实用指南：Autudl华为昇腾系列NPU简介和部署推理yolo11 yolov8 yolov5目标检测模型

news/2025/10/2 21:21:52/文章来源:https://www.cnblogs.com/wzzkaifa/p/19124026

0.配置Autudl

        下面图片是我所租的昇腾卡和具体环境版本，太具体的就不说了，有需要的话我单独出一期Autudl租显卡的教程，主要是为了学习昇腾环境如何运行Yolo系列模型。

0.1华为昇腾芯片（Ascend）简介

1.Ascend 310— 边缘推理 SoC

  •      在仅 8 W 的功耗下，支持 FP16 达 8 TOPS，INT8 达 16 TOPS
  •       支持多通道高清视频处理：最高可实现 16 路 1080p H.264/H.265 解码、1 路 1080p 视频编码，以及 JPEG/PNG 编解码功能
  •         内含 2 个 Da Vinci Max AI 核心、8 个 ARM Cortex‑A55 CPU 核心和 8 MB 片上缓存。

2.Ascend 910— 数据中心级训练 NPU

  •         于 2019 年发布，代号 Ascend‑Max，基于 Da Vinci 架构，拥有 32 个 Da Vinci Max AI 核心，FP16 达 256 TFLOPS，INT8 达 512 TOPS
  •         配备高带宽互联（NoC Mesh 1024 位，HBM2E 带宽 1.2 TB/s，350 W 功耗）

3.Ascend 910C（2025 年主打产品）

  •         基于 SMIC 的 7 nm (N+2) 工艺，采用双 910B Die 封装设计，拥有约 53 亿晶体管
  •         实现 FP16 约 800 TFLOPS 性能，搭载高达 128 GB 的 HBM3 存储（领先于 NVIDIA H100 的 80 GB）
  •         推测性能约为 NVIDIA H100 推理性能的 60%

0.2MindSpore框架

        MindSpore 是华为自主研发的全场景 AI 计算框架，覆盖云、边、端多种部署环境。向上支持自然语言处理、计算机视觉、科学计算等多类 AI 应用，向下通过 CANN 对接昇腾 AI 处理器，实现软硬件协同优化。
         提供端到端的模型开发能力，包括数据处理、模型构建、训练、推理与部署，内置自动并行、算子融合、混合精度等优化机制，显著提升性能与算力利用率。其功能定位类似于 TensorFlow 或 PyTorch，在昇腾生态中承担核心 AI 框架的角色。

0.3CANN计算架构（Compute Architecture for Neural Networks）

华为面向AI场景推出的异构计算架构 CANN，作为昇腾AI处理器的软件驱动与算子加速平台，向上兼容多种主流AI框架（如 MindSpore、PyTorch、TensorFlow 等），向下对接昇腾系列AI处理器的算子库、运行时与调度层，发挥承上启下的关键作用。CANN 屏蔽了底层硬件差异，使开发者能够在不关心硬件细节的情况下无缝使用主流深度学习框架进行模型开发与部署。

        同时，CANN 针对多样化的应用场景提供多层次编程接口（如算子级、图级、应用级），支持用户快速构建和优化基于昇腾平台的AI应用与业务，显著提升模型的执行效率与硬件算力利用率，其功能定位类似于 NVIDIA 的 CUDA 平台。

总结：CANN用来屏蔽底层硬件差异，使得用户能够无缝使用Pytorch等主流深度学习框架进行开发

1.配置环境

1.1创建一个yolo环境并进入

conda create -n yolo11 python=3.10
conda activate yolo11

 1.2.安装yolo所需要的库

pip install ultralytics

1.3.安装ais_bench推理工具，和aclruntime

根据自己使用的python、版本系统和架构选择具体的whl文件

https://gitee.com/ascend/tools/tree/master/ais-bench_workload/tool/ais_bench#%E4%B8%8B%E8%BD%BDwhl%E5%8C%85%E5%AE%89%E8%A3%85https://gitee.com/ascend/tools/tree/master/ais-bench_workload/tool/ais_bench#%E4%B8%8B%E8%BD%BDwhl%E5%8C%85%E5%AE%89%E8%A3%85

 下载到本地后，安装两个whl文件

1.3.1安装ais_bench

pip install ais_bench-0.0.2-py3-none-any.whl -i https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

