基于高精度YOLOv8开发构建公共场景下行人人员姿态估计分析识别系统

姿态估计（PoseEstimation）在我们前面的相关项目中涉及到的并不多，CV数据场景下主要还是以目标检测、图像识别和分割居多，最近正好项目中在使用YOLO系列最新的模型开发项目，就想着抽时间基于YOLOv8也开发构建实现人体姿态估计分析系统。

首先看下实例效果：

接下来简单看下我们构建的数据集：

实例标注数据如下所示：

0 0.204560 0.813013 0.128400 0.370993 0.216000 0.705298 2.000000 0.226000 0.695364 2.000000 0.208000 0.692053 2.000000 0.238000 0.701987 2.000000 0.194000 0.695364 2.000000 0.246000 0.754967 2.000000 0.180000 0.761589 2.000000 0.252000 0.841060 2.000000 0.150000 0.837748 2.000000 0.224000 0.894040 2.000000 0.174000 0.874172 2.000000 0.232000 0.880795 2.000000 0.194000 0.880795 2.000000 0.262000 0.874172 2.000000 0.154000 0.890728 2.000000 0.192000 0.956954 2.000000 0.234000 0.956954 2.000000
0 0.351840 0.809454 0.144080 0.356987 0.356000 0.725166 2.000000 0.362000 0.705298 2.000000 0.348000 0.705298 2.000000 0.376000 0.698675 2.000000 0.330000 0.701987 2.000000 0.390000 0.758278 2.000000 0.316000 0.758278 2.000000 0.418000 0.847682 2.000000 0.288000 0.854305 2.000000 0.406000 0.910596 1.000000 0.302000 0.927152 2.000000 0.384000 0.903974 2.000000 0.332000 0.907285 2.000000 0.412000 0.837748 2.000000 0.308000 0.854305 2.000000 0.354000 0.933775 2.000000 0.374000 0.933775 2.000000
0 0.474370 0.787649 0.131660 0.334834 0.476000 0.705298 2.000000 0.486000 0.692053 2.000000 0.468000 0.695364 2.000000 0.498000 0.688742 2.000000 0.454000 0.688742 2.000000 0.504000 0.735099 2.000000 0.444000 0.735099 2.000000 0.524000 0.814570 2.000000 0.412000 0.801325 1.000000 0.484000 0.824503 2.000000 0.434000 0.817881 2.000000 0.488000 0.910596 2.000000 0.454000 0.910596 2.000000 0.492000 0.788079 2.000000 0.436000 0.781457 2.000000 0.442000 0.910596 2.000000 0.488000 0.900662 2.000000
0 0.587770 0.793510 0.144820 0.315099 0.588000 0.725166 2.000000 0.598000 0.708609 2.000000 0.582000 0.708609 2.000000 0.612000 0.705298 2.000000 0.570000 0.701987 2.000000 0.628000 0.754967 2.000000 0.558000 0.751656 2.000000 0.648000 0.831126 2.000000 0.534000 0.821192 2.000000 0.610000 0.850993 2.000000 0.558000 0.831126 2.000000 0.608000 0.890728 2.000000 0.560000 0.887417 2.000000 0.642000 0.870861 2.000000 0.524000 0.864238 2.000000 0.574000 0.920530 2.000000 0.594000 0.913907 2.000000
0 0.718690 0.786507 0.126220 0.314603 0.704000 0.705298 2.000000 0.714000 0.692053 2.000000 0.696000 0.692053 2.000000 0.728000 0.695364 2.000000 0.684000 0.698675 2.000000 0.730000 0.738411 2.000000 0.676000 0.738411 2.000000 0.754000 0.814570 2.000000 0.672000 0.807947 2.000000 0.728000 0.877483 2.000000 0.702000 0.874172 2.000000 0.730000 0.864238 2.000000 0.690000 0.864238 2.000000 0.766000 0.857616 2.000000 0.664000 0.857616 2.000000 0.706000 0.930464 2.000000 0.734000 0.907285 2.000000
0 0.836620 0.804056 0.125160 0.326589 0.832000 0.725166 2.000000 0.842000 0.708609 2.000000 0.822000 0.708609 2.000000 0.854000 0.711921 2.000000 0.810000 0.708609 2.000000 0.856000 0.741722 2.000000 0.810000 0.735099 2.000000 0.876000 0.834437 2.000000 0.794000 0.821192 2.000000 0.000000 0.000000 0.000000 0.840000 0.824503 2.000000 0.856000 0.880795 1.000000 0.816000 0.880795 2.000000 0.904000 0.827815 1.000000 0.784000 0.814570 2.000000 0.828000 0.923841 2.000000 0.846000 0.933775 2.000000
