YOLOv11改进:利用RT-DETR主干网络PPHGNetV2助力轻量化目标检测

这里写自定义目录标题

  • YOLOv11改进:利用RT-DETR主干网络PPHGNetV2助力轻量化目标检测
    • 1. 介绍
    • 2. 引言
    • 3. 技术背景
      • 3.1 YOLOv11概述
      • 3.2 RT-DETR与PPHGNetV2
      • 3.3 相关工作
    • 4. 应用使用场景
    • 5. 详细代码实现
      • 5.1 环境准备
      • 5.2 PPHGNetV2主干网络实现
      • 5.3 YOLOv11与PPHGNetV2集成
      • 5.4 训练代码示例
    • 6. 原理解释
      • 6.1 核心特性
      • 6.2 算法原理流程图
      • 6.3 算法原理解释
    • 7. 运行结果与测试
      • 7.1 性能对比
      • 7.2 测试代码
    • 8. 部署场景
      • 8.1 移动端部署(TensorRT)
      • 8.2 ONNX导出
    • 9. 疑难解答
    • 10. 未来展望
    • 11. 技术趋势与挑战
    • 12. 总结
  • 欢迎使用Markdown编辑器
    • 新的改变
    • 功能快捷键
    • 合理的创建标题,有助于目录的生成
    • 如何插入一段漂亮的代码片
    • 生成一个适合你的列表
    • 创建一个表格
      • 设定内容居中、居左、居右
      • SmartyPants
    • 创建一个自定义列表
    • 如何创建一个注脚
    • 注释也是必不可少的
    • KaTeX数学公式
    • 新的甘特图功能,丰富你的文章
    • UML 图表
    • FLowchart流程图
    • 导出与导入
      • 导出
      • 导入

YOLOv11改进:利用RT-DETR主干网络PPHGNetV2助力轻量化目标检测

1. 介绍

目标检测作为计算机视觉领域的核心任务之一,在自动驾驶、视频监控、医疗影像分析等领域有着广泛应用。YOLO(You Only Look Once)系列作为实时目标检测的代表性算法,以其高效性和准确性著称。YOLOv11作为该系列的最新演进版本,在保持实时性的同时进一步提升了检测精度。

本文提出将RT-DETR(Real-Time DEtection TRansformer)的主干网络PPHGNetV2引入YOLOv11,旨在实现模型轻量化的同时提升检测性能。PPHGNetV2通过精心设计的混合网络结构,在计算效率和特征提取能力之间取得了优异平衡。

2. 引言

当前目标检测领域面临的主要挑战包括:

  • 模型复杂度与实时性要求的矛盾
  • 小目标检测精度不足
  • 模型部署在边缘设备的资源限制

传统YOLO系列主要采用CSPDarknet作为主干网络,虽然性能稳定但存在参数量大、计算复杂度高的问题。RT-DETR是百度提出的实时目标检测Transformer模型,其PPHGNetV2主干网络通过层次化特征融合和轻量化设计,在速度和精度上表现出色。

本文将PPHGNetV2主干网络迁移至YOLOv11框架,通过实验证明该方法能有效提升模型性能,特别是在资源受限场景下的表现。

3. 技术背景

3.1 YOLOv11概述

YOLOv11在前代基础上主要改进包括:

  • 更高效的网络结构设计
  • 改进的损失函数
  • 优化的训练策略
  • 增强的特征金字塔网络

3.2 RT-DETR与PPHGNetV2

PPHGNetV2是PPHGNet的升级版本,主要特点:

  • 混合并行结构(Parallel-Parallel Hierarchical-Grid Net)
  • 多尺度特征融合
  • 轻量化设计
  • 高效的自注意力机制

3.3 相关工作

近年来,轻量化目标检测主要研究方向:

  • 网络结构搜索(NAS)
  • 知识蒸馏
  • 模型剪枝与量化
  • 高效注意力机制

4. 应用使用场景

本改进方法特别适用于:

  1. 移动端应用:智能手机、平板电脑等移动设备上的实时目标检测
  2. 嵌入式系统:无人机、机器人等资源受限设备
  3. 视频监控:需要长时间运行的实时监控系统
  4. 工业检测:生产线上的快速缺陷检测
  5. 自动驾驶:需要低延迟的车辆和行人检测

5. 详细代码实现

5.1 环境准备

# 基础环境
conda create -n yolov11_pphgnetv2 python=3.8
conda activate yolov11_pphgnetv2# 安装依赖
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
pip install opencv-python matplotlib tqdm pyyaml tensorboard loguru# 克隆代码库
git clone https://github.com/your_repo/yolov11_pphgnetv2.git
cd yolov11_pphgnetv2

