YOLOv8项目实践——目标检测、实例分割、姿态估计、目标追踪算法原理及模型部署（Python实现带界面）

简介

Ultralytics YOLOv8是一种前沿的、最先进的（SOTA）模型，它在前代YOLO版本的成功基础上进行了进一步的创新，引入了全新的特性和改进，以进一步提升性能和灵活性。作为一个高速、精准且易于操作的设计，YOLOv8在广泛的领域中，包括目标检测与跟踪、实例分割、图像分类以及姿势估计等任务中，都表现出色。实例分割在物体检测的基础上迈出了更进一步的步伐，它不仅可以识别图像中的单个物体，还能够精确地将这些物体从图像的其他部分中分割出来。
在这里插入图片描述
这是一个集成了YoloV8目标检测、实例分割、姿态估计与目标追踪的项目，界面是用PyQt5写的，可以读入图像，视频与摄像头。
项目演示视频：

YOLOv8目标检测、语义分割、状态估计、目标追踪实践

源码下载地址：https://download.csdn.net/download/matt45m/89036361?spm=1001.2014.3001.5503

1、目标检测

目标检测模型分为两类：two-stage和one-stage。前者将物体识别和物体定位分为两个步骤，代表包括R-CNN、fast R-CNN和faster R-CNN等。它们具有低的识别错误率和漏识别率，但由于网络结构参数较多，导致检测速度较慢，无法满足实时检测需求。为了解决速度和精度之间的平衡问题，另一类称为one-stage的方法出现了，典型代表有YOLO、SSD和YoloV2等。这些方法采用基于回归的思想，在输入图像的多个位置直接回归出区域框坐标和物体类别，具有快速的识别速度和与faster R-CNN相当的准确率。

1.1 YOLOv8的创新点：

骨干网络
骨干网络在目标检测模型中扮演着核心角色，用于提取输入图像的特征。YOLOv8引入了全新的骨干网络设计，这一设计不仅提高了特征提取能力，有效提升了模型的检测性能，还通过提升特征的分辨率和引入更多的上下文信息，使模型更好地理解图像中的目标。
在这里插入图片描述

Anchor-Free检测头：
传统目标检测算法通常使用Anchor来定义目标框的大小和形状。而YOLOv8采用了全新的Anchor-Free检测头，这种方法不再需要预定义Anchor，直接预测目标框的中心点和大小。这样的方法更加灵活，能够更好地适应不同大小和形状的目标，提高了检测的准确性。

损失函数：
损失函数在目标检测模型的训练过程中起着关键作用，用于衡量模型预测结果与实际标签之间的差异。YOLOv8引入了全新的损失函数，能够更准确地度量预测框与实际框之间的偏差，指导模型进行更有效的学习。

YOLOv8作为SOTA模型，在目标检测任务中表现出了卓越的性能。它能够在实时速度下对图像中的目标进行准确检测，并具有良好的泛化能力。不论是在常见的目标检测数据集（如COCO、Pascal VOC等）上，还是在实际应用场景中，YOLOv8都展现出了强大的实力。
官方开源了训练代码和预训练模型，想训练自己的数据可参考我之前的博客：YOLOV8目标识别——详细记录从环境配置、自定义数据、模型训练到模型推理部署