0 0.829320 0.575281 0.081440 0.305596 0.828000 0.490066 2.000000 0.836000 0.483444 2.000000 0.818000 0.483444 2.000000 0.846000 0.490066 2.000000 0.806000 0.493377 2.000000 0.856000 0.536424 2.000000 0.796000 0.543046 2.000000 0.854000 0.596026 2.000000 0.798000 0.602649 2.000000 0.844000 0.655629 1.000000 0.816000 0.665563 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.730170 0.630215 0.132700 0.387914 0.750000 0.509934 2.000000 0.754000 0.493377 2.000000 0.742000 0.493377 2.000000 0.766000 0.493377 2.000000 0.734000 0.496689 2.000000 0.782000 0.533113 1.000000 0.722000 0.529801 1.000000 0.784000 0.625828 2.000000 0.724000 0.625828 2.000000 0.762000 0.665563 2.000000 0.744000 0.665563 2.000000 0.770000 0.629139 2.000000 0.738000 0.632450 2.000000 0.762000 0.721854 2.000000 0.740000 0.715232 2.000000 0.766000 0.847682 1.000000 0.000000 0.000000 0.000000
0 0.684390 0.547202 0.077020 0.239371 0.684000 0.486755 2.000000 0.692000 0.476821 2.000000 0.678000 0.476821 2.000000 0.700000 0.480132 2.000000 0.664000 0.480132 1.000000 0.712000 0.526490 2.000000 0.660000 0.523179 2.000000 0.712000 0.592715 1.000000 0.658000 0.576159 2.000000 0.692000 0.645695 1.000000 0.664000 0.642384 2.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.173210 0.286093 0.106420 0.353907 0.170000 0.182119 2.000000 0.176000 0.168874 2.000000 0.160000 0.168874 2.000000 0.188000 0.172185 2.000000 0.146000 0.168874 1.000000 0.204000 0.228477 2.000000 0.140000 0.228477 2.000000 0.220000 0.298013 2.000000 0.128000 0.304636 1.000000 0.210000 0.357616 2.000000 0.000000 0.000000 0.000000 0.194000 0.394040 2.000000 0.150000 0.390728 1.000000 0.198000 0.493377 1.000000 0.142000 0.493377 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.246530 0.387881 0.093340 0.245960 0.242000 0.334437 2.000000 0.248000 0.324503 2.000000 0.234000 0.324503 2.000000 0.262000 0.327815 2.000000 0.228000 0.327815 2.000000 0.272000 0.397351 2.000000 0.216000 0.394040 2.000000 0.288000 0.480132 2.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.264000 0.529801 1.000000 0.220000 0.526490 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
0 0.904980 0.679123 0.085200 0.468245 0.902000 0.500000 2.000000 0.908000 0.486755 2.000000 0.892000 0.486755 2.000000 0.922000 0.496689 1.000000 0.882000 0.496689 2.000000 0.932000 0.556291 2.000000 0.868000 0.556291 2.000000 0.936000 0.642384 2.000000 0.870000 0.639073 2.000000 0.922000 0.695364 2.000000 0.896000 0.698675 2.000000 0.918000 0.675497 2.000000 0.888000 0.678808 2.000000 0.932000 0.751656 2.000000 0.878000 0.745033 2.000000 0.886000 0.874172 1.000000 0.908000 0.870861 2.000000
0 0.609940 0.572252 0.082680 0.361854 0.614000 0.466887 2.000000 0.620000 0.453642 2.000000 0.606000 0.453642 2.000000 0.634000 0.460265 2.000000 0.600000 0.466887 2.000000 0.640000 0.526490 2.000000 0.588000 0.523179 2.000000 0.640000 0.622517 2.000000 0.584000 0.609272 2.000000 0.614000 0.658940 2.000000 0.592000 0.652318 1.000000 0.626000 0.658940 2.000000 0.586000 0.655629 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000

