相关的配置；在测试时，注释掉训练相关的配置。

以训练时为例：

# 测试/推理阶段配置 （训练时注释掉这几行）
# batch=1      # 推理时每批处理1张图片
# subdivisions=1  # 不需要进行批次细分# 训练阶段配置 （测试/推理时注释掉这几行）
batch=96        # 每次迭代训练96张图片
subdivisions=2  # 将batch分成2份，降低GPU显存占用# 实际每次处理: batch/subdivisions = 2张图片# 较小的subdivisions训练更快但需要更多显存# 如果显存不足，可以增加subdivisions的值

第二处修改

在 darknet 配置文件的第 20 行左右，找到 max_batches 参数，并根据实际需求修改。
该参数表示模型将在多少次迭代后停止训练，是迭代的总次数。

对于 max_batches 参数的设置，一般建议将其设置为 类别数 * 2000。

max_batches = 22000   # 11*2000 = 22000

适当增加该参数可以提高模型的性能，但过大的值可能会导致过拟合。根据数据集的大小和类别数调整这一参数，以达到最佳训练效果。

需要注意的是：
darknet 的训练方式与 PyTorch 不同。darknet 是基于每次迭代来更新模型，而 PyTorch 是基于每轮训练来更新。具体来说，darknet 中一次迭代对应一次完整的 batch 训练，例如如果 batch 大小为 64，那么一次迭代就是使用 64 张图片进行训练并更新权重。

第三处修改

  1. 找到文件中的多个 [yolo] 标签
  2. 将每个 [yolo] 标签下的 classes 修改为实际检测的类别数量
  3. 修改每个 [yolo] 标签的上面紧挨的 [convolutional] 层，将其中的 filters 参数设置为 filters = 3 * (classes + 5)，例如，如果类别为 4，则 filters = 3 * (4 + 5) = 27。

每个 [yolo] 标签和紧挨着的 [convolutional] 层中的这两个参数都需要根据实际情况进行修改

例如：

# 卷积层配置
[convolutional]
size=1
stride=1
pad=1
filters=48        # filters = 3 * ( classes + 5 )，如,filters= 3*(11+5) = 48
activation=linear# yolo配置
[yolo]
mask = 3,4,5
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=11        #自定义数据集的类别数
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

预先准备文件夹

预先准备的文件夹 abaaba 如下图所示，用于上传到服务器进行训练。
在这里插入图片描述

模型训练

将上文准备好的 abaaba 文件夹放置于项目根目录下。

  • 如果自制的数据集与 COCO 数据集差异较大，可以使用 conv.15 文件从头开始训练自己的数据集：
./darknet detector train /root/darknet_AutoDL/abaaba/mydata.data /root/darknet_AutoDL/abaaba/yolov3-tiny.cfg /root/darknet_AutoDL/abaaba/yolov3-tiny.conv.15

或者使用续行符：

./darknet detector train \/root/darknet_AutoDL/abaaba/mydata.data \/root/darknet_AutoDL/abaaba/yolov3-tiny.cfg \/root/darknet_AutoDL/abaaba/yolov3-tiny.conv.15
  • 如果自制的数据集与 COCO 数据集差异较小，可以基于 yolov3-tiny.weights 进行微调：
./darknet detector train /root/darknet_AutoDL/abaaba/mydata.data /root/darknet_AutoDL/abaaba/yolov3-tiny.cfg /root/darknet_AutoDL/abaaba/yolov3-tiny.weights

或者使用续行符：

./darknet detector train \/root/darknet_AutoDL/abaaba/mydata.data \/root/darknet_AutoDL/abaaba/yolov3-tiny.cfg \/root/darknet_AutoDL/abaaba/yolov3-tiny.weights

请注意，参数的顺序必须严格按照上述顺序，这是固定的顺序。

拓展知识：

  • yolov3-tiny.weights 是在 COCO 数据集上完整训练的模型权重文件，包含了所有层的参数（卷积层 + 检测层），已学习 COCO 数据集的 80 个类别的特征，适合迁移学习/微调。如果你的任务与 COCO 类别相似，使用该权重可以加快收敛。

  • yolov3-tiny.conv.15 只包含模型前 15 层的卷积层权重，没有涉及与特定类别相关的检测层权重，适合从头开始训练自己的数据集，避免 COCO 数据集类别特征的干扰。

导出训练结果

模型权重文件的保存位置由 mydata.data 文件中的 backup 参数指定，通常默认保存在项目根目录下的 backup 文件夹中。

具体示例：

backup/
├── yolov3-tiny_last.weights    # 最后一次迭代的权重
├── yolov3-tiny_1000.weights    # 第1000次迭代的权重
├── yolov3-tiny_2000.weights    # 第2000次迭代的权重
└── yolov3-tiny_best.weights    # 最佳性能的权重