1.2 模型推理

下载官方开源的模型，转onnx后使用onnxruntim进行推理，推理代码如下：

import numpy as np
from onnxruntime import InferenceSession
import cv2 as cv
from src.models.detection.detector_base import DetectorBase, Model
from src.models.base.yolov8_base import ModelError
from src.utils.boxes import xywh2xyxy, multiclass_nms_class_agnostic
from src.utils.general import get_classesclass YoloDetector(DetectorBase):def __init__(self):self._model = Nonedef init(self, model_path, class_txt_path, confidence_threshold=0.3, iou_threshold=0.45):_class_names = get_classes(class_txt_path)_session = InferenceSession(model_path, providers=['CUDAExecutionProvider', 'CPUExecutionProvider'])self.input_names, self.output_names, input_size = self.get_onnx_model_details(_session)self._model = Model(model=_session,confidence_threshold=confidence_threshold,iou_threshold=iou_threshold,input_size=input_size,class_names=_class_names)init_frame = np.random.randint(0, 256, (input_size[0], input_size[1], 3)).astype(np.uint8)self.inference(init_frame)def postprocess(self, model_output, scale, conf_threshold, iou_threshold, class_names):predictions = np.squeeze(model_output[0]).Tscores = np.max(predictions[:, 4:], axis=1)predictions = predictions[scores > conf_threshold, :]scores = scores[scores > conf_threshold]if len(scores) == 0:return []boxes = predictions[:, :4]boxes = xywh2xyxy(boxes)boxes *= scaledets = multiclass_nms_class_agnostic(boxes, predictions[:, 4:], iou_threshold, conf_threshold)detection_results=[]i=0for det in dets:obj_dict = {"id": int(i),'class': class_names[int(det[5])],'confidence': det[4],'bbox': np.rint(det[:4]),"keypoints": np.array([]),"segmentation": np.array([])}detection_results.append(obj_dict)i += 1return detection_resultsdef inference(self, image, confi_thres=None, iou_thres=None):if self._model is None:raise ModelError("Model not initialized. Have you called init()?")if confi_thres is None:confi_thres = self._model.confidence_thresholdif iou_thres is None:iou_thres = self._model.iou_thresholdscale, image = self.preprocess(image, self._model.input_size)ort_inputs = {self.input_names[0]: image}outputs = self._model.model.run(self.output_names, ort_inputs)detection_results = self.postprocess(model_output=outputs,scale=scale,conf_threshold=confi_thres,iou_threshold=iou_thres,class_names=self._model.class_names)return detection_results

2、实例分割

2.1 实践方法

实例分割结合了目标检测和语义分割的特点，在检测出目标的同时，对每个目标生成其像素级的掩码，以实现对不同对象的区分。这种方法使得模型不仅可以检测出图像中的物体，还可以为每个检测到的物体提供像素级的分割结果，从而实现了对不同实例的区分。常用的实例分割算法有Mask R-CNN,RTMDet,YOLACT，而在YOLOv5和YOLOv8中的实例分割，是基于 YOLACT实现的。

YOLACT是基于单阶段检测器的实例分割方法，结合了目标检测和语义分割的思想。通过添加一个并行的mask分支来实现实例分割。实现流程如下：

  1. 输入图片：将待处理的图像输入到模型中。

  2. 主干网络特征提取：使用主干网络（如ResNet、EfficientNet等）对输入图像进行特征提取，得到一系列特征图。

  3. FPN特征金字塔融合：使用特征金字塔网络（FPN）将来自不同尺寸的特征图进行融合，以便在不同尺度上进行目标检测和实例分割。

  4. 检测分支：在检测分支中，对于每个检测到的目标物体，模型输出其类别信息、边界框信息（x、y、宽度、高度）以及k个mask Coefficients（掩码系数）。这些掩码系数表示对应目标物体的k个掩码的置信度，通常取值为1或-1。

  5. 分割分支：在分割分支中，模型针对输入图像输出k个Prototype（掩码原型图）。这些原型图是用于生成目标物体掩码的基础。

  6. 实例分割结果生成：对于每个目标物体，将其对应的k个掩码系数与k个原型图相乘，然后将所有结果相加，得到该目标物体的实例分割结果。这个过程实际上是将每个原型图按照其置信度加权融合，以生成最终的实例分割掩码。
    在这里插入图片描述

