pytorch 吸烟检测yolov5s

YOLOV5s +吸烟目标检测

参考学习

文章目录

      • 本原创项目长期更新,旨在完成校园异常行为实时精检测,作到集成+N次开发+优化(不止局限于调包)为止,近期将不断更新如下模型+数据+标注文件+教程。关注博主,Star 一下github,一块儿开始美妙的目标检测之路吧~~
    • 1、项目展现
    • 2、项目资源共享
        • 1:训练图片:香烟图片+吸烟手势+烟雾
    • 3、实践教学
      • 3.1环境配置
      • 3.2数据标注与预处理
        • 3.2.1附上本身的Lablimg简易教学:
        • 3.2.2 几个本身写的脚本用于转换数据集与训练前准备
        • 3.2.3 切分训练集与测试集:
    • 4、开始训练
      • 4.1:开始训练
      • 4.2:训练过程
      • 4.3:训练优化
      • 4.4 训练参数:
    • 5、实时检测
      • 运行detect.py便可
    • 6、YOLO系列可视化对比
    • 7、写在后面
      • 所有连接传送门

 

​ 首先:附上Github传送门:https://github.com/CVUsers/Smoke-Detect-by-YoloV5/tree/master,而后根据本文手把手配置环境+训练本身数据,或者使用我训练好的模型进行使用。用yolov5s训练好的已经放在了里面,用大模型训练的因为大小缘由,须要的话能够戳最下方微信私聊我,免费。python

1、项目展现

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fwpaKe70-1594698054779)(D:\CSDN\pic\吸烟检测\0.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hUenvq7F-1594698054781)(D:\CSDN\pic\吸烟检测\0.5.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JEV7mZfK-1594698054784)(D:\CSDN\pic\吸烟检测\1.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Mgb0QwvX-1594698054788)(D:\CSDN\pic\吸烟检测\1594683546122.png)]

左图为原图,右图为推理后的图片,以图片方式展现,视频流和实时流也能达到这个效果,因为视频大小缘由,暂不上传,感兴趣的朋友细细往下看,并点个关注哟!git

测试配置:GTX1050ti,不堪入目,可是实验效果还不错,再这样弱的配置下,使用YOLOv5s,YOlov5m等皆能达到30fps。github

2、项目资源共享

1:训练图片:香烟图片+吸烟手势+烟雾

香烟图片:本身编写爬虫爬了1w张,筛选下来有近1000张可用,以及其余途径获取到的,总共暂时5k张,将来会愈来愈多,后续须要的能够私聊我,如今先放出5k张图片,另外加上本身辛辛苦苦使用Labelimg标注的几千张图片的XML文件也一并送上,香烟图片质量可查传送门:连接:https://pan.baidu.com/s/1t8u94x51TO7pLciU8AoaiQ
提取码:n2wr:以下图web

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eruZx8Ri-1594698054790)(D:\CSDN\pic\吸烟检测\3.png)]

吸烟手势图片:算法

在这里插入图片描述

火灾+烟雾数据集:微信

这个数据集我已经有了10万左右数据,部分是朋友的,不知能不能开源,我能够送上本身收集的几万数据集。传送门:框架

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GFsXlbwe-1594698054792)(D:\CSDN\pic\吸烟检测\1594687477452.png)]

项目框架:YOLOV5——Pytorch实现dom

送上做者源码传送门:https://github.com/ultralytics/yolov5,固然也能够直接使用个人:https://github.com/CVUsers/Smoke-Detect-by-YoloV5/tree/master。ide

标注工具:Labelimgsvg

附上Windows工具:在我上面的github里面有哟:下载好放置桌面比较方便。

3、实践教学

3.1环境配置

本例以使用YOLov5做者源码步骤:

Cython
numpy==1.17
opencv-python
torch>=1.4
matplotlib
pillow
tensorboard
PyYAML>=5.3
torchvision
scipy
tqdm

个人是torch 1.5 gpu版

在git clone下做者的v5源码后: 目录切至requirement.txt 下而后

pip install -U -r requirements.txt

若是须要使用混合精度模型来作训练:安装Apex

git clone https://github.com/NVIDIA/apex && cd apex 而后切换至目录下
pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" . --user && cd .. && rm -rf apex

3.2数据标注与预处理

以吸烟数据集为例:

在百度网盘下载好个人数据集和XML

如果想从新训练的话

3.2.1附上本身的Lablimg简易教学:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ctuoGjSX-1594698054796)(D:\CSDN\pic\吸烟检测\7.png)]