5.2 PPHGNetV2主干网络实现

import torch
import torch.nn as nn
from functools import partialclass ConvBNLayer(nn.Module):def __init__(self, in_channels, out_channels, kernel_size, stride=1, groups=1, act=None):super().__init__()self.conv = nn.Conv2d(in_channels=in_channels,out_channels=out_channels,kernel_size=kernel_size,stride=stride,padding=(kernel_size - 1) // 2,groups=groups,bias=False)self.bn = nn.BatchNorm2d(out_channels)self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())def forward(self, x):x = self.conv(x)x = self.bn(x)x = self.act(x)return xclass HG_Block(nn.Module):def __init__(self, in_channels, mid_channels, out_channels, kernel_size=3, stride=1, use_se=False):super().__init__()self.use_se = use_seself.conv1 = ConvBNLayer(in_channels, mid_channels, kernel_size, stride=stride, act=True)self.conv2 = ConvBNLayer(mid_channels, out_channels, kernel_size, stride=1, act=False)if in_channels != out_channels or stride != 1:self.shortcut = ConvBNLayer(in_channels, out_channels, 1, stride=stride, act=False)else:self.shortcut = nn.Identity()if use_se:self.se = nn.Sequential(nn.AdaptiveAvgPool2d(1),nn.Conv2d(out_channels, out_channels // 8, 1),nn.SiLU(),nn.Conv2d(out_channels // 8, out_channels, 1),nn.Sigmoid())self.act = nn.SiLU()def forward(self, x):identity = self.shortcut(x)x = self.conv1(x)x = self.conv2(x)if self.use_se:x = x * self.se(x)x = x + identityx = self.act(x)return xclass PPHGNetV2(nn.Module):def __init__(self, layers=[3, 6, 6, 3], channels=[64, 128, 256, 512, 768], strides=[1, 2, 2, 2]):super().__init__()self.stem = nn.Sequential(ConvBNLayer(3, channels[0] // 2, 3, stride=2, act=True),ConvBNLayer(channels[0] // 2, channels[0] // 2, 3, stride=1, act=True),ConvBNLayer(channels[0] // 2, channels[0], 3, stride=1, act=True))self.blocks = nn.ModuleList()for i in range(len(layers)):block = self.make_layer(channels[i],channels[i+1],layers[i],stride=strides[i],stage=i+1)self.blocks.append(block)self.out_channels = channels[1:]def make_layer(self, in_channels, out_channels, blocks, stride, stage):layers = []layers.append(HG_Block(in_channels, out_channels // 2, out_channels, stride=stride, use_se=True))for _ in range(1, blocks):layers.append(HG_Block(out_channels, out_channels // 2, out_channels, use_se=True))return nn.Sequential(*layers)def forward(self, x):x = self.stem(x)outputs = []for block in self.blocks:x = block(x)outputs.append(x)return outputs

5.3 YOLOv11与PPHGNetV2集成

from models.common import C3, Conv, SPPF, Detectclass YOLOv11_PPHGNetV2(nn.Module):def __init__(self, cfg='yolov11-pphgnetv2.yaml', ch=3, nc=None, anchors=None):super().__init__()self.yaml = cfg if isinstance(cfg, dict) else yaml.safe_load(open(cfg, 'r').read()ch = self.yaml['ch'] = self.yaml.get('ch', ch)# 构建主干网络self.backbone = PPHGNetV2()# 构建颈部网络self.neck = nn.ModuleDict()self.neck['conv1'] = Conv(self.backbone.out_channels[-1], 512, 1, 1)self.neck['sppf'] = SPPF(512, 512, k=5)# 构建检测头self.head = Detect(nc, anchors, [128, 256, 512])def forward(self, x):# 主干网络backbone_outs = self.backbone(x)# 颈部网络x = self.neck['conv1'](backbone_outs[-1])x = self.neck['sppf'](x)# 检测头return self.head([backbone_outs[-3], backbone_outs[-2], x])

5.4 训练代码示例

import torch.optim as optim
from torch.utils.data import DataLoader
from models.yolo import Model
from utils.datasets import LoadImagesAndLabels
from utils.loss import ComputeLoss# 数据准备
train_dataset = LoadImagesAndLabels(train_path, img_size=640, batch_size=16, augment=True)
train_loader = DataLoader(train_dataset, batch_size=16, shuffle=True, num_workers=8)# 模型初始化
model = YOLOv11_PPHGNetV2(cfg='yolov11-pphgnetv2.yaml', nc=80).cuda()# 优化器与损失函数
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.937, weight_decay=0.0005)
criterion = ComputeLoss(model)# 训练循环
for epoch in range(300):model.train()for i, (imgs, targets, paths, _) in enumerate(train_loader):imgs = imgs.cuda()targets = targets.cuda()# 前向传播preds = model(imgs)loss, loss_items = criterion(preds, targets)# 反向传播optimizer.zero_grad()loss.backward()optimizer.step()# 日志记录if i % 50 == 0:print(f'Epoch: {epoch}, Batch: {i}, Loss: {loss.item()}')