2.2 模型推理

import math
import cv2 as cv
import numpy as np
from onnxruntime import InferenceSession
from src.models.segmentation.segmentation_base import SegmentBase, Model
from src.models.base.yolov8_base import ModelError
from src.utils.boxes import xywh2xyxy, nms
from src.utils.general import get_classes, sigmoidclass YOLOSeg(SegmentBase):def __init__(self):self._model = Nonedef init(self, model_path, class_txt_path, confidence_threshold=0.5, iou_threshold=0.5):_class_names = get_classes(class_txt_path)_session = InferenceSession(model_path, providers=['CUDAExecutionProvider', 'CPUExecutionProvider'])self.input_names,self.output_names, input_size = self.get_onnx_model_details(_session)self.num_masks = 32self._model = Model(model=_session,confidence_threshold=confidence_threshold,iou_threshold=iou_threshold,input_size=input_size,class_names=_class_names)init_frame = np.random.randint(0, 256, (input_size[0], input_size[1], 3)).astype(np.uint8)self.inference(init_frame)def inference(self, image, confi_thres=None, iou_thres=None):if self._model is None:raise ModelError("Model not initialized. Have you called init()?")if confi_thres is None:confi_thres = self._model.confidence_thresholdif iou_thres is None:iou_thres = self._model.iou_thresholdimage_size = (image.shape[1],image.shape[0])scale, processed_image = self.preprocess(image, self._model.input_size)outputs = self._model.model.run(self.output_names, {self.input_names[0]: processed_image})boxes, scores, class_ids, mask_pred = self.process_box_output(box_output=outputs[0], scale=scale,image_size=image_size,confidence_threshold=confi_thres,iou_threshold=iou_thres)mask_maps = self.process_mask_output(mask_pred, boxes, outputs[1], image_size, scale)resutls = []for i in range(len(class_ids)):obj_dict = {"id": int(i),"class": self._model.class_names[int(class_ids[i])],"bbox": np.rint(boxes[i]),"confidence": scores[i],"keypoints":np.array([]),"segmentation": np.array(mask_maps[i])}resutls.append(obj_dict)return resutlsdef process_box_output(self, box_output, scale, image_size, confidence_threshold, iou_threshold):predictions = np.squeeze(box_output).Tnum_classes = box_output.shape[1] - self.num_masks - 4scores = np.max(predictions[:, 4:4+num_classes], axis=1)predictions = predictions[scores > confidence_threshold, :]scores = scores[scores > confidence_threshold]if len(scores) == 0:return [], [], [], np.array([])box_predictions = predictions[..., :num_classes+4]mask_predictions = predictions[..., num_classes+4:]class_ids = np.argmax(box_predictions[:, 4:], axis=1)boxes = box_predictions[:, :4]boxes = xywh2xyxy(boxes)boxes *= scaleboxes[:, 0] = np.clip(boxes[:, 0], 0, image_size[0])boxes[:, 1] = np.clip(boxes[:, 1], 0, image_size[1])boxes[:, 2] = np.clip(boxes[:, 2], 0, image_size[0])boxes[:, 3] = np.clip(boxes[:, 3], 0, image_size[1])indices = nms(boxes, scores, iou_threshold)return boxes[indices], scores[indices], class_ids[indices], mask_predictions[indices]def process_mask_output(self, mask_predictions, boxes, mask_output, image_size, scale):if mask_predictions.shape[0] == 0:return []mask_output = np.squeeze(mask_output)num_mask, mask_height, mask_width = mask_output.shape  # CHWmasks = sigmoid(mask_predictions @ mask_output.reshape((num_mask, -1)))masks = masks.reshape((-1, mask_height, mask_width))scale_new = min((mask_height/image_size[1],mask_width/image_size[0]))scale_boxes = boxes * scale_newmask_maps = np.zeros((len(scale_boxes), image_size[1], image_size[0]))blur_size = (int(image_size[0] / mask_width), int(image_size[1] / mask_height))for i in range(len(scale_boxes)):scale_x1 = int(math.floor(scale_boxes[i][0]))scale_y1 = int(math.floor(scale_boxes[i][1]))scale_x2 = int(math.ceil(scale_boxes[i][2]))scale_y2 = int(math.ceil(scale_boxes[i][3]))x1 = int(math.floor(boxes[i][0]))y1 = int(math.floor(boxes[i][1]))x2 = int(math.ceil(boxes[i][2]))y2 = int(math.ceil(boxes[i][3]))scale_crop_mask = masks[i][scale_y1:scale_y2, scale_x1:scale_x2]crop_mask = cv.resize(scale_crop_mask,(x2 - x1, y2 - y1),interpolation=cv.INTER_CUBIC)crop_mask = cv.blur(crop_mask, blur_size)crop_mask = (crop_mask > 0.5).astype(np.uint8)mask_maps[i, y1:y2, x1:x2] = crop_maskreturn mask_maps

