AI助力智慧农业，基于YOLOv5全系列模型【n/s/m/l/x】开发构建不同参数量级农田场景下庄稼作物、杂草智能检测识别系统

紧接前文，本文是农田场景下庄稼作物、杂草检测识别的第二篇文章，前文是基于YOLOv3这一网络模型实现的目标检测，v3相对来说比较早期的网络模型了，本文是基于最为经典的YOLOv5来开发不同参数量级的检测端模型。

首先看下实例效果：

YOLOv3（You Only Look Once version 3）是一种基于深度学习的快速目标检测算法，由Joseph Redmon等人于2018年提出。它的核心技术原理和亮点如下：

  1. 技术原理：

    • YOLOv3采用单个神经网络模型来完成目标检测任务。与传统的目标检测方法不同，YOLOv3将目标检测问题转化为一个回归问题，通过卷积神经网络输出图像中存在的目标的边界框坐标和类别概率。
    • YOLOv3使用Darknet-53作为骨干网络，用来提取图像特征。检测头（detection head）负责将提取的特征映射到目标边界框和类别预测。

  2. 亮点：

    • YOLOv3在保持较高的检测精度的同时，能够实现非常快的检测速度。相较于一些基于候选区域的目标检测算法（如Faster R-CNN、SSD等），YOLOv3具有更高的实时性能。
    • YOLOv3对小目标和密集目标的检测效果较好，同时在大目标的检测精度上也有不错的表现。
    • YOLOv3具有较好的通用性和适应性，适用于各种目标检测任务，包括车辆检测、行人检测等。

相比之下，YOLOv5是在YOLOv3的基础上进行了改进。YOLOv5的技术原理和亮点包括：

  1. 技术原理：

    • YOLOv5同样采用单个神经网络模型来完成目标检测任务，但采用了新的神经网络架构，融合了领先的轻量级模型设计理念。
    • YOLOv5使用较小的骨干网络和新的检测头设计，以实现更快的推断速度，并在不降低精度的前提下提高目标检测的准确性。

  2. 亮点：

    • YOLOv5在模型结构上进行了改进，引入了更先进的轻量级网络架构，因此在速度和精度上都有所提升。
    • YOLOv5支持更灵活的模型大小和预训练选项，可以根据任务需求选择不同大小的模型，同时提供丰富的数据增强扩展、模型集成等方法来提高检测精度。
    • YOLOv5通过使用更简洁的代码实现，提高了模型的易用性和可扩展性。

YOLOv5是一种快速、准确的目标检测模型，由Glen Darby于2020年提出。其主要特点和技术原理如下：

  1. YOLO（You Only Look Once）技术原理：

    • YOLOv5的核心思想是将目标检测任务转化为一个回归问题。它采用单个神经网络模型，将输入图像分割成网格，并利用卷积神经网络输出每个网格中存在的目标的边界框坐标和类别概率。
    • YOLOv5使用骨干网络（backbone network）来提取特征，然后将这些特征送入检测头（detection head）来进行目标检测。

  2. 特点和亮点:

    • YOLOv5的主要亮点之一是其简单、高效的设计。它采用的是单阶段检测器，直接在单个模型中完成目标检测任务，没有独立的区域提议（region proposal）和后处理步骤。
    • YOLOv5具有出色的性能和速度。它在保持高精度的同时能够实现实时目标检测，适用于各种实际场景。
    • YOLOv5提供了多种不同的预训练模型和大小，可以根据特定的应用场景选择合适的模型。同时，它支持在不同任务上进行微调（fine-tuning）。

  3. 技术细节：

    • YOLOv5使用了较小的backbone网络（如CSPDarknet53、CSPDarknet53-tiny等），以便实现更快的推理速度。
    • YOLOv5在训练过程中采用了类别平衡的策略，以解决数据不平衡带来的问题。
    • YOLOv5的推理性能得到了显著的提升，特别是在目标检测精度和处理速度方面取得了很好的平衡。