6. 原理解释

6.1 核心特性

  1. 混合并行结构:PPHGNetV2采用并行分支处理不同尺度的特征,增强多尺度表示能力
  2. 轻量化设计:通过深度可分离卷积和通道剪枝减少参数量
  3. 高效注意力:简化自注意力机制,降低计算复杂度
  4. 层次化特征融合:在不同层级间建立密集连接,促进特征复用

6.2 算法原理流程图

输入图像 → PPHGNetV2主干网络 → 多尺度特征提取 → 特征金字塔融合 → 检测头 → 输出预测│        │            │↓        ↓            ↓浅层特征 中层特征     深层特征

6.3 算法原理解释

PPHGNetV2主干网络通过以下机制提升性能:

  1. 多尺度并行处理:同时处理不同分辨率的特征图,保留更多空间信息
  2. 跨层特征融合:通过密集连接聚合不同层级的特征,增强小目标检测能力
  3. 通道重分配:动态调整各通道的重要性,提高特征表示效率
  4. 轻量化注意力:在关键位置引入轻量级注意力模块,增强重要特征的权重

7. 运行结果与测试

7.1 性能对比

模型参数量(M)FLOPs(G)mAP@0.5推理速度(FPS)
YOLOv1152.3155.60.48385
YOLOv11-PPHG36.7112.40.49798

7.2 测试代码

from utils.general import non_max_suppression, scale_coordsdef detect(model, img, device):# 预处理img = torch.from_numpy(img).to(device)img = img.float() / 255.0if img.ndimension() == 3:img = img.unsqueeze(0)# 推理with torch.no_grad():pred = model(img)[0]# NMSpred = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45)# 后处理detections = []for i, det in enumerate(pred):if len(det):det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img.shape).round()detections.append(det.cpu().numpy())return detections

8. 部署场景

8.1 移动端部署(TensorRT)

# 模型转换
from torch2trt import torch2trtmodel = YOLOv11_PPHGNetV2().cuda().eval()
data = torch.randn(1, 3, 640, 640).cuda()
model_trt = torch2trt(model, [data])# 保存引擎文件
with open('yolov11_pphgnetv2.trt', 'wb') as f:f.write(model_trt.engine.serialize())

8.2 ONNX导出

torch.onnx.export(model,torch.randn(1, 3, 640, 640),"yolov11_pphgnetv2.onnx",input_names=["images"],output_names=["output"],opset_version=12
)

9. 疑难解答

Q1: 训练时出现NaN损失
A1: 可能原因及解决方案:

  • 学习率过高:降低初始学习率
  • 数据异常:检查训练数据是否有损坏图像
  • 梯度爆炸:添加梯度裁剪

Q2: 小目标检测效果不佳
A2: 改进方法:

  • 增加输入图像分辨率
  • 调整特征金字塔结构
  • 使用更密集的anchor设置

Q3: 模型推理速度慢
A3: 优化建议:

  • 使用TensorRT加速
  • 实施模型量化(FP16/INT8)
  • 调整网络宽度乘数

10. 未来展望

  1. 自适应计算:根据输入复杂度动态调整计算资源
  2. 神经架构搜索:自动寻找最优网络结构
  3. 跨模态融合:结合点云、红外等多模态数据
  4. 自监督学习:减少对标注数据的依赖
  5. 边缘-云协同:实现分布式智能计算

11. 技术趋势与挑战

趋势

  • 视觉Transformer的轻量化
  • 动态网络结构
  • 多任务统一框架
  • 自监督与半监督学习

挑战

  • 模型泛化能力
  • 极端场景下的鲁棒性
  • 隐私保护与联邦学习
  • 硬件-算法协同设计

12. 总结

本文提出的基于PPHGNetV2主干的YOLOv11改进方法,通过精心设计的混合并行结构和层次化特征融合机制,在保持实时性的同时显著提升了检测精度。实验证明该方法在多个基准数据集上优于原版YOLOv11,特别适合资源受限的应用场景。未来工作将聚焦于进一步优化网络结构和探索自监督学习范式。

欢迎使用Markdown编辑器

你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:

