- 博客(44)
- 收藏
- 关注
RSS订阅原创 使用UV管理PyTorch项目
PyTorch安装与加速器配置指南 PyTorch安装需要特殊处理，因其wheel托管在专属索引上，且针对不同加速器（CPU/CUDA/ROCM）有不同构建版本。可通过uv工具管理项目配置。
2025-07-20 10:21:27
436
原创 使用UV管理FastAPI项目
本文介绍了使用uv工具管理和部署FastAPI项目的完整流程。首先演示了如何将现有FastAPI项目迁移到uv环境，通过uv初始化项目框架并添加FastAPI依赖。其次展示了使用uv run命令运行FastAPI开发服务器的方法。最后提供了基于Docker的部署方案，包括Dockerfile编写、镜像构建和容器运行步骤，使用uv同步依赖并最终通过FastAPI运行应用。整个过程涵盖了从开发到部署的全生命周期管理。
2025-07-19 21:54:39
119
原创 使用uvx运行和安装Python应用程序
摘要：uvx工具提供了便捷的Python包管理功能，支持直接运行未安装的工具（如uvx ruff），处理包名与命令不一致的情况（使用--from选项），指定版本（如[email protected]）和额外功能（如mypy[faster-cache]）。它还支持从Git等替代源安装，管理插件依赖（--with选项），以及工具的安装（uv tool install）、升级（uv tool upgrade）和Python版本指定（--python 3.10）。安装后的工具可直接运行，但模块不会自动导入虚拟环境。
2025-07-19 10:32:29
558
原创 使用UV管理Python项目
摘要：UV是一个Python项目管理工具，通过pyproject.toml管理项目依赖。它提供uv init创建项目结构，包含虚拟环境(.venv)和锁定文件(uv.lock)。使用uv add/remove管理依赖，uv run确保环境一致性后执行脚本，uv build构建发行版。UV自动同步依赖和虚拟环境，保证项目可重现性，适合团队协作开发。主要功能包括依赖管理、版本控制、环境同步和自动化构建。
2025-07-18 09:00:22
420
原创 使用UV管理Python软件包和环境
UV是一款基于Rust开发的超快Python包和项目管理工具，可替代pip、poetry等传统工具。主要特点包括：速度比pip快10-100倍，统一管理Python版本和虚拟环境，支持复杂项目的锁定文件管理，提供pip兼容的CLI接口。支持多种安装方式（独立安装、pipx、Homebrew等），可管理Python版本安装和升级。典型用法包括：创建/激活虚拟环境，通过多种方式安装/卸载包，锁定依赖并同步环境。UV还提供包列表查看、依赖检查等功能，大幅提升Python开发效率。
2025-07-17 14:13:58
869
原创 为Ultralytics 项目设置 Conda 环境
Conda是一个强大的开源软件包和环境管理系统，特别适合数据科学和机器学习工作。摘要介绍了如何安装Anaconda、使用conda命令管理虚拟环境（创建/激活/删除环境），以及设置Conda环境来安装Ultralytics库（包括CUDA环境下的安装说明）。还提供了使用YOLO模型进行对象检测的代码示例，并介绍了Ultralytics提供的Docker镜像使用方法（支持GPU加速）。这些内容涵盖了从环境配置到实际应用的完整工作流程。
2025-07-04 16:14:30
691
原创 在内网部署Bind9 DNS服务器
本文介绍了在Ubuntu系统上安装和配置BIND9 DNS服务器的过程。BIND9是最常用的开源DNS软件，支持主/从服务器、缓存服务器等类型。文章详细说明了正向解析配置步骤，包括编辑主配置文件、创建区域文件、检查语法和重载配置。同时介绍了反向解析的应用场景和配置方法，适用于邮件验证、日志分析等需求。配置完成后可通过dig或nslookup命令测试解析效果。文中还提供了DNS转发功能的设置方法，可将非本地查询转发至公共DNS服务器。整个安装和配置过程简明实用，适合在内网环境中快速搭建DNS服务。