3、姿态估计

3.1 方案比对

姿态估计任务旨在识别图像中物体的特定部位，通常是人体或动物的关键点，以及它们之间的关系。关键点可以代表身体的关节、人脸的特定地标，或者其他物体的显著特征。

姿态估计模型的输出通常是一组表示物体关键点的坐标，这些坐标可以是二维（例如[x，y]）或三维（例如[x，y，visible]，其中visible表示关键点的可见性）。此外，输出还通常包括每个关键点的置信度分数，用于表示模型对于该关键点位置的信心程度。

相对于目标检测网络，Yolov5与V8借鉴了YOLO-Pose的设计理念，在目标检测的基础上增加了一个分支头，用于关键点的检测实现。

  1. 姿态估计解决方案的分类：姿态估计解决方案通常可以分为自上而下和自下而上两种方法。自上而下方法先进行人体检测，然后对每个检测到的人进行单独的姿态估计；而自下而上方法直接从图像中检测出所有关键点，然后再进行关键点之间的分组。

  2. 自上而下方法的特点：自上而下方法通常具有较高的准确性，但其复杂性随着图像中人数的增加而线性增加，不适合实时应用场景。

  3. 自下而上方法的特点：自下而上方法具有恒定的运行时间，因为它们直接从图像中检测出所有关键点。然而，自下而上方法的后处理过程通常较为复杂，包括像素级NMS、线积分、细化和分组等步骤。

  4. 将关键点检测与目标检测统一的可行性：文章提出了一种将关键点检测与目标检测统一的方法，即利用目标检测框架来解决多人姿态估计问题。这样的方法可以享受目标检测领域的所有主要进展，并且具有恒定的运行时间和简单的后处理。

  5. YOLO-Pose方法的操作：基于YOLOv5目标检测框架上，增加了一个分支头。该方法是一种无热图的二维姿态估计方法，使用了与目标检测中相同的后处理方法。该方法在COCO关键点数据集上验证，并取得了竞争性的准确性，尤其在AP50方面有显著改进。
    在这里插入图片描述

3.2 模型推理

import numpy as np
from onnxruntime import InferenceSession
from src.utils.boxes import multiclass_nms_class_agnostic_keypoints
from src.models.pose.pose_detector_base import PoseDetectorBase, Model
from src.models.base.yolov8_base import ModelErrorclass PoseDetector(PoseDetectorBase):def __init__(self):self._model = Nonedef init(self, model_path, confidence_threshold=0.3, iou_threshold=0.45):_session = InferenceSession(model_path, providers=['CUDAExecutionProvider', 'CPUExecutionProvider'])self.input_names,self.output_names, input_size = self.get_onnx_model_details(_session)self._model = Model(model=_session,confidence_threshold=confidence_threshold,iou_threshold=iou_threshold,input_size=input_size)def postprocess(self, model_output, scale, iou_thres, confi_thres):preds = np.squeeze(model_output[0]).Tboxes = preds[:,:4]scores = preds[:,4:5]kpts = preds[:,5:]dets = multiclass_nms_class_agnostic_keypoints(boxes, scores, kpts, iou_thres, confi_thres)pose_results = []if dets is not None:for i, pred in enumerate(dets):bbox = pred[:4]#xywh2xyxy(pred[:4])bbox *= scalebbox = np.rint(bbox)kpts = pred[6:]kpt = (kpts.reshape((17,3)))*[scale,scale,1]pose_dict = {"id":int(i),"class":"person","confidence":pred[4],"bbox":bbox,"keypoints":np.array(kpt),"segmentation":np.array([])}pose_results.append(pose_dict)return pose_resultsdef inference(self, image, confi_thres=None, iou_thres=None):if self._model is None:raise ModelError("Model not initialized. Have you called init()?")if confi_thres is None:confi_thres = self._model.confidence_thresholdif iou_thres is None:iou_thres = self._model.iou_thresholdscale, meta = self.preprocess(image, self._model.input_size)model_input = {self.input_names[0]: meta}model_output = self._model.model.run(self.output_names, model_input)[0]pose_results = self.postprocess(model_output, scale, iou_thres, confi_thres)return pose_results