这里姿态估计的训练数据配置有别于目标检测，需要额外给出点位字段，下面给出来完整的训练数据配置文件内容：

# Dataset
path: ./dataset
train:- /person-pose-yolov8/dataset/images/train
val:- /person-pose-yolov8/dataset/images/test
test:- /person-pose-yolov8/dataset/images/testkpt_shape: [17, 3]
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]# Classes
names:0: person

为了对YOLOv8这一款模型性能进行全面对比分析，这里我们开发构建了包括：n、s、

m、l和x在内的全系列参数模型，模型文件如下：

# Parameters
nc: 1  # number of classes
kpt_shape: [17, 3] 
scales: # model compound scaling constants, i.e. 'model=yolov8n-pose.yaml' will call yolov8-pose.yaml with scale 'n'# [depth, width, max_channels]n: [0.33, 0.25, 1024]s: [0.33, 0.50, 1024]m: [0.67, 0.75, 768]l: [1.00, 1.00, 512]x: [1.00, 1.25, 512]# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2- [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]]  # 9# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 6], 1, Concat, [1]]  # cat backbone P4- [-1, 3, C2f, [512]]  # 12- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 4], 1, Concat, [1]]  # cat backbone P3- [-1, 3, C2f, [256]]  # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]]  # cat head P4- [-1, 3, C2f, [512]]  # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]]  # cat head P5- [-1, 3, C2f, [1024]]  # 21 (P5/32-large)- [[15, 18, 21], 1, Pose, [nc, kpt_shape]]  # Pose(P3, P4, P5)

在实验阶段我们设定不同系列的参数模型完全相同的训练配置，等待全部训练完成后来看下结果详情对比情况。

【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。

【mAP0.5】
mAP0.5（mean Average Precision at 0.5 IoU）
mAP0.5表示在IoU（交并比）阈值为0.5的情况下计算的平均精度（Average Precision，AP）。
IoU阈值决定了何时认为检测框与真实框匹配。较高的IoU阈值意味着更严格的匹配标准。
mAP0.5主要关注低阈值下的性能，即当IoU接近0.5时，模型在识别重叠框时的准确性。

【mAP0.5:0.95】
mAP0.5:0.95（mean Average Precision over IoU thresholds from 0.5 to 0.95）：
mAP0.5:0.95表示在多个IoU阈值（从0.5到0.95）下计算的平均精度。
它涵盖了从低到高的IoU阈值，更全面地评估了模型在不同IoU阈值下的性能。
mAP0.5:0.95可以帮助我们了解模型在不同重叠程度下的检测能力。

从实验对比结果来看：n和s系列模型的效果被拉开了明显的差距，m系列的模型效果居于中游水平，l和x系列的模型则达到了最优的效果，二者旗鼓相当没有明显的差异。在实际项目使用的话可以优先考虑使用m或者是l系列的模型。

接下来我们以l系列模型为例看下结果详情：

【Batch实例】

【训练可视化】

【PR曲线】

【离线推理实例效果如下】

感兴趣的话也都可以试试看！

如果自己不具备开发训练的资源条件或者是没有时间自己去训练的话这里我提供出来对应的训练结果可供自行按需索取。

单个模型的训练结果默认YOLOv8s

全系列五个模型的训练结果总集

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/652295.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

[UI5 常用控件] 02.Title,Link,Label

[UI5 常用控件] 02.Title,Link,Label

文章目录 前言1. Title1.1 结合Panel1.2 结合Table1.3 Title里嵌套Link 2. Link3. Label3.1 普通用法3.2 在Form里使用 前言 本章节记录常用控件Title,Link,Label。 其路径分别是： sap.m.Titlesap.m.Linksap.m.Label 1. Title Title可以结合其他控件一起使用 1.…
阅读更多...
总结红包雨项目的所有代码,包括添加图片,分享按钮,红包雨,用户是否有抽奖逻辑判断

总结红包雨项目的所有代码,包括添加图片,分享按钮,红包雨,用户是否有抽奖逻辑判断

整体实现效果: 需要用的图片: html: <body><div id"app"><!-- <div class"share-box"><img src"./share_box.png" alt"share-button"></div> --><!-- img图片 --><div class"gif-…
阅读更多...
JVM基础知识汇总篇