2025-07-03 19:22:43
1203
原创 Ultralytics YOLO超参数调整指南（二）
本文介绍了使用Ultralytics YOLO进行超参数调整的方法。主要内容包括：1)如何定义搜索空间并使用model.tune()方法进行超参数调整；2)如何恢复中断的调整会话；3)调整完成后生成的结果文件结构及其用途说明，包括最佳超参数文件、性能图表和权重文件等。文中提供了完整的代码示例和文件结构说明，帮助用户通过遗传算法优化YOLO模型的性能。该调整过程简单高效，适合系统性地提升模型表现。
2025-06-29 13:34:53
1033
原创 Ultralytics YOLO超参数调整指南（一）
摘要：本文介绍了Ultralytics YOLO的超参数调整方法，重点讲解了遗传算法优化过程。内容包括超参数类型（如学习率、批量大小等）、调整步骤（初始化、变异、训练、评估）以及默认搜索空间参数（数值范围及功能说明）。文章强调超参数调整需要确定评估指标、设置计算资源预算，并通过迭代优化模型性能。默认参数表格详细列出了20个关键参数及其取值范围，为YOLO模型优化提供了实用参考。
2025-06-28 21:28:32
1086
原创 使用Ultralytics YOLO进行数据增强
数据增强是计算机视觉领域的一项重要技术，它通过对现有图像进行各种转换，人为地扩展训练数据集。在训练深度学习模型时，数据增强有助于提高模型的鲁棒性，减少过拟合，并增强对真实世界场景的泛化。Ultralytics YOLO 提供了一整套增强技术，每种技术都有特定的用途，并以不同的方式提高模型性能。本文主要描述在检测推理时常用的数据增强功能。
2025-06-27 19:46:11
976
原创 在树莓派上使用YOLO11推理
摘要：Raspberry Pi因其低成本、紧凑性和多功能性，成为计算机视觉项目的理想平台。本文介绍了在Raspberry Pi上安装Ultralytics YOLO模型的两种方法（Docker和非Docker），推荐使用YOLO11n/s等轻量模型。重点讲解了如何将模型转换为NCNN格式提升推理性能，以及通过Picamera2或TCP流实现摄像头实时推理的方案。最佳实践包括使用SSD替代SD卡、选择无图形界面系统、合理超频等优化措施，充分发挥Raspberry Pi在边缘计算中的潜力。（150字）
2025-06-26 21:19:37
1246
原创 使用YOLO模型进行线程安全推理
在多线程环境中使用YOLO模型时，线程安全至关重要。文章指出共享单例模型实例会导致竞赛条件，建议在每个线程内独立实例化YOLO模型以确保线程安全。同时介绍了Ultralytics提供的ThreadingLocked装饰器，通过加锁机制实现共享模型实例的线程安全调用。此外，还建议考虑使用多进程并行处理或任务队列来进一步优化性能。关键结论是：避免跨线程共享模型实例，采用线程隔离或加锁机制，必要时可转向多进程方案，以确保多线程环境下YOLO模型推理的可靠性和稳定性。
2025-06-18 19:59:28
1027
原创 使用VSCode开发FastAPI指南（二）
本文介绍了在FastAPI开发中使用Redis作为持久化数据存储的具体实现方法。首先指导用户通过VSCode Dev Containers配置包含Redis的开发环境，详细说明了Windows系统下Docker容器的创建步骤和配置文件编辑。然后讲解了如何将原有的内存字典存储替换为Redis数据库，包括Redis客户端的初始化、数据结构的迁移（使用Redis哈希存储商品信息），以及如何通过hget和hincrby方法实现商品名称与ID的映射、商品数量更新等操作。教程还提供了类型提示处理、错误检查等开发细节。
2025-06-15 20:16:40
1603
原创 使用VSCode开发FastAPI指南（一）
FastAPI是一个高性能Python Web框架，适合构建API和微服务。本教程演示如何在VS Code中使用FastAPI开发杂货清单应用，包括环境设置和代码实现。首先创建Python虚拟环境并安装fastapi、redis等依赖项。然后编写基础API路由，使用Pydantic定义数据模型，实现添加/查询商品功能。教程详细介绍了调试配置、端口设置以及通过/docs界面测试API的方法。项目展示了FastAPI的自动验证、文档生成等特性，帮助开发者快速构建RESTful服务。