4、目标追踪

4.1. 简介

多目标跟踪（Multiple Object Tracking，简称MOT）是指在视频或图像序列中检测并跟踪多个目标，并为每个目标分配一个唯一的标识符（ID），以便在时间上保持其连续性和一致性。在这个过程中，目标的数量通常是未知的，因此需要在不同帧之间动态地管理目标的识别和追踪。

MOT技术在计算机视觉领域具有重要意义，广泛应用于自动驾驶、智能监控、行为识别等领域。在自动驾驶中，MOT可用于实时检测和跟踪周围车辆、行人和其他障碍物，从而帮助车辆做出安全决策。在智能监控中，MOT可用于实时监测人员活动、异常行为检测等任务。在行为识别中，MOT可用于跟踪特定对象的行为，如球赛中的球员或商场中的顾客。在众多目标追踪算法中，DeepSORT和ByteTrack因其卓越的性能和实用性而备受关注。

4.2. DeepSORT

DeepSORT（Deep Simple Online and Realtime Tracking）是一种基于深度学习的在线实时目标追踪算法。它通过对目标在连续帧之间的匹配，实现了对目标的稳定追踪。DeepSORT算法主要包括三个核心部分：目标检测、特征提取和数据关联。目标检测阶段负责在每一帧中检测出目标的位置和大小；特征提取阶段则利用深度学习模型提取目标的外观特征；数据关联阶段则根据目标的运动信息和外观特征，将不同帧中的目标进行匹配，实现目标的持续追踪。
DeepSort算法的核心思想是利用递归的卡尔曼滤波和逐帧的匈牙利数据关联，在实时目标跟踪中引入深度学习模型，提取目标的外观特征进行最近邻匹配。这样做的目的是有效处理目标被遮挡的情况，并减少目标ID跳变的问题。

首先，递归的卡尔曼滤波用于预测目标的状态。卡尔曼滤波器是一种最优线性滤波器，能够根据目标的运动模型和观测数据进行状态估计。在DeepSort中，卡尔曼滤波器用于预测目标的位置和速度，为后续的目标匹配提供参考。

其次，逐帧的匈牙利数据关联用于将检测框与跟踪框进行匹配。匈牙利算法是一种解决二分图最大匹配问题的算法，可以高效地进行目标匹配。在DeepSort中，将检测框与跟踪框的交并比作为相似度度量，输入到匈牙利算法中进行线性分配来关联帧间ID。

另外，当某一帧出现了新的检测结果时（即与当前跟踪结果无法匹配的检测结果），DeepSort会认为可能出现了新的目标，为其创建新的跟踪器。为了避免大量的ID Switch，DeepSort同时考虑了运动信息的关联和目标外观信息的关联，使用融合度量的方式计算检测结果和跟踪结果的匹配程度。

DeepSort算法通过引入深度学习模型和递归的卡尔曼滤波，实现了实时、准确的多目标跟踪。它能够有效地处理目标被遮挡的情况，减少目标ID跳变的问题，因此在工业开发等领域得到了广泛应用。在实际应用中，使用DeepSort算法时需要注意一些关键问题。首先，需要选择合适的深度学习模型和特征提取方法，以适应不同的目标和场景。其次，需要调整卡尔曼滤波器的参数，以获得最佳的预测效果。此外，需要合理设置数据关联的阈值和规则，以确保准确的目标匹配。