1.3.2安装aclruntime

pip install aclruntime-0.0.2-cp310-cp310-linux_aarch64.whl

后面启动可能会报一些错误，让ai解决一下，很好解决

NEW_LIB=~/autodl-tmp/libstdcpp_arm64/usr/lib/aarch64-linux-gnu/libstdc++.so.6
ln -sf /usr/lib/aarch64-linux-gnu/libstdc++.so.6 /root/miniconda3/lib/libstdc++.so.6

2.准备源码和模型

 模型可以是自己的，也可以从官网上下载

2.1下载源码：

https://github.com/ultralytics/ultralytics

2.2下载模型权重：

https://docs.ultralytics.com/zh/models/yolo11/#performance-metrics

3.转换模型

1.将.pt格式转换为.ONNX格式

from ultralytics import YOLO
# Load a model
model = YOLO(r"/home/ultralytics-main/runs/train/yolo11n/weights/best.pt")
# Export onnx,一定要设置opset=11 不然会报错
model.export(format="onnx",opset=11)

2.将.ONNX格式转换为.om格式 

atc \--model=/root/autodl-tmp/ultralytics-main/runs/train/exp4/weights/best.onnx \--framework=5 \--output=yolo11s \--input_format=NCHW \--input_shape="images:1,3,640,640" \--soc_version=Ascend910B2