标注好会生成XML文件:XML里面包含了四个点坐标和图片的名字与size。

而后在data下新建几个文件夹:

在这里插入图片描述

将咱们的XML文件放至Annotations

将咱们的图片放到images

在ImageSets中新建Main 和test.txt 和train.txt

再新建labels存放接下来生成的标签

3.2.2 几个本身写的脚本用于转换数据集与训练前准备

第一个:XML文件转label.txt文件

首先写个os操做读一下data/images中图片:这个几行搞定,要注意要写成我这样的哟 (不用生成.jpg)能够经过split(’.’)再复制到ImageXML中

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TUcelHlM-1594698054806)(D:\CSDN\pic\吸烟检测\10.png)]

而后运行voc_label.py脚本:

# 坐标xml转txt
import os
import xml.etree.ElementTree as ETclasses = ["smoke"]  # 输入名称,必须与xml标注名称一致def convert(size, box):print(size, box)dw = 1. / size[0]dh = 1. / size[1]x = (box[0] + box[1]) / 2.0y = (box[2] + box[3]) / 2.0w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)def convert_annotation(image_id):print(image_id)in_file = open(r'./data/Annotations/%s.xml' % (image_id), 'rb')  # 读取xml文件路径out_file = open('./data/labels/%s.txt' % (image_id), 'w')  # 须要保存的txt格式文件路径tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):cls = obj.find('name').textif cls not in classes:  # 检索xml中的名称continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')image_ids_train = open('./ImageXML.txt').read().strip().split()  # 读取xml文件名索引for image_id in image_ids_train:print(image_id)convert_annotation(image_id)

须要注意,如果有中文路径的话,请这样读文件:

 open(r'./data/Annotations/%s.xml' % (image_id), 'rb')

接下来就会在data/labels中看到:全部的txt标签

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YGacBoN7-1594698054808)(C:\Users\acer\AppData\Roaming\Typora\typora-user-images\1594690060070.png)]

每一个txt文本会生成一共5个数字:第一个是整形的数,表示类别:0表明第一类,以此类推,后面四个数字是坐标经过归一化后的表示。

3.2.3 切分训练集与测试集:

执行train_test_split.py

import os
import randomtrainval_percent = 1  # 可自行进行调节
train_percent = 1
xmlfilepath = './data/Annotations'
txtsavepath = './data/ImageSets\Main'
total_xml = os.listdir(xmlfilepath)num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)# ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('./data/ImageSets/Main/test.txt', 'w')
ftrain = open('./data/ImageSets/Main/train.txt', 'w')
# fval = open('ImageSets/Main/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:# ftrainval.write(name)if i in train:ftest.write(name)# else:# fval.write(name)else:ftrain.write(name)# ftrainval.close()
ftrain.close()
# fval.close()
ftest.close()

其中trainval_percent = 1表示验证集比例,1表明1:9 若是有5000张图片,就会切割成4500张训练集,和500张验证集。

trainval_percent = 1  # 可自行进行调节

运行path_trans补全路径,并写入train.txt

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import joinsets = ['train', 'test']classes = ['smoke']  # 本身训练的类别def convert(size, box):dw = 1. / size[0]dh = 1. / size[1]x = (box[0] + box[1]) / 2.0y = (box[2] + box[3]) / 2.0w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)def convert_annotation(image_id):in_file = open('data/Annotations/%s.xml' % (image_id), 'rb')out_file = open('data/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd()
for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write('data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()

接下来编写yaml文本:
见smoke.yaml

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SNIdxzTn-1594698054813)(D:\CSDN\pic\吸烟检测\1594691005832.png)]

将咱们上一步生成的train.txt 和test.txt 补全路径后的这两个txt路径写入到yaml中,而后nc:修改成本身类别的数量,以及names【‘smoke’】

4、开始训练

4.1:开始训练

在上面咱们作好数据预处理后,就能够开始训练了,上面的一些处理步骤,每一个人均可能不一样,不过大致上思路是一致的。

接下来咱们能够进行预训练,下载官方的预训练模型:
yolov5s yolov5m yolov5l yolov5x来 我在个人github中方了yolov5s,比较小,只有25mb,专门为移动端考虑了,真好。

固然也能够不使用预训练模型,使用与否,在总时间上是差很少的,不过

为何要使用预训练模型?