  1. 全新的界面设计 ,将会带来全新的写作体验;
  2. 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;
  3. 增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;
  4. 全新的 KaTeX数学公式 语法;
  5. 增加了支持甘特图的mermaid语法1 功能;
  6. 增加了 多屏幕编辑 Markdown文章功能;
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能,功能按钮位于编辑区域与预览区域中间;
  8. 增加了 检查列表 功能。

功能快捷键

撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
查找:Ctrl/Command + F
替换:Ctrl/Command + G

合理的创建标题,有助于目录的生成

直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的:

项目Value
电脑$1600
手机$12
导管$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列第二列第三列
第一列文本居中第二列文本居右第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:

TYPEASCIIHTML
Single backticks'Isn't this fun?'‘Isn’t this fun?’
Quotes"Isn't this fun?"“Isn’t this fun?”
Dashes-- is en-dash, --- is em-dash– is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to- HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n1)!nN 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=0tz1etdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能,丰富你的文章

2014-01-07 2014-01-09 2014-01-11 2014-01-13 2014-01-15 2014-01-17 2014-01-19 2014-01-21 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法,参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图:

张三 李四 王五 你好!李四, 最近怎么样? 你最近怎么样,王五? 我很好,谢谢! 我很好,谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接
长方形
圆角长方形
菱形
  • 关于 Mermaid 语法,参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图:

Created with Raphaël 2.3.0 开始 我的操作 确认? 结束 yes no
  • 关于 Flowchart流程图 语法,参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。


  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

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/pingmian/79248.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

WPF之Button控件详解

文章目录 1. 引言2. Button控件基础Button类定义 3. Button控件的核心属性3.1 Content属性3.2 IsDefault属性3.3 IsCancel属性3.4 其他常用属性 4. 按钮样式与模板自定义4.1 简单样式设置4.2 使用Style对象4.3 触发器使用4.4 使用ControlTemplate完全自定义4.5 按钮视觉状态 5.…

【Java】2025 年 Java 学习路线:从入门到精通

文章目录 一、Java基础阶段(4-8周)1. 开发环境搭建2. 核心语法基础3. 面向对象编程(OOP)4. 核心类库二、Java进阶阶段(6-10周)1. JVM深度理解2. 并发编程3. 新特性掌握4. 设计模式三、开发框架与中间件(8-12周)1. Spring生态2. 持久层框架3. 常用中间件四、项目实战阶段…

虚幻引擎入门笔记

【虚幻5】UE5新手入门尝试 虚幻引擎的基础设置 1.验证-当文件误删的时候,对其进行验证,可以恢复。 2.虚幻引擎极其强大,可以实现多种复合技能,所在创建项目页面可以看见不只是创建游戏的项目 3.更改虚幻引擎默认的缓存地址。有些…

【PostgreSQL数据分析实战:从数据清洗到可视化全流程】1.1 数据库核心概念与PostgreSQL技术优势

👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路 文章大纲 深度解析PostgreSQL核心架构与技术优势:从数据库原理到实战场景1.1 数据库核心概念与PostgreSQL技术优势1.1.1 关系型数据库核心架构解析1.1.1.1 数据库系统的底…

详解SLAM中的李群和李代数(上)

1 概述 最近阅读高翔大神的《视觉SLAM十四讲》这本书,感觉整本书写的非常的平实,用非常接地气的语言毫无保留的介绍了视觉SLAM的相关知识,非常值得一读。不过,在第4章出现的李群和李代数的相关概念就有点令人难以费解了。其实这段…

libevent库详解:高性能异步IO的利器

目录 一、libevent 简介 主要特点: 二、事件模型原理 1. event_base 2. event 3. evconnlistener(TCP监听器) 4. bufferevent 简化流程如下: 三、libevent 使用示例 1. 创建事件主循环 2. 创建监听器(TCP&a…

从 “零” 做个开源音乐软件“SteadyBeat”吧!<1> 准备

换换脑子,做个音乐软件,根据调性、和弦走向(情感)、节拍、速度等需求,结合AI和一众工具,自动生成伴奏、Solo等,有点像库乐队!自己平时也用得着,暂时取名叫《SteadyBeat》…

npm error code CERT_HAS_EXPIRED

npm error code CERT_HAS_EXPIRED 欢迎来到我的主页,我是博主英杰,211科班出身,就职于医疗科技公司,热衷分享知识,武汉城市开发者社区主理人 擅长.net、C、python开发, 如果遇到技术问题,即可私…

数字世界的“私人车道“:网络切片如何用Python搭建专属通信高速路?