参数分别是：
--model 需要转换模型的路径

--framework 框架，ONNX就用5

--output  输出.om文件的名字

--input_shape 模型的输入shape，640 640是训练时图片的大小，根据需要修改

--soc_version NPU的型号

根据下面的指令查询npu型号后，替换910B2

npu-smi info   #用这个指令可以查询npu型号

4.推理源码

在ultralytics路径下创建run.py

然后将下面代码复制进去，在终端输入下节命令启动。

import argparse
import time
import cv2
import numpy as np
import os
from ais_bench.infer.interface import InferSession
class YOLO:"""YOLO object detection model class for handling inference"""def __init__(self, om_model, imgsz=(640, 640), device_id=0, model_ndtype=np.single, mode="static", postprocess_type="v8", aipp=False):"""Initialization.Args:om_model (str): Path to the om model."""# 构建ais_bench推理引擎self.session = InferSession(device_id=device_id, model_path=om_model)# Numpy dtype: support both FP32(np.single) and FP16(np.half) om modelself.ndtype = model_ndtypeself.mode = modeself.postprocess_type = postprocess_typeself.aipp = aippself.model_height, self.model_width = imgsz[0], imgsz[1]  # 图像resize大小def __call__(self, im0, conf_threshold=0.4, iou_threshold=0.45):"""The whole pipeline: pre-process -> inference -> post-process.Args:im0 (Numpy.ndarray): original input image.conf_threshold (float): confidence threshold for filtering predictions.iou_threshold (float): iou threshold for NMS.Returns:boxes (List): list of bounding boxes."""# 前处理Pre-processt1 = time.time()im, ratio, (pad_w, pad_h) = self.preprocess(im0)pre_time = round(time.time() - t1, 3)# 推理 inferencet2 = time.time()preds = self.session.infer([im], mode=self.mode)[0]  # mode有动态"dymshape"和静态"static"等det_time = round(time.time() - t2, 3)# 后处理Post-processt3 = time.time()if self.postprocess_type == "v5":boxes = self.postprocess_v5(preds,im0=im0,ratio=ratio,pad_w=pad_w,pad_h=pad_h,conf_threshold=conf_threshold,iou_threshold=iou_threshold,)elif self.postprocess_type == "v8":boxes = self.postprocess_v8(preds,im0=im0,ratio=ratio,pad_w=pad_w,pad_h=pad_h,conf_threshold=conf_threshold,iou_threshold=iou_threshold,)elif self.postprocess_type == "v10":boxes = self.postprocess_v10(preds,im0=im0,ratio=ratio,pad_w=pad_w,pad_h=pad_h,conf_threshold=conf_threshold)else:boxes = []post_time = round(time.time() - t3, 3)return boxes, (pre_time, det_time, post_time)# 前处理，包括：resize, pad, 其中HWC to CHW，BGR to RGB，归一化，增加维度CHW -> BCHW可选择是否开启AIPP加速处理def preprocess(self, img):"""Pre-processes the input image.Args:img (Numpy.ndarray): image about to be processed.Returns:img_process (Numpy.ndarray): image preprocessed for inference.ratio (tuple): width, height ratios in letterbox.pad_w (float): width padding in letterbox.pad_h (float): height padding in letterbox."""# Resize and pad input image using letterbox() (Borrowed from Ultralytics)shape = img.shape[:2]  # original image shapenew_shape = (self.model_height, self.model_width)r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])ratio = r, rnew_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))pad_w, pad_h = (new_shape[1] - new_unpad[0]) / 2, (new_shape[0] - new_unpad[1]) / 2  # wh paddingif shape[::-1] != new_unpad:  # resizeimg = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR)top, bottom = int(round(pad_h - 0.1)), int(round(pad_h + 0.1))left, right = int(round(pad_w - 0.1)), int(round(pad_w + 0.1))img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=(114, 114, 114))  # 填充# 是否开启aipp加速预处理，需atc中完成if self.aipp:return img, ratio, (pad_w, pad_h)# Transforms: HWC to CHW -> BGR to RGB -> div(255) -> contiguous -> add axis(optional)img = np.ascontiguousarray(np.einsum('HWC->CHW', img)[::-1], dtype=self.ndtype) / 255.0img_process = img[None] if len(img.shape) == 3 else imgreturn img_process, ratio, (pad_w, pad_h)# YOLOv5/6/7通用后处理，包括：阈值过滤与NMSdef postprocess_v5(self, preds, im0, ratio, pad_w, pad_h, conf_threshold, iou_threshold):"""Post-process the prediction.Args:preds (Numpy.ndarray): predictions come from ort.session.run().im0 (Numpy.ndarray): [h, w, c] original input image.ratio (tuple): width, height ratios in letterbox.pad_w (float): width padding in letterbox.pad_h (float): height padding in letterbox.conf_threshold (float): conf threshold.iou_threshold (float): iou threshold.Returns:boxes (List): list of bounding boxes."""# (Batch_size, Num_anchors, xywh_score_conf_cls), v5和v6的[..., 4]是置信度分数，v8v9采用类别里面最大的概率作为置信度scorex = preds  # outputs: predictions (1, 8400*3, 85)# Predictions filtering by conf-thresholdx = x[x[..., 4] > conf_threshold]# Create a new matrix which merge these(box, score, cls) into one# For more details about `numpy.c_()`: https://numpy.org/doc/1.26/reference/generated/numpy.c_.htmlx = np.c_[x[..., :4], x[..., 4], np.argmax(x[..., 5:], axis=-1)]# NMS filtering# 经过NMS后的值, np.array([[x, y, w, h, conf, cls], ...]), shape=(-1, 4 + 1 + 1)x = x[cv2.dnn.NMSBoxes(x[:, :4], x[:, 4], conf_threshold, iou_threshold)]# 重新缩放边界框，为画图做准备if len(x) > 0:# Bounding boxes format change: cxcywh -> xyxyx[..., [0, 1]] -= x[..., [2, 3]] / 2x[..., [2, 3]] += x[..., [0, 1]]# Rescales bounding boxes from model