做者已尽其所能设计了基准模型。咱们能够在本身的数据集上使用预训练模型,而不是从头构建模型来解决相似的天然语言处理问题。

尽管仍然须要进行一些微调,但它已经为咱们节省了大量的时间:一般是每一个损失降低更快和计算资源节省

加快梯度降低的收敛速度

更有可能得到一个低模型偏差,或者低泛化偏差的模型

下降因未初始化或初始化不当致使的梯度消失或者梯度爆炸问题。此状况会致使模型训练速度变慢,崩溃,直至失败。

其中随机初始化,能够打破对称性,从而保证不一样的隐藏单元能够学习到不一样的东西

接下来开始训练:

 python train.py --data data/smoke.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --batch-size 10 --epochs 100

解释一下:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vuVhuRvJ-1594698054817)(D:\CSDN\pic\吸烟检测\1594693318445.png)]

咱们–data data/smoke.yaml 中就是在smoke.yaml中撰写的训练代码路径和类别等data,经过这个获取训练的图片和label标签等。

而后-cfg models/yolov5s.yaml 和 --weights weights/yolov5s.pt是获取配置和预训练模型权重

batch-size 10 你们都懂,default是16,你们能够改为16,在yolov5s中模型参施很少,百万左右,因此显存消耗很少,个人配置不好,显存4g,在使用yolov5m中以及不能调到16。

会报cuda out of memory 报错,就把batch size下降就行。

而后最后是epoch,这个也不用解释,我在使用yolov5m训练5k张图片在100epoch中花费 了24小时,一个epoch13分钟。

训练过程当中,会慢慢在runs中生成tensorboard,可视化损失降低

固然也能够在本地稍微看看:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tSjJFqPI-1594698054819)(D:\CSDN\pic\吸烟检测\1594694078732.png)]

这幅图中,咱们的类别只有1个,第三幅图显示了咱们数据中的宽高比,归一化后,广泛在0.1左右,说明数据确实很小,也会面临模糊问题,致使数据质量下降。

4.2:训练过程

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AwsYh6Fd-1594698054821)(D:\CSDN\pic\吸烟检测\1594694802784.png)]

分别是epoch,显存消耗…其余的你们能够查看源码

4.3:训练优化

使用混合精度模型

在前面配置好环境后:

mixed_precision = True
try:  # Mixed precision training https://github.com/NVIDIA/apexfrom apex import amp
except:print('Apex recommended for faster mixed precision training: https://github.com/NVIDIA/apex')mixed_precision = False  # not installed

判断是否可用apex作混合精度模型训练

而后

    if mixed_precision:model, optimizer = amp.initialize(model, optimizer, opt_level='O1', verbosity=0)

在optimizer中amp初始化一下 o1表明级别,注意是欧 不是零。

接着:

            if mixed_precision:with amp.scale_loss(loss, optimizer) as scaled_loss:scaled_loss.backward()

优化反向传播。

组装到cuda训练

    opt.img_size.extend([opt.img_size[-1]] * (2 - len(opt.img_size)))  # extend to 2 sizes (train, test)device = torch_utils.select_device(opt.device, apex=mixed_precision, batch_size=opt.batch_size)if device.type == 'cpu':mixed_precision = False

4.4 训练参数:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BRPhpP1F-1594698054825)(D:\CSDN\pic\吸烟检测\1594695858251.png)]

详情参见注释。

5、实时检测

运行detect.py便可

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kxk153R0-1594698054828)(D:\CSDN\pic\吸烟检测\1594696030729.png)]

其中,推理一张图片,那么就在–source中的default写上图片路径,

也能够如图写上整个图片文件夹,这样会检测全部图片。

也能够写上视频地址和视频文件夹,检测全部视频,存放于inference 的out中。

改为0 就是实时检测了~默认电脑摄像头,固然也能够改为手机。这个也很简单,须要的能够私聊我,微信会放在最下方。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gaXEwy1a-1594698054830)(D:\CSDN\pic\吸烟检测\1594696346542.png)]

帧率很高,普通设备也能达到30+,可谓是速度极快,要是你们设备好一些,能够试一下YOLOv5L和YOLOV5x,跑完了能够私聊分享一下,与我交流。

6、YOLO系列可视化对比

类别100类

每类300张图片

测试图片1087张,阀值0.5 ,预测正确

           yolov3-tiny      yolov4       yolov5

预测结果 737 954 955

模型大小 33.97M 246.19M 28.99M(yolov5s.pt)

yolov5s的精度和yolov4差很少,但模型大小只有yolov4的11.77%(我的数据集,数据可能有点误差,但仍是能说明问题的)

实时对比

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-soSpEIJF-1594698054832)(D:\CSDN\pic\吸烟检测\1594697092978.png)]

附上视频:https://www.bilibili.com/video/av328439400/

7、写在后面

这篇文章大体介绍了yolov5的自训练,接下来咱们能够进行调优。已经作消融对比实验,慢慢的更熟悉目标检测。继续我会在下篇中介绍文中的一些技术栈,让你们知根知底。

所有连接传送门

最后再发一次全部的连接!