简单看下数据集：

训练数据配置文件如下所示：

# Dataset
path: ./dataset
train:- images/train
val:- images/test
test:- images/test# Classes
names:0: crop1: weed

本文将YOLOv5系列五款不同参数量级的模型均进行了开发评测，接下来依次看下模型详情：

【yolov5n】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 2  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

【yolov5s】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 2  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32#Backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]#Head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

【yolov5m】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 2  # number of classes
depth_multiple: 0.67  # model depth multiple
width_multiple: 0.75  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

【yolov5l】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 2  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

【yolov5x】

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 2  # number of classes
depth_multiple: 1.33  # model depth multiple
width_multiple: 1.25  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

在实验训练开发阶段，所有的模型均保持完全相同的参数设置，等待训练完成后，来整体进行评测对比分析。

【Precision曲线】
精确率曲线（Precision-Recall Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。
绘制精确率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率和召回率。
将每个阈值下的精确率和召回率绘制在同一个图表上，形成精确率曲线。
根据精确率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察精确率曲线，我们可以根据需求确定最佳的阈值，以平衡精确率和召回率。较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
精确率曲线通常与召回率曲线（Recall Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。

【Recall曲线】
召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。
绘制召回率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的召回率和对应的精确率。
将每个阈值下的召回率和精确率绘制在同一个图表上，形成召回率曲线。
根据召回率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察召回率曲线，我们可以根据需求确定最佳的阈值，以平衡召回率和精确率。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
召回率曲线通常与精确率曲线（Precision Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。

【F1值曲线】
F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。
绘制F1值曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率、召回率和F1分数。
将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上，形成F1值曲线。
根据F1值曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
F1值曲线通常与接收者操作特征曲线（ROC曲线）一起使用，以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析，可以根据具体应用场景来选择合适的模型和阈值设置。

【loss对比曲线】

整体对比分析不难发现：在本文我们自主构建的作物、杂草检测的数据集上五款不同参数量级的模型没有呈现出来断崖式的性能差异，纵向对比来看：n系列的模型性能最差，s系列次之，而m、l和x三个系列的模型则达到了相近的水平，结合推理速度来考虑的话实际项目中更加倾向于优先选择使用m系列的模型。

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/news/201222.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

介绍一款在线文件格式转换工具

介绍一款在线文件格式转换工具

原因: 今天要将一个pdf格式的文件转为docx格式,结果我用破解版的WPS无法再不登录的情况下转换,所以就搜索了一款在线工具实现功能。 网站地址: Convertio — 文件转换器 使用流程: 1)选择要转换的文件 2)选择要转换的格式 3)点击转换 4)等待上传 5)等待转换 6)下载到本地
阅读更多...
Linux简单部署Yearning并结合内网穿透工具发布至公网可访问

Linux简单部署Yearning并结合内网穿透工具发布至公网可访问

目录 前言 1. Linux 部署Yearning 2. 本地访问Yearning 3. Linux 安装cpolar 4. 配置Yearning公网访问地址 5. 公网远程访问Yearning管理界面 6. 固定Yearning公网地址 前言 Yearning 简单, 高效的MYSQL 审计平台 一款MYSQL SQL语句/查询审计工具，为DBA与开发…
阅读更多...
Vue混淆与还原

Vue混淆与还原

Vue混淆与还原 引言 Vue是一种流行的JavaScript框架，用于构建用户界面。它简单易用且功能强大，备受开发者喜爱。然而，在传输和存储过程中，我们需要保护Vue代码的安全性。混淆是一种有效的保护措施，可以加密和压缩代码…
阅读更多...
Course2-Week1-神经网络

Course2-Week1-神经网络

Course2-Week1-神经网络 文章目录 Course2-Week1-神经网络1. 神经网络概述1.1 欢迎来到Course21.2 神经元和大脑1.3 引入神经网络-需求预测1.4 神经网络的其他示例-图像感知 2. 神经网络的数学表达式2.1 单层的神经网络-需求预测2.3 前向传播的神经网络-手写数字识别 3. Tensor…
阅读更多...
学生护眼台灯怎么样选择？适合考研的护眼台灯推荐