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.mzph.cn/diannao/74443.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩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

DeepSeek 助力 Vue3 开发：打造丝滑的表格（Table）之添加导出数据功能

DeepSeek 助力 Vue3 开发：打造丝滑的表格（Table）之添加导出数据功能

前言：哈喽，大家好，今天给大家分享一篇文章！并提供具体代码帮助大家深入理解，彻底掌握！创作不易，如果能帮助到大家或者给大家一些灵感和启发，欢迎收藏+关注哦 💕 目录 DeepSeek 助力 Vue3 开发：打造丝滑的表格（Table）之添加导出数据功能📚页面效果📚指令输入�…
阅读更多...
《Python实战进阶》第31集：特征工程：特征选择与降维技术

《Python实战进阶》第31集：特征工程：特征选择与降维技术

第31集&#xff1a;特征工程&#xff1a;特征选择与降维技术 摘要 特征工程是机器学习和数据科学中不可或缺的一环&#xff0c;其核心目标是通过选择重要特征和降低维度来提升模型性能并减少计算复杂度。本集聚焦于特征选择与降维技术&#xff0c;涵盖过滤法、包裹法、嵌入法等…
阅读更多...
Excel第41套全国人口普查

Excel第41套全国人口普查

2. 导入网页中的表格&#xff1a;数据-现有链接-考生文件夹&#xff1a;网页-找到表格-点击→变为√-导入删除外部链接关系&#xff1a;数据-点击链接-选中连接-删除-确定&#xff08;套用表格格式-也会是删除外部链接&#xff09;数值缩小10000倍&#xff08;除以10000即可&am…
阅读更多...
WPS宏开发手册——使用、工程、模块介绍

WPS宏开发手册——使用、工程、模块介绍

目录 系列文章前言1、开始1.1、宏编辑器使用步骤1.2、工程1.3、工程 系列文章 使用、工程、模块介绍 JSA语法 第三篇练习练习题&#xff0c;持续更新中… 前言 如果你是开发人员&#xff0c;那么wps宏开发对你来说手拿把切。反之还挺吃力&#xff0c;需要嘻嘻&#xf…
阅读更多...
EtherCAT转CANopen配置CANopen侧的PDO映射

EtherCAT转CANopen配置CANopen侧的PDO映射

EtherCAT转CANopen配置CANopen侧的PDO映射 在工业自动化领域&#xff0c;EtherCAT和CANopen是两种广泛应用的通信协议。它们各自具有独特的优势&#xff0c;但在某些应用场景下&#xff0c;需要将这两种协议进行转换以实现设备间的高效数据交换。本文将详细介绍如何在使用Ethe…
阅读更多...
【QT】Qt creator快捷键

【QT】Qt creator快捷键

Qt creator可以通过以下步骤快捷键査看调用关系&#xff1a; 1.打开代码文件。 2.将光标放在你想要查看调用关系的函数名上。 3.按下键盘快捷键 CtrlshiftU。 4.弹出菜单中选择“调用路径”或“被调用路径” 5.在弹出的窗口中可以查看函数的调用关系 折叠或展开代码快捷键&…
阅读更多...
【RHCE】LVS-NAT模式负载均衡实验

【RHCE】LVS-NAT模式负载均衡实验

目录 题目 IP规划 配置IP RS1 RS2 RS3 LVS client 配置RS 配置LVS 安装lvs软件 启动ipvsadm服务 lvs规则匹配 ipvsadm部分选项 客户端测试 总结 题目 使用LVS的 NAT 模式实现 3 台RS的轮询访问&#xff0c;IP地址和主机自己规划。 IP规划 主机IP地址RS1-nat模…
阅读更多...
排序算法（插入，希尔，选择，冒泡，堆，快排，归并）

排序算法（插入，希尔，选择，冒泡，堆，快排，归并）

1.插入排序 插入排序的主要思想是额外申请一个空间cur&#xff0c;让cur一开始等于数组的第1号位置,设置i1&#xff0c;让i-1的元素与其比较&#xff0c;如果arr[i-1]>arr[i]&#xff0c;就让arr[i1] arr[i]&#xff0c;当进行到最后一次对比结束&#xff0c;i-1,再让arr[…
阅读更多...
LiteIDE中配置golang编译生成无CMD窗口EXE的步骤

LiteIDE中配置golang编译生成无CMD窗口EXE的步骤

LiteIDE中配置golang编译生成无CMD窗口EXE的步骤 一、环境配置1、设置GOROOT‌2、配置GOPATH‌ 二、项目编译参数设置1、新建/打开项目‌2、修改编译配置‌3、其他优化选项&#xff08;可选&#xff09;‌ 三、构建与验证1、编译生成EXE‌2、验证无窗口效果‌ 四、注意事项 一、…
阅读更多...
Maya基本操作