2025-06-12 09:29:13
1276
原创 在VSCode中使用Ultralytics扩展
VS Code 的 Ultralytics-snippets 扩展是一款提升开发效率的工具，专为 Ultralytics 应用开发设计。该扩展通过智能代码补全、预置代码片段和自动化任务，帮助开发者快速编写高质量代码。主要功能包括：1）一键插入常用代码模板（如模型初始化、结果处理）；2）支持自定义变量名和快速导航；3）覆盖关键参数、示例代码等实用类别；4）兼容 YOLO、SAM 等多种模型。安装后输入前缀「ultra」即可调用，显著简化开发流程，是高效构建 Ultralytics 应用的得力助手。
2025-06-08 19:10:02
1457
原创 YOLO11解决方案之分析
Ultralytics基于YOLO11提供了多种现实世界解决方案，包括物体计数、追踪和安全监控等功能。它支持三种数据可视化类型：折线图（适合趋势分析）、条形图（适合类别对比）和饼图（适合比例展示）。该框架提供Python API，可处理视频流并实时生成分析结果，参数包括检测置信度、跟踪算法选择和可视化选项。不同分析类型（线图、面积图、条形图、饼图）均可直观展示检测数据，适用于安防监控、交通分析等多种场景。
2025-06-07 17:29:07
891
原创 使用VSCode开发Django指南
摘要： 本文介绍了使用VSCode开发Django应用的基本流程。首先创建虚拟环境并安装Django，然后通过django-admin命令初始化项目结构，运行开发服务器验证配置。接着创建Django应用，配置URL路由和视图函数，最终实现一个简单的“Hello, Django”页面。此外，还指导如何配置VSCode的调试启动文件（launch.json），方便快速运行和调试项目。通过虚拟环境隔离依赖，结合VSCode的终端、代码编辑和调试功能，为开发者提供了高效的Django开发体验。
2025-06-06 21:14:38
1706
原创 使用VSCode开发Flask指南
摘要：本文介绍了如何在VSCode中开发一个简单的Flask应用。Flask是一个轻量级Python Web框架，依赖扩展实现表单验证、数据库等功能。文章详细讲解了创建虚拟环境、安装Flask、编写"Hello Flask"示例、使用调试器、模板渲染和静态文件管理等步骤。重点包括：通过Jinja模板引擎实现页面继承，创建代码片段提高模板开发效率，以及使用VSCode的智能提示和调试功能。
2025-06-05 09:46:22
1922
原创 使用FastAPI构建车牌检测识别服务
本文介绍了基于YOLOv11和CRNN的车牌检测识别系统。系统采用YOLOv11进行高效车牌检测，通过CCPD数据集训练获得高精度模型。识别部分使用CRNN网络，在多种车牌数据集上训练，实现准确的车牌内容识别。核心代码封装在PlateRecognizer类中，包含检测识别、结果标注等功能。该系统借助深度学习技术，实现了从输入图像到车牌识别的完整流程，具有较高的实用性和准确性，适用于多种实际应用场景。
2025-06-02 20:06:07
1102
原创 使用VSCode在WSL和Docker中开发
通过WSL，开发人员可以安装 Linux 发行版，并直接在 Windows 上使用 Linux 应用程序、实用程序和 Bash 命令行工具，不用进行任何修改，也无需使用传统虚拟机或设置成双启动系统。借助 Docker Desktop for Windows 中支持的 WSL 2 后端，可以在基于 Linux 的开发环境中工作并生成基于 Linux 的容器，同时使用 Visual Studio Code 进行代码编辑和调试。
2025-05-31 15:03:20
1551
原创 YOLO11解决方案之语义图像搜索