shape(model_height, model_width) to the shape of original imagex[..., :4] -= [pad_w, pad_h, pad_w, pad_h]x[..., :4] /= min(ratio)# Bounding boxes boundary clampx[..., [0, 2]] = x[:, [0, 2]].clip(0, im0.shape[1])x[..., [1, 3]] = x[:, [1, 3]].clip(0, im0.shape[0])return x[..., :6]  # boxeselse:return []# YOLOv8/9/11通用后处理，包括：阈值过滤与NMSdef postprocess_v8(self, preds, im0, ratio, pad_w, pad_h, conf_threshold, iou_threshold):"""Post-process the prediction.Args:preds (Numpy.ndarray): predictions come from ort.session.run().im0 (Numpy.ndarray): [h, w, c] original input image.ratio (tuple): width, height ratios in letterbox.pad_w (float): width padding in letterbox.pad_h (float): height padding in letterbox.conf_threshold (float): conf threshold.iou_threshold (float): iou threshold.Returns:boxes (List): list of bounding boxes."""x = preds  # outputs: predictions (1, 84, 8400)# Transpose the first output: (Batch_size, xywh_conf_cls, Num_anchors) -> (Batch_size, Num_anchors, xywh_conf_cls)x = np.einsum('bcn->bnc', x)  # (1, 8400, 84)# Predictions filtering by conf-thresholdx = x[np.amax(x[..., 4:], axis=-1) > conf_threshold]# Create a new matrix which merge these(box, score, cls) into one# For more details about `numpy.c_()`: https://numpy.org/doc/1.26/reference/generated/numpy.c_.htmlx = np.c_[x[..., :4], np.amax(x[..., 4:], axis=-1), np.argmax(x[..., 4:], axis=-1)]# NMS filtering# 经过NMS后的值, np.array([[x, y, w, h, conf, cls], ...]), shape=(-1, 4 + 1 + 1)x = x[cv2.dnn.NMSBoxes(x[:, :4], x[:, 4], conf_threshold, iou_threshold)]# 重新缩放边界框，为画图做准备if len(x) > 0:# Bounding boxes format change: cxcywh -> xyxyx[..., [0, 1]] -= x[..., [2, 3]] / 2x[..., [2, 3]] += x[..., [0, 1]]# Rescales bounding boxes from model shape(model_height, model_width) to the shape of original imagex[..., :4] -= [pad_w, pad_h, pad_w, pad_h]x[..., :4] /= min(ratio)# Bounding boxes boundary clampx[..., [0, 2]] = x[:, [0, 2]].clip(0, im0.shape[1])x[..., [1, 3]] = x[:, [1, 3]].clip(0, im0.shape[0])return x[..., :6]  # boxeselse:return []# YOLOv10后处理，包括：阈值过滤-无NMSdef postprocess_v10(self, preds, im0, ratio, pad_w, pad_h, conf_threshold):x = preds  # outputs: predictions (1, 300, 6) -> (xyxy_conf_cls)# Predictions filtering by conf-thresholdx = x[x[..., 4] > conf_threshold]# 重新缩放边界框，为画图做准备if len(x) > 0:# Rescales bounding boxes from model shape(model_height, model_width) to the shape of original imagex[..., :4] -= [pad_w, pad_h, pad_w, pad_h]x[..., :4] /= min(ratio)# Bounding boxes boundary clampx[..., [0, 2]] = x[:, [0, 2]].clip(0, im0.shape[1])x[..., [1, 3]] = x[:, [1, 3]].clip(0, im0.shape[0])return x  # boxeselse:return []
if __name__ == '__main__':# Create an argument parser to handle command-line argumentsparser = argparse.ArgumentParser()parser.add_argument('--det_model', type=str, default=r"yolov8s.om", help='Path to OM model')parser.add_argument('--source', type=str, default=r'images', help='Path to input image')parser.add_argument('--out_path', type=str, default=r'results', help='结果保存文件夹')parser.add_argument('--imgsz_det', type=tuple, default=(640, 640), help='Image input size')parser.add_argument('--classes', nargs='+', default=['obj'])parser.add_argument('--conf', type=float, default=0.25, help='Confidence threshold')parser.add_argument('--iou', type=float, default=0.6, help='NMS IoU threshold')parser.add_argument('--device_id', type=int, default=0, help='device id')parser.add_argument('--mode', default='static', help='om是动态dymshape或静态static')parser.add_argument('--model_ndtype', default=np.single, help='om是fp32或fp16')parser.add_argument('--postprocess_type', type=str, default='v8', help='后处理方式, 对应v5/v8/v10三种后处理')parser.add_argument('--aipp', default=False, action='store_true', help='是否开启aipp加速YOLO预处理, 需atc中完成om集成')args = parser.parse_args()# 创建结果保存文件夹if not os.path.exists(args.out_path):os.mkdir(args.out_path)print('开始运行：')# Build modeldet_model = YOLO(args.det_model, args.imgsz_det, args.device_id, args.model_ndtype, args.mode, args.postprocess_type, args.aipp)color_palette = np.random.uniform(0, 255, size=(len(args.classes), 3))  # 为每个类别生成调色板for i, img_name in enumerate(os.listdir(args.source)):try:t1 = time.time()# Read image by OpenCVimg = cv2.imread(os.path.join(args.source, img_name))# 检测Inferenceboxes, (pre_time, det_time, post_time) = det_model(img, conf_threshold=args.conf, iou_threshold=args.iou)print('{}/{} ==>总耗时间: {:.3f}s, 其中, 预处理: {:.3f}s, 推理: {:.3f}s, 后处理: {:.3f}s, 识别{}个目标'.format(i+1, len(os.listdir(args.source)), time.time() - t1, pre_time, det_time, post_time, len(boxes)))# Draw rectanglesfor (*box, conf, cls_) in boxes:cv2.rectangle(img, (int(box[0]), int(box[1])), (int(box[2]), int(box[3])),color_palette[int(cls_)], 2, cv2.LINE_AA)cv2.putText(img, f'{args.classes[int(cls_)]}: {conf:.3f}', (int(box[0]), int(box[1] - 9)),cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2, cv2.LINE_AA)cv2.imwrite(os.path.join(args.out_path, img_name), img)except Exception as e:print(e)