香烟数据集:连接:https://pan.baidu.com/s/1t8u94x51TO7pLciU8AoaiQ
提取码:n2wr

吸烟手势数据集:连接:https://pan.baidu.com/s/1BSH4yn3GBzF3hDTWAqKzDQ
提取码:9r8t

烟雾数据集:连接:https://pan.baidu.com/s/1RKvkkmfpHiPunkFMAEdoAQ
提取码:ag0x

YOLOv5 原做者github:https://github.com/ultralytics/yolov5

个人github :https://github.com/CVUsers/Smoke-Detect-by-YoloV5/tree/master 欢迎star ,将长期更新!

最后还有不少知识点没分享,关注一下博主,下次分享。

另外欢迎加入深度学习算法交流群,与群内工程师朋友门一块儿交流学术,共商算法,加油!

 

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/251946.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

JQuery的ajax函数执行失败,alert函数弹框一闪而过

先查看<form>标签是否有action属性&#xff0c;如果没有&#xff0c;并且最后<button>标签的type属性为submit‘时&#xff0c;默认提交位置就是当前页面 如果在页面右键检查&#xff0c;点击网络&#xff0c;会在开头发现这样的post包&#xff1a; 在右侧消息头处…

postgresql 不同数据库不同模式下的数据迁移

编写不容易,转载请注明出处谢谢, 数据迁移 因为之前爬虫的时候&#xff0c;一部分数据并没有上传到服务器&#xff0c;在本地。本来用的就是postgresql&#xff0c;也没用多久&#xff0c;数据迁移的时候&#xff0c;也遇到了很多问题&#xff0c;第一次使pg_dump xx > file…

Oracle中主键自增长

最近在学习Oracle和MySql&#xff0c;MySql有自动配置主键自增长auto_increment&#xff0c;这样在输入数据的时候可以不考虑主键的添加&#xff0c;方便对数据库的操作。 在Oracle中设置自增长首先用到sequence序列&#xff1b; 以创建学生表为例&#xff1a; create table St…

docker与mmdetection

这里不再介绍 mmdetection 的安装和配置&#xff0c;使用 mmdetection 较简单的方法是使用已安装 mmdetection 的 docker 容器。这样直接省去了安装 mmdetection 的过程&#xff0c;让重心放在模型训练上&#xff01; 如果你对 docker 和 mmdetection 还不是很熟悉&#xff0c…

正斜杠( / )和反斜杠( \ )的区别

反斜杠“\”是电脑出现了之后为了表示程序设计里的特殊含义才发明的专用标点。所以除了程序设计领域外&#xff0c;任何地方都不应该使用反斜杠。 如何区分正反斜杠 英语&#xff1a;"/" 英文是forward slash, “\" 是backward slash形象些比喻的话&#xff0c;…

MMDetectionV2 + Colab

MMDetectionV2 Colab 超详细教程及踩坑实录 文章目录 前言一、环境配置二、准备自己的数据集 Aug.14更新三&#xff1a;修改config文件 3.1 文件结构3.2 &#xff08;本地&#xff09;修改config文件 3.2.1 &#xff08;本地&#xff09;构造自己模型的权重文件3.2.2 &#x…

刚刚,OpenStack 第 19 个版本来了,附28项特性详细解读!

刚刚&#xff0c;OpenStack 第 19 个版本来了&#xff0c;附28项特性详细解读&#xff01; OpenStack Stein版本引入了新的多云编排功能&#xff0c;以及帮助实现边缘计算用例的增强功能。 OpenStack由一系列相互关联的项目组成&#xff0c;这些项目可以以不同的组合方式组合在…

SQL作业:综合练习(二)的返评

一&#xff1a;作业题目&#xff1a;综合练习&#xff08;二&#xff09; 二&#xff1a;题目要求&#xff1a; 1、创建数据库CPXS&#xff0c;保存于E盘根目录下以自己学号姓第一个字母&#xff08;阿拉伯数字大写字母&#xff09;方式创建的文件夹中&#xff0c;初始大小5MB&…

paddlepaddle-VisualDL2.0对项目进行可视化调参

如果需要更好的阅读体验&#xff0c;可以在ai studio上fork该项目&#xff1a;使用VisualDL2.0对项目进行可视化调参 调参是深度学习必须要做的事情。数据和模型处理好后&#xff0c;需要进行模型训练&#xff0c;这个时候就需要进行调参了。一种好的参数配置&#xff0c;可以…