但DeepSORT也存在一些问题。例如，当目标发生遮挡或快速运动时，算法可能会出现追踪失败的情况。为了解决这些问题，DeepSORT引入了级联匹配和外观特征信息，以提高算法的鲁棒性。级联匹配通过综合考虑目标的运动信息和外观特征，提高了目标匹配的准确性；而外观特征信息则通过深度学习模型提取目标的特征，使得算法能够在目标发生遮挡或快速运动时，依然能够保持稳定的追踪。

4. 3.ByteTrack

ByteTrack是一种基于检测的目标追踪算法，它在YOLOv8检测器的基础上进行了改进，实现了更高效的目标追踪，具有简单、高效和通用的特点。相较于传统的多目标跟踪方法，ByteTrack不依赖于ReID模型，而是通过关联每个检测框来进行跟踪。这种方法可以有效地解决低分检测框被简单丢弃的问题，从而减少漏检和碎片化轨迹的情况。

ByteTrack算法流程如下：首先，使用目标检测器对当前帧进行检测，得到一系列候选目标框。然后，利用卡尔曼滤波对目标框进行预测，并利用匈牙利算法进行数据关联，将检测框与历史轨迹进行匹配。对于得分较高的目标框，直接与历史轨迹匹配；对于得分较低的目标框，则与第一次没有匹配上的轨迹进行匹配，用于检测目标遮挡的情形。

为了实现高效的实时多目标跟踪，ByteTrack还采用了一些优化策略。例如，对轨迹进行分类，避免在代码阅读时出现混淆的情形；同时，对于连续两帧都未匹配上的轨迹，将其标记为即将删除的轨迹，从而及时清理无效轨迹。

在实际应用中，ByteTrack能够轻松应用到各种多目标跟踪框架中，并取得显著的性能提升。在MOT17测试集上，ByteTrack实现了80.3 MOTA、77.3 IDF1和63.1 HOTA等优异性能指标，同时在单个V100 GPU上运行速度达到了30 FPS。这表明ByteTrack具有高效、准确和实时性强的特点，能够满足实际应用的需求。

4.4 对比

DeepSORT和ByteTrack算法各有优劣。DeepSORT算法在目标特征提取和数据关联方面具有较高的准确性，适用于对目标追踪精度要求较高的场景，如视频监控、自动驾驶等。而ByteTrack算法则以其高效的检测器和稳定的目标匹配性能，在实际应用中取得了良好的表现，尤其适用于需要实时处理大量视频数据的场景，如智能监控、人机交互等。

5.源码配置

5.1.环境创建

#新建虚拟环境
conda create -n yolov8 python=3.8
#激活
conda activate yolov8
#安装torch,
conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.7 -c pytorch -c nvidia
cd YOLOv8_GUI
#将requirements.txt中torch torchbision 注释掉，下载其他包
pip install -r requirements.txt

5.2.配置PyCharm

参考之前的博客：详细记录Pycharm配置已安装好的Conda虚拟环境

在这里插入图片描述

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/775517.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

量化交易入门（二十三）什么是MTM指标，原理是什么

量化交易入门（二十三）什么是MTM指标，原理是什么

MTM指标全称是Momentum指标,翻译为动量指标。它用来衡量市场价格在一定时间内上涨或下跌的幅度,属于趋势型指标。其计算公式是: MTM(N) 当前收盘价 - N日前的收盘价 其中N表示统计的周期数,常用参数有6日、12日和24日。 MTM指标的应用要点如下: 判断趋势强弱:MTM数值越大,表…
阅读更多...
uniapp 微信小程序 canvas 手写板文字重复倾斜水印

uniapp 微信小程序 canvas 手写板文字重复倾斜水印

核心逻辑 先将坐标系中心点通过ctx.translate(canvasw / 2, canvash / 2) 平移到canvas 中心，再旋转设置水印 假如不 translate 直接旋转，则此时的旋转中心为左上角原点，此时旋转示意如图所示 当translate到中心点之后再旋转，此…
阅读更多...
P8649 [蓝桥杯 2017 省 B] k 倍区间：做题笔记