JVM基础知识汇总篇

☆* o(≧▽≦)o *☆嗨~我是小奥&#x1f379; &#x1f4c4;&#x1f4c4;&#x1f4c4;个人博客&#xff1a;小奥的博客 &#x1f4c4;&#x1f4c4;&#x1f4c4;CSDN&#xff1a;个人CSDN &#x1f4d9;&#x1f4d9;&#x1f4d9;Github&#xff1a;传送门 &#x1f4c5;&a…
阅读更多...
翻译: GPT-4 with Vision 升级 Streamlit 应用程序的 7 种方式一

翻译: GPT-4 with Vision 升级 Streamlit 应用程序的 7 种方式一

随着 OpenAI 在多模态方面的最新进展&#xff0c;想象一下将这种能力与视觉理解相结合。 现在&#xff0c;您可以在 Streamlit 应用程序中使用 GPT-4 和 Vision&#xff0c;以&#xff1a; 从草图和静态图像构建 Streamlit 应用程序。帮助你优化应用的用户体验&#xff0c;包…
阅读更多...
《合成孔径雷达成像算法与实现》Figure5.18

《合成孔径雷达成像算法与实现》Figure5.18

clc clear close all距离向参数 R_eta_c 20e3; % 景中心斜距 Tr 25e-6; % 发射脉冲时宽 Kr 0.25e12; % 距离向调频率 Fr 7.5e6; % 距离向采样率 Nrg 256; % 距离线采样点数 Bw abs(Kr*Tr); …
阅读更多...
.NET绿色开源一键自动化下载、安装、激活Office的利器

.NET绿色开源一键自动化下载、安装、激活Office的利器

前言 今天分享一款.NET开源、绿色、安全、无毒的支持一键自动化下载、安装、激活Microsoft Office的利器&#xff1a;LKY_OfficeTools。 工具介绍 一键自动化下载、安装、激活 Microsoft Office 的利器。绿色、开源、安全、无毒。 目前包含的功能&#xff1a; 一键快速下载、…
阅读更多...
【机器学习300问】16、逻辑回归模型实现分类的原理？

【机器学习300问】16、逻辑回归模型实现分类的原理？

在上一篇文章中&#xff0c;我初步介绍了什么是逻辑回归模型&#xff0c;从它能解决什么问题开始介绍&#xff0c;并讲到了它长什么样子的。如果有需要的小伙伴可以回顾一下&#xff0c;链接我放在下面啦&#xff1a; 【机器学习300问】15、什么是…
阅读更多...
C#，计算几何，二维贝塞尔拟合曲线（Bézier Curve）参数点的计算代码

C#，计算几何，二维贝塞尔拟合曲线（Bézier Curve）参数点的计算代码

Pierre Bzier Bzier 算法用于曲线的拟合与插值。 插值是一个或一组函数计算的数值完全经过给定的点。 拟合是一个或一组函数计算的数值尽量路过给定的点。 这里给出 二维 Bzier 曲线拟合的参数点计算代码。 区别于另外一种读音接近的贝塞耳插值算法&#xff08;Bessels int…
阅读更多...
【CAD全套教程】第1阶段 CAD软件教程 002+003基础界面设置

【CAD全套教程】第1阶段 CAD软件教程 002+003基础界面设置

002基础界面设置 1.切换界面至AutoCAD经典界面 方式一&#xff1a;任务栏点击后直接选择 方式二&#xff1a;右下角点击齿轮图标&#xff08;切换工作空间&#xff09;后直接选择 界面图 2.AutoCAD常用命令 工具栏右键单击&#xff0c;选择AutoCAD 3.命令提示行 最下方&#xf…
阅读更多...
【Docker】实现JMeter分布式压测

【Docker】实现JMeter分布式压测

一个JMeter实例可能无法产生足够的负载来对你的应用程序进行压力测试。如本网站所示&#xff0c;一个JMeter实例将能够控制许多其他的远程JMeter实例&#xff0c;并对你的应用程序产生更大的负载。JMeter使用Java RMI[远程方法调用]来与分布式网络中的对象进行交互。JMeter主站…
阅读更多...
【前端web入门第二天】01 html语法实现列表与表格_合并单元格

【前端web入门第二天】01 html语法实现列表与表格_合并单元格

html语法实现列表与表格 文章目录: 1.列表 1.1 无序列表1.2 有序列表1.3 定义列表 2.表格 2.1 表格基本结构2.2 表格结构标签2.3 合并单元格 写在最前,第二天学习目标: 列表 表格 表单 元素为嵌套关系 1.列表 作用:布局内容排列整齐的区域。 列表分类:无序列表、有序列表…
阅读更多...
数字IC实践项目（8）—CNN加速器（ASIC_Flow；付费项目补充）