第一、二次实训作业

1.编写程序&#xff1a; 声明一个整型变量a&#xff0c;并赋初值5&#xff0c;在程序中判断a是奇数还是偶数&#xff0c;然后输出判断的结果。 package 判断奇偶; public class liux { public static void main(String[] args){ int x5; if(x%20){ System.out.println("这…

推荐一款作图工具

以前看到别人的时序图觉得好好看&#xff0c;然后就想这都是用的什么工具画出来的呢&#xff1f;然后看到了一个师兄用的这个工具&#xff0c;真的挺好用的。这是是试用版的界面。类图我觉着看起来效果都挺不错的。转载于:https://www.cnblogs.com/tuhooo/p/8874410.html

【codeforces】【比赛题解】#849 CF Round #431 (Div.2)

cf的比赛越来越有难度了……至少我做起来是这样。 先看看题目吧&#xff1a;点我。 这次比赛是北京时间21:35开始的&#xff0c;算是比较良心。 【A】奇数与结束 "奇数从哪里开始&#xff0c;又在哪里结束&#xff1f;梦想从何处起航&#xff0c;它们又是否会破灭呢&#…

PaddleDetection支持的数据格式

PaddleDetection支持的数据格式 目前#PaddleDetection支持43种数据格式&#xff1a;coco voc widerface。在这里我们主要说明一下如何使用自定义COCO进行目标检测、实例分割&#xff1b;如何使用自定义VOC数据集进行目标检测。在PaddleDetection新的版本中&#xff0c;我们将数…

[dts]Device Tree机制【转】

转自&#xff1a;https://www.cnblogs.com/aaronLinux/p/5496559.html 转自&#xff1a;http://blog.csdn.net/machiner1/article/details/47805069 ------------------Based on linux 3.10.24 source code 参考/documentation/devicetree/Booting-without-of.txt文档 目录 1.…

AntiSamy测试

AntiSamy为owasp针对xss提供的处理库&#xff0c;可以配置xml策略来决定过滤的内容&#xff0c;比如标签、属性、css等&#xff0c;自定义策略给开发人员使用成本比较高&#xff0c;AntiSamy也提供了几个内置的策略&#xff0c;其安全级别也不同&#xff0c;过滤的内容也不一样…

SoJpt Boot 2.2-3.8 发布,Spring Boot 使用 Jfinal 特性极速开发

开发四年只会写业务代码&#xff0c;分布式高并发都不会还做程序员&#xff1f; 在Spring Boot框架下使用Jfinal特性极速开发,可以在Spring Boot中向使用Jfinal一样使用Enjoy、Aop、Controller等一系列方法(如: getFile(), renderFile....),以及ActiveRecord SoJpt Boot&…

3轴机器人各关节运动学建立,python编程,非常容易理解

分类&#xff1a;机器人学 一、问题描述 如右图所示的三自由度机械臂&#xff0c;关节1和关节2相互垂直&#xff0c;关节2和关节3相互平行。如图所示&#xff0c;所有关节均处于初始状态。 要求: (1) 定义并标注出各关节的正方向&#xff1b; (2) 定义机器人基坐标系&#x…

Win 10 源码一览:0.5T 代码、400 万文件、50 万文件夹

Windows 操作系统本身是不开源的&#xff0c;但是近日微软内核工程师 Axel Rietschin 发表了一篇博客&#xff0c;带大家一窥了 Windows 10 内核的魅力。 Axel 介绍&#xff0c;Windows 10 与 Windows 8.x、7、Vista、XP、2000 和 NT 的代码库是相同的&#xff0c;其中每一代都…

JDK+Tomcat搭建JSP运行环境--JSP基础

一、搭建JSP运行环境之前需要了解的基本知识 配置JSP运行环境之前&#xff0c;我们需要了解JSP的运行机制。只有了解JSP运行机制后&#xff0c;我们才能知道为什么要搭建JSP运行环境?如何去搭建JSP运行环境?为什么要配置Tomcat、JDK&#xff1f; JSP(Java Sever Page)即Java服…

Docker容器的自动化监控实现

本文由 网易云 发布。 近年来容器技术不断成熟并得到应用。Docker作为容器技术的一个代表&#xff0c;目前也在快速发展中&#xff0c;基于 Docker的各种应用也正在普及&#xff0c;与此同时 Docker对传统的运维体系也带来了冲击。我们在建设运维平台的过程中&#xff0c;也需…