P8649 [蓝桥杯 2017 省 B] k 倍区间：做题笔记

目录 思路 代码思路 代码 推荐 P8649 [蓝桥杯 2017 省 B] k 倍区间 思路 额嗯，这道题我刚上来是想到了前缀和，但是还要判断每个子序列，我就两层for嵌套，暴力解了题。就是我知道暴力肯定过不了但是写不出来其他的[留下了苦…
阅读更多...
【ESP32S3 Sense接入语音识别+MiniMax模型对话】

【ESP32S3 Sense接入语音识别+MiniMax模型对话】

1. 前言 围绕ESP32S3 Sense接入语音识别MiniMax模型对话展开，首先串口输入“1”字符，随后麦克风采集2s声音数据，对接百度在线语音识别，将返回文本结果丢入MiniMax模型，进而返回第二次结果文本，实现语言对话…
阅读更多...
libVLC 动态视频壁纸

libVLC 动态视频壁纸

在 Windows 上，你可能需要使用 Windows API 来设置壁纸，而在 Linux 上，你可能需要使用某种桌面环境特有的方法。在 macOS 上，这一功能可能受到限制。 效果图如下所示： 以下是一个简单的示例，说明了如何在 …
阅读更多...
[Qt] QString::fromLocal8Bit 的使用误区

[Qt] QString::fromLocal8Bit 的使用误区

QString::fromLocal8Bit 是一个平台相关的函数。默认情况下在 Windows 下 就是 gbk 转 utf-8 ,在 Linux就应该是无事发生。因为Linux平台默认的编码方式就是 utf-8 可以通过 void QTextCodec::setCodecForLocale(QTextCodec *c)来修改 Qt默认的编码方式。如下 第一输出乱码的…
阅读更多...
vue组件如何使用？

vue组件如何使用？

今天我随便试两个组件 第一个轮播图 在minn.js 引入 import { createApp } from vue; import { Swipe, SwipeItem } from vant; const app createApp(); app.use(Swipe); app.use(SwipeItem); <van-swipe class"my-swipe" :autoplay"3000" indica…
阅读更多...
python学习15：python中的input语句

python学习15：python中的input语句

python中的input语句 我们前面学习过print语句&#xff0c;可以将内容输出到屏幕上&#xff1b;在python中&#xff0c;与之对应的还有一个input语句&#xff0c;用来获取键盘输入。 数据输出&#xff1a;print 数据输入&#xff1a;input 使用上也很简单&#xff1a; 使用inp…
阅读更多...
视图的作用

视图的作用

目录 视图的作用 创建视图 为 scott 分配创建视图的权限 查询视图 复杂视图的创建 视图更新的限制问题 更新视图中数据的部门编号&#xff08;视图的存在条件&#xff09; 限制通过视图修改数据表内容 创建只读的视图 复杂视图创建 oracle从入门到总裁:​​​​​​h…
阅读更多...
快速创建zookeeper集群

快速创建zookeeper集群

先说明&#xff0c;我很穷&#xff01;&#xff01;&#xff0c;开不了多个虚拟机&#xff0c;zookeeper集群的3个节点都放在同一个虚拟机&#xff0c;所以搭建是一个伪集群&#xff0c;因为一个服务器挂机&#xff0c;所有节点都会停止。工作实际情况安装到三个服务器&#xf…
阅读更多...
H5抓包——Android 使用电脑浏览器 DevTools调试WebView

H5抓包——Android 使用电脑浏览器 DevTools调试WebView

H5抓包——Android 使用电脑浏览器 DevTools调试WebView 一、使用步骤 1、电脑通过数据线连接手机&#xff0c;开启USB调试&#xff08;打开手机开发者选项&#xff09; 2、打开待调试的H5 App&#xff0c;进入H5界面 3、打开电脑浏览器&#xff0c;调试界面入口 如果用ed…
阅读更多...
第十一章：位运算符与位运算

