前面看spring源码时可以发现refresh()方法十分重要。在这个方法中会加载beanDefinition,同时创建bean对象。那么在springboot中有没有使用这个refresh()方法呢? 参考视频:https://www.bilibili.com/video/BV1Bq4y1Q7GZ?p=6 通过视频的学习和自身的理解整理出的笔记。 一、前期准备 1.1 创
前言 在项目中我们创建了Controller,这个Controller是如何被spring自动加载的呢?为什么Controller必须放在启动类的同级目录下呢? 参考视频:https://www.bilibili.com/video/BV1Bq4y1Q7GZ?p=6 通过视频的学习和自身的理解整理出的笔记。 一、前期准备 1.1 创建工程 创建springboot项目,
一、核心组件 1.1 SecurityContextHolder类1.1.1 概念SecurityContextHolder看名知义,他是一个holder,用于持有的是安全上下文(security context)的信息。SecurityContextHolder记录如下信息:当前操作的用户是谁,该用户是否已经被认证,他拥有哪些角色或权限等等。 在典型的web应用程序中,用户登录一次,然后由其
文章目录 1 导入图片和标注生成三维图像 1 导入图片和标注生成三维图像 ⭐ 导入医学图像(nii.gz文件) File - Open Main Image - Browse… - Next 此时可以以此看到该图像的: 水平面(横断面),从头顶往下,Transverse plane 矢状面,从左到右,Sagittal plane 冠状面,
1. 概念 1.1 nii格式nii 格式是保存医学图像非常重要一种格式,nii 格式就是后缀名为 .nii 或 .nii.gz 的文件,该格式又叫 NIfTI-1。核磁共振成像(MRI)或者CT图像通常会以这种格式保存。详见 这种格式的作用,简单来理解就是将索引坐标映射到体素坐标。在nii格式中,为了将索引坐标(数组下标)映射到体素坐标(空间坐标),除了保存图像的数据外,即一个个离散的像素,
1. 函数语法格式 官方链接 torch.nn.MaxPool2d( kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False ) 2. 参数解释 kernel_size (int or tuple)【必选】:max p
目录 一、复化梯形公式求积分1.1 题目1.2 程序1.3 运行结果二、复化梯形公式求二重积分2.1 题目2.2 程序2.2.1 二重积分通用程序2.2.2 主函数程序2.3 运行结果 一、复化梯形公式求积分 1.1 题目 利用复化梯形公式计算I ( f ) = ∫ 1 5 s i n x x d x I(f) = \int_1^5{\frac{sinx}{x}dx}I(f)=∫15xsi
效果图 文章目录 1. window_transform 2. extract_max_slice 3. extract_max_slice_with_seg 1. window_transform 可以让图片更好看一点 def window_transform(ct_array, wind
评价指标 0. 前置知识 1. Dice 2. IoU 3. ROC曲线 0. 前置知识 ⭐ P 1 P_1P1、P 0 P_0P0、T 1 T_1T1、T 0 T_0T0 P 1 P_1P1:预测的脑肿瘤区域P 0 P_0P0:预测的正常脑区域T 1 T_1T1:真实的脑肿瘤区域(Ground Truth)T 0 T_0T0:真实的正常脑区域
文章目录 1. 函数语法格式 2. 参数解释 3. 实验测试 1. 函数语法格式 官方手册链接 torch.nn.functional.interpolate( input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompu
文章目录 1. 函数语法格式 2. 参数解释 3. 尺寸关系 4. 使用案例 5. nn.functional.conv2d 1. 函数语法格式 CONV2D官方链接 torch.nn.Conv2d( in_channels, out_channels, kernel_size, stride=1, pad
需要安装依赖 itk 和 vtk,效果如下 代码 import itk from vtkmodules.vtkCommonColor import vtkNamedColors from vtkmodules.vtkFiltersGeneral import vtkDiscreteMarchingCubes from vtkmodules.vtkRenderingCore impor
1. 仅保存权重信息 # 模型路径 path = "state_dict_model.pt" # 保存 torch.save(model.state_dict(), path) # 加载 model = Network() # 将训练好的权重加载到模型中 model.load_state_dict(torch.load(path)) 2. 保存全部信息 # 对整个模
内容列表 一、源码下载 二、代码修改 2.1 运行demo 2.2 使用自己的h5 2.2.1 my_classes.txt 2.2.2 model.py 2.2.3 utils.py 2.2.4 yolo.py 2.2.5 yolo3.cfg 一、源码下载 源码下载:https://github.com/Qidian213/dee