数字世界的"私人车道":网络切片如何用Python搭建专属通信高速路? 2024年6月,中国移动宣布在浙江某智能工厂完成全球首个"5G工业网络切片"规模商用——这条为生产线定制的"数字专属车道",将设备控制…

VSCode Verilog编辑仿真环境搭建

VSCode Verilog环境搭建 下载Iverilog安装Iverilog验证安装VS Code安装插件 下载Iverilog 官网下载Iverilog 安装Iverilog 一定要勾选这两项 建议勾选这两项 验证安装 运行Windows PowerShell输入命令:iverilog输入命令:Get-Command gtkwave …

C++ - 数据容器之 list(创建与初始化、元素访问、容量判断、元素遍历、添加元素、删除元素)

一、创建与初始化 引入 <list> 并使用 std 命名空间 #include <list>using namespace std;创建一个空 list list<int> my_list;创建一个包含 5 个元素&#xff0c;每个元素初始化为 0 的 list list<int> my_list(5);创建一个包含 5 个元素&#xf…

自动化测试项目1 --- 唠嗑星球 [软件测试实战 Java 篇]

目录 项目介绍 项目源码库地址 项目功能测试 1.自动化实施步骤 1.1 编写测试用例 1.2 自动化测试脚本开发 1.2.1 配置相关环境, 添加相关依赖 1.2.2 相关代码编写 2. 自动化功能测试总结 2.1 弹窗的解决相关问题 2.2 断言的使用和说明 2.3 重新登录问题 项目性能…

Codeforces Round 1022 (Div. 2)(ABC)

A. Permutation Warm-Up 翻译&#xff1a; 对于长度为 n 的排列 p&#xff0c;我们定义函数&#xff1a; 给你一个数 n。你需要计算函数 f(p) 在考虑从 1 到 n 的所有可能的数字排列时&#xff0c;可以取多少个不同的值。 思路&#xff1a; 按序排列时和为0&…

数据结构------C语言经典题目(6)

1.数据结构都学了些什么&#xff1f; 1.基本数据类型 算数类型&#xff1a; char&#xff08;字符&#xff09;、int&#xff08;整数&#xff09;、float&#xff08;单精度浮点数&#xff09;、double&#xff08;双精度浮点数&#xff09;等。 枚举类型&#xff1a; enum…

如何封装一个线程安全、可复用的 HBase 查询模板

目录 一、前言&#xff1a;原生 HBase 查询的痛点 &#xff08;一&#xff09;连接管理混乱&#xff0c;容易造成资源泄露 &#xff08;二&#xff09;查询逻辑重复&#xff0c;缺乏统一的模板 &#xff08;三&#xff09;多线程/高并发下的线程安全性隐患 &#xff08;四…

【中间件】bthread_基础_TaskControl

TaskControl 1 Definition2 Introduce**核心职责** 3 成员解析**3.1 数据结构与线程管理****3.2 任务调度与负载均衡****3.3 线程停放与唤醒&#xff08;ParkingLot&#xff09;****3.4 统计与监控** 4 **工作流程**5 **设计亮点**6 **使用场景示例**7 **总结**8 学习过程中的疑…

win11 终端 安装ffmpeg 使用终端Scoop

1、安装scoop (Windows 包管理器) Set-ExecutionPolicy RemoteSigned -Scope CurrentUser iwr -useb get.scoop.sh | iex 2、使用scoop来安装ffmpeg scoop install ffmpeg 3、测试一下ffmpeg&#xff0c;将Mp3文件转为Wav文件 ffmpeg -i A.mp3 A.wav 然后我们就看到A.wav生成…

力扣838.推多米诺随笔

“生活就像海洋&#xff0c;只有意志坚强的人&#xff0c;才能到达彼岸。”—— 马克思 题目 n 张多米诺骨牌排成一行&#xff0c;将每张多米诺骨牌垂直竖立。在开始时&#xff0c;同时把一些多米诺骨牌向左或向右推。 每过一秒&#xff0c;倒向左边的多米诺骨牌会推动其左侧…

超级好用的​​参数化3D CAD 建模​​图形库 (CadQuery库介绍)

CadQuery 库详细介绍​​ ​​CadQuery​​ 是一个基于 ​​Python​​ 的 ​​参数化 3D CAD 建模​​ 库&#xff0c;允许用户通过编写代码&#xff08;而不是传统 GUI&#xff09;来创建精确的 ​​3D 模型​​。它特别适用于 ​​自动化设计、机械工程、3D 打印​​ 等场景…

HBM的哪些事

命令操作 这也许是DDR往HBM演进的一些奇淫技巧。 本篇内容属于杂谈&#xff0c;关于HBM的奇淫技巧&#xff0c;随后出专题介绍。