第十一章：位运算符与位运算

文章目录 第十一章&#xff1a;位运算符与位运算1.按位与运算&#xff1a;&2.按位或运算&#xff1a;|3.按位异或运算&#xff1a;^4.取反运算符&#xff1a;~5.左移运算符&#xff1a;<<6.右移运算符&#xff1a;>>总结 第十一章&#xff1a;位运算符与位运算…
阅读更多...
免费SSL证书和付费SSL证书的区别点

免费SSL证书和付费SSL证书的区别点

背景&#xff1a; 在了解免费SSL证书和付费SSL证书的区别之前&#xff0c;先带大家了解一下SSL证书的概念和作用。 SSL证书的概念&#xff1a; SSL证书就是基于http超文本传输协议的延伸&#xff0c;在http访问的基础上增加了一个文本传输加密的协议&#xff0c;由于http是明…
阅读更多...
【爬虫基础】第6讲 opener的使用

【爬虫基础】第6讲 opener的使用

在爬虫中&#xff0c;opener是一个用来发送HTTP请求的对象。它可以用来模拟浏览器发送请求&#xff0c;包括设置请求头、处理Cookie等操作。使用opener可以实现一些高级功能&#xff0c;如模拟登录、处理验证码等。 方法1&#xff1a; from urllib.request import Request,bu…
阅读更多...
ARMday7作业

ARMday7作业

实现三个按键的中断&#xff0c;现象和代码 do_ipr.c #include "stm32mp1xx_gic.h" #include "stm32mp1xx_exti.h" extern void printf(const char *fmt, ...); unsigned int i 0; void do_irq(void) {//获取要处理的中断的中断号unsigned int irqnoGI…
阅读更多...
StableDiffusion Web UI开启FP8，极大节约显存

StableDiffusion Web UI开启FP8，极大节约显存

升级了Pytorch后&#xff0c;StableDiffusion最新版本就可以有使用FP8的基础了&#xff0c;因此把秋叶的LINUX包也升级到了最新的版本。 升级Pytorch参考我的升级记录&#xff1a; ComfyUI SDWebUI升级pytorch随记-CSDN博客 然后下一步就是如何开启FP8了。与ComfyUI不同&…
阅读更多...
Spring boot2.X 配置https

Spring boot2.X 配置https

背景 最近项目组说要将 http 升级成 https 访问&#xff0c;证书也给到我们这边了&#xff0c;当然我们这边用的是个二级域名&#xff0c;采用的是通配符访问的方式&#xff0c;比如一级域名是这样&#xff08;com.chinaunicom.cn&#xff09;&#xff0c;我们的则是&#xff0…
阅读更多...
【安全用电管理系统的应用如何保证用电安全】Acrel-6000安科瑞智慧安全用电解决方案

【安全用电管理系统的应用如何保证用电安全】Acrel-6000安科瑞智慧安全用电解决方案

政策背景 国家部委 ※2017年5月3日国务院安委会召开电气火灾综合治理工作视频会议&#xff0c;决定在全国范围内组织开展为期3年的电气火灾综合治理工作。 公安部领导 ※公安部副部长李伟强调&#xff1a;向科技要战斗力&#xff0c;加快推进“智慧消防”建设不断提升火灾防控…
阅读更多...
区块链食品溯源案例实现(二)

区块链食品溯源案例实现(二)

引言 随着前端界面的完成&#xff0c;我们接下来需要编写后端代码来与区块链网络进行交互。后端将负责处理前端发送的请求&#xff0c;调用智能合约的方法获取食品溯源信息&#xff0c;并将结果返回给前端。 通过前后端的整合&#xff0c;我们可以构建一个食品溯源系统&#xf…
阅读更多...
ArrayList和LinkedList有什么区别？

ArrayList和LinkedList有什么区别？

ArrayList和LinkedList的区别 ArrayList 和 LinkedList 是 Java 中常用的两种集合类&#xff0c;它们都实现了 List 接口&#xff0c;但在内部实现和性能上有一些区别。 内部实现&#xff1a; ArrayList 使用数组实现&#xff0c;它的元素在内存中是连续存储的&#xff0c;每…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023