Maya基本操作

基本操作 按住ALT键&#xff0c;左键旋转视角&#xff0c;中键平移视角&#xff0c;右键放大缩小视角。 按空格键切换4格视图。 导入FBX格式文件后&#xff0c;无贴图显示。 按6键开启。着色纹理显示 坐标轴相关 修改菜单-左键最上面的虚线。固定修改选项窗口。 选中物体…
阅读更多...
Windows打开ftp局域网共享

Windows打开ftp局域网共享

前提是windows已经设置好开机账号密码了&#xff0c;否则教程不适用 第一先打开电脑ftp共享配置 点击保存即可 2.设置要共享到其他电脑的文件路径&#xff08;如果你要共享整个盘你就设置整个盘&#xff0c;如果是共享盘中某文件就设置某文件&#xff0c;这里是某文件&#x…
阅读更多...
overleaf中会议参考文献使用什么标签:inproceedings

overleaf中会议参考文献使用什么标签:inproceedings

overleaf中会议参考文献使用什么标签 会议论文在LaTeX文献条目中应使用 @inproceedings 标签，而非 @article。根据你提供的内容，修正后的格式如下： @inproceedings{asai2023self, author = {Asai, Akari and Wu, Zeqiu and Wang, Yizhong and Sil, Avirup and Hajishirzi,…
阅读更多...
一文详解redis

一文详解redis

redis 5种数据类型 string 字符串是 Redis 里最基础的数据类型&#xff0c;一个键对应一个值。 设置值 SET key value例如&#xff1a; SET name "John"获取值 GET key例如&#xff1a; GET namelist 列表是简单的字符串列表&#xff0c;按插入顺序排序。 在列…
阅读更多...
第16章：基于CNN和Transformer对心脏左心室的实验分析及改进策略

第16章：基于CNN和Transformer对心脏左心室的实验分析及改进策略

目录 1. 项目需求 2. 网络选择 2.1 UNet模块 2.2 TransUnet 2.2.1 SE模块 2.2.2 CBAM 2.3 关键代码 3 对比试验 3.1 unet 3.2 transformerSE 3.3 transformerCBAM 4. 结果分析 5. 推理 6. 下载 1. 项目需求 本文需要做的工作是基于CNN和Transformer的心脏左心室…
阅读更多...
【AI】知识蒸馏-简单易懂版

【AI】知识蒸馏-简单易懂版

1 缘起 最近要准备升级材料&#xff0c;里面有一骨碌是介绍LLM相关技术的&#xff0c;知识蒸馏就是其中一个点&#xff0c; 不过&#xff0c;只分享了蒸馏过程&#xff0c;没有讲述来龙去脉&#xff0c;比如没有讲解Softmax为什么引入T、损失函数为什么使用KL散度&#xff0c;…
阅读更多...
2024年数维杯数学建模B题生物质和煤共热解问题的研究解题全过程论文及程序

2024年数维杯数学建模B题生物质和煤共热解问题的研究解题全过程论文及程序

2024年数维杯数学建模 B题 生物质和煤共热解问题的研究 原题再现&#xff1a; 随着全球能源需求的不断增长和对可再生能源的追求&#xff0c;生物质和煤共热解作为一种潜在的能源转化技术备受关注。生物质是指可再生能源&#xff0c;源自植物和动物的有机物质&#xff0c;而煤…
阅读更多...
Spring相关API

Spring相关API

1是相对路径 2 是绝对路径 3 在注解时使用
阅读更多...
Netty源码—客户端接入流程

Netty源码—客户端接入流程

1.关于Netty客户端连接接入问题整理 一.Netty是在哪里检测有新连接接入的&#xff1f; 答&#xff1a;boss线程第一个过程轮询出ACCEPT事件&#xff0c;然后boss线程第二个过程通过JDK底层Channel的accept()方法创建一条连接。 二.新连接是怎样注册到NioEventLoop线程的&#x…
阅读更多...
领域驱动设计（DDD）实践入门

领域驱动设计（DDD）实践入门

文章目录 1.认识领域驱动设计1.1 简介1.2 发展历史1.3 DDD 的兴起 2.从一个简单案例2.1 转账需求2.2 设计的问题2.3 违反的设计原则 3.使用 DDD 进行重构抽象数据存储层抽象第三方服务抽象中间件封装业务逻辑重构后的架构 4.小结参考文献 1.认识领域驱动设计 1.1 简介 领域驱…
阅读更多...
nuxt3网站文章分享微信 ,QQ功能

nuxt3网站文章分享微信 ,QQ功能

1.安装 npm install qrcode --save-dev 2.组件使用 <div class"share"><div style"line-height: 69px; color: #fff;width: 100px;"><p style"text-align: center;">分享:</p></div><div click"shareToMi…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023