学生护眼台灯怎么样选择？适合考研的护眼台灯推荐

很多家长都是为了孩子的视力健康而置换的护眼台灯，但是有一部分孩子用了之后反而会和家长说出现眼睛不太舒服，甚至近视加深的情况。而引发这种情况的大多数为产品不达标或非专业台灯，因为专业护眼台灯是真实能够保护眼睛的。 所以很多人都对护…
阅读更多...
文件上传漏洞(带实例)

文件上传漏洞(带实例)

漏洞介绍： 现代互联网的Web应用程序中，上传文件是一种常见的功能，因为它有助于提高业务效率，如企业的OA系统，允许用户上传图片，视频，头像和许多其他类型的文件。然而向用户提供的功能越多&#…
阅读更多...
【Polar靶场WEB签到】

【Polar靶场WEB签到】

题目&#xff1a; <?phperror_reporting(0);$file $_GET[file];if(!isset($file))$file 1;$file str_replace(../, , $file);include_once($file.".php");highlight_file(__FILE__); ?>解答&#xff1a;1、进入index页面&#xff0c;说让你加弟弟&#x…
阅读更多...
ArcGIS平滑处理栅格数据

ArcGIS平滑处理栅格数据

一、实验背景 基于栅格数据的空间分析&#xff0c;常常需要根据特定的分析场景对栅格数据进行处理&#xff0c;如栅格数据的噪声处理。噪声是属性值具有突跃特征的像元位置&#xff0c;直接对带有噪声的栅格数据进行分析会对结果造成较大的影响。而降噪的主要方法之一是平滑&a…
阅读更多...
会议剪影 | “聚势合力 共创高峰”2023思腾合力成都客户答谢会圆满结束

会议剪影 | “聚势合力 共创高峰”2023思腾合力成都客户答谢会圆满结束

2023年11月29日至12月1日&#xff0c;以“聚势合力 共创高峰”为主题的思腾合力成都答谢会&#xff0c;在成都都江堰皇冠假日酒店盛大举行&#xff0c;来自各地的客户齐聚于此&#xff0c;共同见证思腾合力的成长与突破&#xff0c;展望未来的合作与发展。 思腾合力总经理王伟热…
阅读更多...
2024面试必备的MySQL基础初级面试文集。

2024面试必备的MySQL基础初级面试文集。

&#x1f3c6;作者简介&#xff0c;普修罗双战士&#xff0c;一直追求不断学习和成长&#xff0c;在技术的道路上持续探索和实践。 &#x1f3c6;多年互联网行业从业经验&#xff0c;历任核心研发工程师&#xff0c;项目技术负责人。 &#x1f389;欢迎 &#x1f44d;点赞✍评论…
阅读更多...
Opencv获取当前视频长宽、总帧数、fps

Opencv获取当前视频长宽、总帧数、fps

Opencv提供了类似java中静态变量的参数&#xff0c;可以通过get(参数)获取当前视频的信息&#xff0c;参数类别还是挺多的&#xff0c;按照需求查手册或源码即可。 源码参数举例 获取视频帧的长宽 import cv2 if __name__ __main__:mp4_path xhx_utils/images/demo.mp4video…
阅读更多...
【hacker送书第9期】算法训练营（入门篇）

【hacker送书第9期】算法训练营（入门篇）

第9期图书推荐 内容简介作者简介精彩书评图书目录概述参与方式 内容简介 本书以海量图解的形式&#xff0c;详细讲解常用的数据结构与算法&#xff0c;又融入大量的竞赛实例和解题技巧。通过对本书的学习&#xff0c;读者可掌握12种初级数据结构、15种常用STL函数、10种二叉树和…
阅读更多...
C程序的内存布局分析