本方案使用OpenAI CLIP、Meta FAISS 构建语义图像搜索引擎，通过将 CLIP 强大的可视化语言嵌入与 FAISS 高效的近邻搜索相结合，使用自然语言查询检索相关图像。本方案使用Flask构建演示WEB Server，建立了一个功能齐全的WEB图像搜索系统。
2025-05-27 11:13:53
853
原创 YOLO11解决方案之区域追踪探索
TrackZone 用来监控指定区域内的目标，而不是整个画面，它基于 Ultralytics YOLO11，专门在视频和实时摄像机传输的区域内集成了目标检测和跟踪功能。YOLO11 TrackZone 的先进算法和深度学习技术使其成为实时应用的完美选择，可在人群监控和安防等应用中提供精确、高效的目标跟踪。
2025-05-25 21:04:57
1267
原创 YOLO11解决方案之使用 Streamlit 应用程序进行实时推理
Streamlit 使构建和部署交互式网络应用程序变得简单，将其与Ultralytics YOLO11 结合使用，可以直接在浏览器中进行实时对象检测和分析。YOLO11 的高精度和高速度确保了实时视频流的流畅性能，能够帮助用户快速分析视频流。
2025-05-24 16:33:03
706
原创 YOLO11解决方案之速度估算探索
YOLO11速度估计结合物体检测与跟踪技术，通过计算物体在帧间的移动距离和帧频来估算速度，适用于交通分析、自动驾驶和安全分析等场景。本文展示了如何使用Python实现速度估计的演示界面，支持在图像中画线或框，并输出叠加了类别和速度的视频。文章还介绍了基于Tkinter的GUI演示程序，用户可以通过界面打开视频文件、绘制检测区域，并实时查看物体速度信息。
2025-05-23 20:29:00
1114
原创 YOLO11解决方案之VisonEye对象映射
Ultralytics的VisionEye解决方案利用YOLO模型实现物体识别与跟踪，模拟人眼视角，从固定点聚焦并绘制物体路径。其核心功能包括物体检测、跟踪和空间关系可视化，适用于安防监控、零售分析、运动分析、自动驾驶及人机交互等场景。通过结合距离计算或速度估算，VisionEye可构建更复杂的综合系统。演示代码展示了如何使用VisionEye处理视频，并实时显示物体与视觉点之间的距离。
2025-05-21 13:24:14
1352
原创 YOLO11解决方案之实例分割与跟踪探索
实例分割是一项计算机视觉任务，涉及在像素级别识别和勾勒图像中的单个对象。与只按类别对像素进行分类的语义分割不同，实例分割对每个对象实例进行唯一标记和精确划分，因此对于需要详细空间理解的应用（如医疗成像、自动驾驶和工业自动化）来说至关重要。
2025-05-19 20:42:06
1417
原创 YOLO11解决方案之锻炼监测探索
在运动评估方面，YOLO11能够实时准确地跟踪身体关键点和关节，提供即时反馈、跟踪锻炼程序并测量性能指标，从而优化训练课程。文章还提供了使用YOLO11进行锻炼监测的演示代码，并详细介绍了YOLO11姿势模型中的17个关键点及其对应的人体部位。此外，文章还讨论了AIGym参数设置，包括基本参数、物体跟踪参数和可视化参数，并通过仰卧起坐和跳绳的测试效果展示了如何调整参数。
2025-05-18 09:39:11
1380
原创 YOLO11解决方案之对象裁剪探索
对象裁剪是指从图像或视频中分离并提取特定的检测对象，YOLO11 模型功能可用于准确识别和划分物体，从而实现精确裁剪，以便进一步分析或处理。使用YOLO11 可以方便的对目标对象进行裁剪，可对场景中的单个项目进行深入检查或处理，同时可以显著降低数据量，方便传输和存储。
2025-05-16 20:32:42
379
原创 YOLO11解决方案之距离计算探索
测量两个物体之间的间距被称为特定空间内的距离计算，YOLO11使用两个边界框的中心点计算距离。使用距离计算，可以提供计算机视觉任务中比较精确的空间定位，分析视频环境中的对象关系，通过监控移动物体之间的距离，使系统能够检测到潜在的碰撞，为自动驾驶或者交通监控等应用提供更好的空间场景理解能力。
2025-05-15 21:58:07
1082
原创 YOLO11解决方案之队列管理探索