5.启动命令 

python ~/autodl-tmp/ultralytics-main/run.py \--det_model /root/autodl-tmp/ultralytics-main/yolo11n-jiejing.om \--source /root/autodl-tmp/ultralytics-main/test \--classes jiejing xiaojiejing \--postprocess_type v8

--classes 是模型检测标签名

--source 推理文件所在文件夹

--det_model om模型参数路径

--postprocess_type yolov8 v9 v11都用v8，使用的yolov5的话改为yolov5

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/925310.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

LabVIEW与PLC 汽车驻车制动自动调整 - 实践

LabVIEW与PLC 汽车驻车制动自动调整 - 实践

LabVIEW与PLC 汽车驻车制动自动调整 - 实践pre { white-space: pre !important; word-wrap: normal !important; overflow-x: auto !important; display: block !important; font-family: "Consolas", "…
阅读更多...
04. 布局管理

04. 布局管理

一、什么是布局在 Qt Quick 中有两套与元素布局相关的类库，一套叫作 Item Positioner（定位器），一套叫作 Item Layout（布局）。其实在 Qt Quick 中还有一个 锚布局，它通过 Item 的 anchors 属性实现，是 Qt Quick…
阅读更多...
关于安装博客园皮肤中有关于配置音乐播放器的补充（awescnb）

关于安装博客园皮肤中有关于配置音乐播放器的补充（awescnb）

首先，关于安装博客园皮肤的教程，请看教程： https://www.yuque.com/awescnb/user 大佬的教程非常详细且通俗易懂，只要有一点点前端基础，很短时间就能安装完成 但有关于音乐播放器的配置中，获取音乐url以及lrc歌词…
阅读更多...
AGC VP 记录 2

AGC VP 记录 2

AGC VP 记录 为了防止上一个内容太多比较卡，故新开了一个。 AGC041~AGC060 AGC060 [AGC060A] No Majority skip。Submission #69562933 - AtCoder Grand Contest 060 [AGC060B] Unique XOR Path给定一个 \(n\times m\…
阅读更多...
婚纱定制网站哪个好做特卖网站

婚纱定制网站哪个好做特卖网站

第二期云开发0基础训练营热力来袭！课程升级、更佳体验、依旧免费！每年的 “金九银十” 都是传说中的学习黄金期！这期间在校的小伙伴面临开学季/求职季/考研季挑战，已经步入社会的也即将步入年终前的冲刺阶段。所以，这段…
阅读更多...
2025 --【J+S 二十连测】-- 第四套 总结

2025 --【J+S 二十连测】-- 第四套 总结

总结 T1 考场上很快想出了正解，并打出了代码，没什么问题 T2 考场上很快就打出了正解，但是由于精度问题，导致失分 T3 考场上没有想到解法，打了个部分分，但是挂0 T4 考场上打了个部分分，哪全了 题解 T1 不难发现，…
阅读更多...
无锡市城乡和住房建设局网站wordpress ffmpeg

无锡市城乡和住房建设局网站wordpress ffmpeg

在手工测试阶段，针对项目输出了测试用例，如果这些测试用例需要在版本迭代的过程中，需要进行回归测试，通过手工重复地执行测试用例，将会耗费大量的人力。 为此应运而生就有了自动化测试，通过使用自动化工具…
阅读更多...
深入解析：AI-调查研究-90-具身智能 机器人数据采集与通信中间件全面解析：ROS/ROS2、LCM 与工业总线对比

深入解析：AI-调查研究-90-具身智能 机器人数据采集与通信中间件全面解析：ROS/ROS2、LCM 与工业总线对比

深入解析：AI-调查研究-90-具身智能 机器人数据采集与通信中间件全面解析：ROS/ROS2、LCM 与工业总线对比pre { white-space: pre !important; word-wrap: normal !important; overflow-x: auto !important; display: …
阅读更多...
函数-装饰器基础知识+推导式

函数-装饰器基础知识+推导式

装饰器：    在不改变原函数代码基础上，为原函数扩展功能装饰器格式： ##装饰器的编写(函数的嵌套，外城函数返回内城函数）： def wrapper (funk):def inner (*args,**kwags):#自定义共能,根据功能在funk函数执行…
阅读更多...
用ip访问没有备案的网站国内外知名市场调研公司