数字IC实践项目（8）—CNN加速器（ASIC_Flow；付费项目补充）

数字IC实践项目&#xff08;8&#xff09;—CNN加速器&#xff08;ASIC_Flow&#xff1b;付费项目补充&#xff09; 更新说明项目整体框图神经网络框图File tree 项目简介和学习目的软件环境要求 Area、QOR、Power&Timing报告Area & QORTiming & Power 总结 更新说…
阅读更多...
【C++】类与对象（一）

【C++】类与对象（一）

前言 类与对象&#xff08;一&#xff09; 文章目录 一、面向对象和面向过程的对比二、类的引入2.1 C中的结构体2.2 类2.3 类定义方法2.4 修饰限定符2.5 封装2.6 类的实例化2.7 类对象的大小 三、this指针3.1 this 指针的使用 一、面向对象和面向过程的对比 面向过程编程是将程…
阅读更多...
GoJS—交互式图表开发的神器（海量案例）

GoJS—交互式图表开发的神器（海量案例）

一、GoJS是什么&#xff1a; GoJS是一个用于创建交互式可视化图表和图形的JavaScript库。它提供了丰富的功能和工具&#xff0c;使开发人员能够轻松地构建各种类型的图表&#xff0c;包括流程图、组织结构图、网络拓扑图等。GoJS具有灵活的布局和样式设置&#xff0c;可以通过简…
阅读更多...
Python中Numba库装饰器

Python中Numba库装饰器

一、运行速度是Python天生的短板 1.1 编译型语言&#xff1a;C 对于编译型语言&#xff0c;开发完成以后需要将所有的源代码都转换成可执行程序&#xff0c;比如 Windows 下的.exe文件&#xff0c;可执行程序里面包含的就是机器码。只要我们拥有可执行程序&#xff0c;就可以随…
阅读更多...
基于STM32的智能手环设计与实现

基于STM32的智能手环设计与实现

需要原理图工程&#xff0c;源码&#xff0c;PCB工程的朋友收藏&#xff0c;这篇文章关注我&#xff0c;私我吧&#xff01;&#xff01;&#xff01; 基于STM32的智能手环设计与实现 摘要一、研究背景及意义二、实现功能三、系统方案设计系统方案设计框图3.1 单片机芯片选择3…
阅读更多...
[HGAME 2023 week1]easyenc

[HGAME 2023 week1]easyenc

查壳 IDA打开 字符串打开就发现了明显的标志 int __cdecl main(int argc, const char **argv, const char **envp) {__int64 v3; // rbx__int64 v4; // raxchar v5; // alchar *v6; // rcxint v8[10]; // [rsp20h] [rbp-19h]char v9; // [rsp48h] [rbpFh]__int128 v10[3]; //…
阅读更多...
【Java】SpringMVC参数接收（一）

【Java】SpringMVC参数接收（一）

1、接收单个参数 &#xff08;1&#xff09;直接接收参数 RequestMapping("/hello") RestController public class HelloSpring {RequestMapping("/t2")public String t2(String name){return "name" name;} } 当没有传入参数时&#xff0c;返…
阅读更多...
《汇编语言:基于linux环境》eatsyscall汇编程序

《汇编语言:基于linux环境》eatsyscall汇编程序

当阅读此书&#xff0c;作者编写了一个这样的程序&#xff0c;我也想试一下。照着书中的代码写了下&#xff0c;可以使用nasm正常编译&#xff0c;ld也可以正常链接&#xff0c;但是无法正常执行。总是报错。 ; nasm -f elf64 -g -F stabs eatsyscall.asm ; ld -o eatsysca…
阅读更多...
sqli-labs靶场第七关

sqli-labs靶场第七关

7、第七关 id1 --单引号报错,id1" --双引号不报错,可以判断是单引号闭合 id1) --也报错&#xff0c;尝试两个括号闭合&#xff0c;id1)) --不报错 接下来用脚本爆库 import stringimport requestsnumbers [1, 2, 3, 4, 5, 6, 7, 8, 9, 0] letters2 list(string.ascii_…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023