队列管理涉及组织和控制排队的人员或车辆，以减少等待时间并提高效率。在市内交通、港口、零售、机场及其他服务业等各种环境中，它涉及优化队列，以提高客户满意度和系统性能。YOLO11队列管理可提供队列长度和等待时间的即时数据，使管理人员能够快速做出明智决策。
2025-05-15 15:40:04
850
原创 YOLO11解决方案之热力图探索
使用YOLO11生成的热力图把复杂的数据转换成生动的彩色编码矩阵。这种可视化工具采用色谱来表示不同的数据值，暖色调表示较高的强度，冷色调表示较低的值。热力图在可视化复杂的数据模式、相关性和异常情况方面表现出色，为不同领域的数据解读提供了一种直观可视化方法。
2025-05-14 20:58:03
978
原创 YOLO11解决方案之物体模糊探索
物体模糊是指对图像或视频中的特定检测对象应用模糊处理，这可以利用YOLO11 模型的功能来识别和处理给定场景中的物体，保护隐私权或隐藏敏感信息。
2025-05-13 22:17:17
652
原创 YOLO11解决方案之物体计数探索
YOLO11 在实时应用中表现出色，凭借其先进的算法和[深度学习](https://www.ultralytics.com/glossary/deep-learning-dl)能力，可为人群分析、交通分析和移动监控等各种场景提供高效、精确的物体计数。本文使用Python实现了简单的演示界面，可以在图像中画线或者框，运行推理，输出计数结果。
2025-05-10 18:39:13
1529
原创 YOLO11预测返回结果plot方法解析
YOLO11 predict()返回Results对象，检测任务的主要数据包括原始图像、原图像尺寸、边界框、类别及其置信度、xywh（中心坐标、宽度和高度）及其归一化数据、xyxy（左上、右下坐标）及其归一化数据。其他任务的推理返回结果包含其特定的数据。
2025-05-08 20:37:35
1760
原创 使用YOLO11-OBB进行停车场检测
OBB定向物体检测在标准物体检测基础上，引入了一个额外的角度来更准确地定位图像中的物体，能够更准确的预测物体的形状、运动方向等特征。
2025-05-05 17:53:18
1366
原创 YOLO11-classify预测返回结果分析
图像分类是YOLO任务中最简单的一项，涉及将图像内容归入一组预定义类别中的某一类。图像分类器的输出是单一类别标签和置信度分数。当你只需要知道图像属于哪一类，而不需要知道该类对象的位置或确切形状时，图像分类就非常有用。
2025-05-01 13:31:03
1017
原创 YOLO11-SEGMENT预测返回结果分析
实例分割模型的输出是一组勾勒出图像中每个物体的遮罩或轮廓，以及每个物体的类标签和置信度分数。当你不仅需要知道物体在图像中的位置，还需要知道它们的具体形状时，实例分割就非常有用了。
2025-04-30 08:20:39
1390
原创 YOLO11-POSE预测返回结果分析
姿态估计是一项涉及识别图像中特定点（通常称为关键点）位置的任务。关键点可以代表物体的各个部分，如关节、地标或其他显著特征。关键点的位置通常用一组二维 [x, y] 或 三维 [x, y, visible] 坐标。
2025-04-28 15:02:50
1243
原创 YOLO11-OBB预测返回结果分析
相比标准物体检测，OBB引入了一个额外的角度来更准确地定位图像中的物体，预测输出是一组精确包围图像中物体的旋转边界框。当物体以不同角度出现时，定向边界框尤其有用，例如在航空图像中，传统的轴对齐边界框可能会包含不必要的背景。YOLO-obb 预测返回的是Python list类型的 Results 对象，包含的数据项很多，结构比较复杂，本文进行详细介绍。
2025-04-27 20:24:58
1281
基于VSCode的Django开发入门：创建、调试与模板化Web应用
2025-06-06
Web开发使用VSCode构建Flask应用入门教程
2025-06-04
【Python编程】Python安装与基础使用教程：涵盖安装步骤、环境配置及第三方模块安装方法
2025-05-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人