用ip访问没有备案的网站国内外知名市场调研公司

Redis，作为内存数据结构存储的佼佼者，其高性能表现一直备受赞誉。那么，Redis究竟是如何实现这一点的呢？接下来，我们将更深入地探讨其背后的关键技术，并提供进一步的优化策略。 一、内存存储与数据结构设计…
阅读更多...
机器人产业学院 —— 教培机构 —— 职业发展 —— 全国性比赛

机器人产业学院 —— 教培机构 —— 职业发展 —— 全国性比赛

机器人产业学院 —— 教培机构 —— 职业发展 —— 全国性比赛本博客是博主个人学习时的一些记录，不保证是为原创，个别文章加入了转载的源地址，还有个别文章是汇总网上多份资料所成，在这之中也必有疏漏未加标注处，…
阅读更多...
VUE - 实战 2

VUE - 实战 2

vue 项目 tailwindcss 安装 安装 命令 npm install -D tailwindcss@3 postcss autoprefixer现在 版本4.1 和vue集成有问题，所有用32 初始化配置文件： npx tailwindcss init -p3 修改 tailwind.config.js 配置： /** …
阅读更多...
平面设计免费模板网站济南装修网

平面设计免费模板网站济南装修网

以下是百度统计的诊断，小弟万般无奈，html上的缓存以及图片处理技巧欠缺，希望各位大大帮帮忙支个招！ 以下元素可在不损失原信息量的前提下进行压缩： http://www.5atl.com/Style/main.css （大小： …
阅读更多...
QBXT2025S刷题 Day1

QBXT2025S刷题 Day1

今天的题目 T1 \(90pts\)。 赛时树状数组写挂了。 发现没有特判第一个数是 \(0\)。 我的思路是，\(cnt[x]\) 表示对于所有的 \(h[i] \geq x\) 可以构成多少个区间。 先离散化。 对于当前 \(h[i]\)，若 \(h[i - 1] <…
阅读更多...
wordpress 仅显示标题seo会被取代吗

wordpress 仅显示标题seo会被取代吗

在当今快节奏的软件开发领域&#xff0c;提升开发效率是每个开发者都追求的目标。对于 Vue 前端开发而言&#xff0c;Visual Studio Code&#xff08;VSCode&#xff09;已经成为了众多开发者的首选编辑器。而随着人工智能技术的发展&#xff0c;各类 AI 编码扩展工具如雨后春笋…
阅读更多...
2025多校冲刺CSP模拟赛1（螳臂复活祭）

2025多校冲刺CSP模拟赛1（螳臂复活祭）

写在前面：题解未动，废话先行： 这次的模拟赛，肝硬化竟取得了比它近三次校内模拟赛的总分之和还要高 \(5pts\) 的成绩！（虽然 \(rank~50\) ），兴奋异常（其实没有），遂写博文（其实是前几天没空写）。顺带一提，那…
阅读更多...
龙岩做网站的公司网站开发资源网

龙岩做网站的公司网站开发资源网

1. 题目 给定一个非空字符串 s 和一个包含非空单词列表的字典 wordDict&#xff0c;在字符串中增加空格来构建一个句子&#xff0c;使得句子中所有的单词都在词典中。返回所有这些可能的句子。 说明&#xff1a; 分隔时可以重复使用字典中的单词。 你可以假设字典中没有重复的…
阅读更多...
最新创建的网站网站建设及推广

最新创建的网站网站建设及推广

一、MybatisPlus简介 MybatisPlus&#xff08;简称MP&#xff09;是一个流行的Java持久层框架&#xff0c;在 MyBatis 的基础上只做增强不做改变&#xff0c;为简化开发、提高效率而生&#xff0c;旨在简化数据库操作和提高开发效率。MybatisPlus为开发者提供了一套方便的API和…
阅读更多...
tar: Ignoring unknown extended header keyword LIBARCHIVE.xattr.com.apple.provenance

tar: Ignoring unknown extended header keyword LIBARCHIVE.xattr.com.apple.provenance

tar: Ignoring unknown extended header keyword LIBARCHIVE.xattr.com.apple.provenance这个警告信息是由于不同操作系统之间归档工具的兼容性问题导致的。 错误信息解释 关键词含义LIBARCHIVE.xattr.com.apple.prove…
阅读更多...
短剧小程序核心专业的技术拆解：视频加载优化、用户留存与商业化落地​

短剧小程序核心专业的技术拆解：视频加载优化、用户留存与商业化落地​

pre { white-space: pre !important; word-wrap: normal !important; overflow-x: auto !important; display: block !important; font-family: "Consolas", "Monaco", "Courier New", …
阅读更多...
最新文章

Copyright @ 2022~2023