C程序的内存布局分析

C 程序的典型内存由以下部分组成&#xff1a; 文本段&#xff08;text&#xff09;初始化数据段 &#xff08;data&#xff09;未初始化数据段&#xff08;bss&#xff09;堆 &#xff08;heap&#xff09;栈&#xff08;stack&#xff09; 典型内存布局&#xff1a; 1.文本段…
阅读更多...
Java 控制台命令导入本地jar包到maven本地库中

Java 控制台命令导入本地jar包到maven本地库中

1、新建POM文件&#xff0c;在maven库路径下创建POM文件 注意&#xff1a;这个路径需要与第2点导入命令中的grouoId、artifactId和version写法对应 Path&#xff1a;D:\RomanData\repository\com\sae\mail\1.0.0\mail-1.0.0.pom <?xml version"1.0" encoding&q…
阅读更多...
基于web的ssm邮票鉴赏系统源码和论文

基于web的ssm邮票鉴赏系统源码和论文

网络的广泛应用给生活带来了十分的便利。所以把邮票鉴赏管理与现在网络相结合&#xff0c;利用java技术建设邮票鉴赏系统&#xff0c;实现邮票鉴赏的信息化。则对于进一步提高邮票鉴赏管理发展&#xff0c;丰富邮票鉴赏管理经验能起到不少的促进作用。 邮票鉴赏系统能够通过互…
阅读更多...
【Backbone】TransNeXt:最新ViT模型（原理+常用神经网络汇总）

【Backbone】TransNeXt:最新ViT模型（原理+常用神经网络汇总）

文章目录 一、近几年神经网络 Backbone 回顾1.Densenet 与 Resnet2.CBP3.SENet4.GCNet5.DANet6.PANet 与 FPN7.ASPP8.SPP-net9.PSP-net10.ECA-Net 二、TransNeXt&#xff08;2023&#xff09;1.提出问题2.Aggregated Pixel-focused Attention2.1 Pixel-focused Attention&#…
阅读更多...
Ant Design Vue（v1.7.8）a-table组件的插槽功能

Ant Design Vue（v1.7.8）a-table组件的插槽功能

<template slot"unitShow" slot-scope"text, record"> slot"unitShow" 表示插槽名&#xff08;见具名插槽&#xff09; slot-scope"text, record" 表示作用域插槽接收从<a-table>组件传递进来的两个参数&#xff0c;其中…
阅读更多...
CentOS8下的JDK安装

CentOS8下的JDK安装

一、JDK简介 &#xff08;一&#xff09;JDK、JRE、JVM、JIT 1、JDK&#xff08;Java Development kit&#xff09;&#xff0c;针对Java开发人员的产品&#xff0c;它包括了Java运行环境JRE、Java工具和Java基础类库&#xff0c;是java开发工具包。 java标准版开发工具包&am…
阅读更多...
机器连接和工业边缘计算

机器连接和工业边缘计算

软件应用和IT创新是制造业投资的主要驱动力。解决方案架构应围绕特定标准进行整合&#xff0c;并采用架构蓝图和最佳实践来满足最终用户的需求。此外&#xff0c;边缘计算&#xff08;Edge Computing&#xff09;也将在制造业中加速部署。 边缘计算是制造业的下一个变革驱动力。…
阅读更多...
解决vue ssr服务端渲染运行时报错：net::ERR_PROXY_CONNECTION_FAILED

解决vue ssr服务端渲染运行时报错：net::ERR_PROXY_CONNECTION_FAILED

现象&#xff1a; 从代码里找了半天也没有找到问题&#xff0c;但是由于ssr服务端渲染配置本身非常复杂&#xff0c;步骤又繁琐&#xff0c; 而且报错又很多&#xff0c;不知道哪里出了问题。 感觉是header或者cookie丢失造成的&#xff0c;因为据说ssr本身有这样的缺陷&…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023