1 环境配置 1.1 源码下载 Github:deep_sort_pytorch 1 下载YOLOv3参数https://pjreddie.com/media/files/yolov3.weightshttps://pjreddie.com/media/files/yolov3-tiny.weights 放在detector/YOLOv3/weight/目录下。 2 下载deepsort
这些是GitHub上的源码,下载之后均要修改一下。keras-yolo v3 源码:https://github.com/qqwweee/keras-yolo3mAP计算代码:https://github.com/Cartucho/mAP 上一篇博客【目标检测】基于YOLOv3的海上船舶目标检测分类(Tensorflow/keras)记录了我训练模型的过程。 计算mAP,直接运行项目中ma
混淆矩阵:True Positive、False Negative、False Positive、True Negative一级指标:准确率(Accuracy)、精确率(Precision)、灵敏度(Sensitivity)(就是召回率Recall)、特异度(Specificity)二级指标:mAP 一、混淆矩阵 先理解一下,TP、TN、FP、FN的含义: 字母 含义
本篇博客主要解决以下3个问题: 如何自定义网络(以VGG19为例)。 如何自建数据集并加载至模型中。 如何使用自定义数据训练自定义模型。 Github:https://github.com/MarvelInSky/vgg_classify 1 vgg_model.py 在PyTorch深度学习框架下,自定义一个模型均通过继承nn.Module类来实现,需要在in
本篇博客主要解决以下3个问题: 如何自定义网络(以VGG19为例)。 如何自建数据集并加载至模型中。 如何使用自定义数据训练自定义模型。 Github:https://github.com/MarvelInSky/vgg_classify 一、VGG简介 VGG的网络结构如下,本篇博客以VGG19(E列),过多内容不再介绍。 二、数据集介绍 Animal
最近开始学习TensorFlow,需要配置GPU环境,为什么要配置GPU环境呢?因为CPU 版本无法利用 GPU 加速运算,计算速度相对缓慢,而GPU得速度要比CPU快很多。 配置GPU环境,需要安装CUDA、cuDNN。这两个是什么,刚开始我也是一脸懵逼。所以在此记录我所学习到的一些概念和安装的步骤,以备不时之需。 推荐方案:使用Anaconda安装tensorflow-gpu。推荐步骤:2
相关内容:【目标检测】基于YOLOv3的海上船舶目标检测分类(Tensorflow/keras) 内容列表 一、环境配置 1.1 配置GPU环境。 1.2 虚拟环境与依赖 二、数据集制作 2.1 数据集制作 2.2 生成ImageSets 三、代码 3.1 下载源码 3.2 修改yolov3-tiny.cfg 3.3 转换权重文件 3.4 修改voc_annotation 3.
前言 采用YOLOv5训练自己的数据集。 项目源码:https://github.com/ultralytics/yolov5 数据集制作教程:https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data 一、准备环节 计算机环境:Win10 + Python3.8 + cuda10.1主要依赖:
前言 本篇博客为博主毕设的一部分,此部分主要解决海上船舶目标实时分类检测。在Tensorflow的环境下,采用YOLOv3(keras)算法,最终mAP可达到95.66%,下面详细的介绍了我的训练过程。 Seaship数据集:下载 下面为部分检测结果的截图: 第二部分:【目标检测】基于yolo3和sort的多目标检测与跟踪 文章目录 一、准备
前言 本来是毕业论文的一部分,但是一直懒得写复现过程,不过最近又要做相关的内容了,所以重新搞了搞,简单的写一下过程。 yolo3论文:https://arxiv.org/abs/1804.02767yolo3源码:https://github.com/qqwweee/keras-yolo3 sort论文:https://arxiv.org/abs/1602.00763sort
效果图 三幅图像分别为矫正前、校正后和裁减后的图片。 矫正后的图像有些奇怪,需要把无用的部分裁剪掉。 代码 步骤一:拍摄棋盘图片 运行该程序,按空格键拍摄棋盘信息(注意拍摄的棋盘要完整),拍摄20张左右即可,按q键退出。 import cv2 # 图片保存路径 IMG_SAVE_PATH = "img/" if __name__ == '__main__':
前一阵在做机械臂下井字棋的综合设计,在网上直接购买了一套机械臂装置(包括机械臂,摄像头,树莓派,花费1600元),机械臂不是很高级、精度很低。源码里提供识别红绿蓝三种颜色方块的识别和抓取。 经过多次尝试,最终决定井字棋的棋子也采用3cm * 3cm * 3cm的颜色方块。今天就来写一些第一步,而第一步就是解决识别颜色方块的问题。 演示效果图手移动方块,外轮廓始终贴合方块边缘。 代码 使用笔
一、下载安装插件 插件名称:sw2urdfSetup 下载地址:https://github.com/ros/solidworks_urdf_exporter/releases/tag/1.6.0 下载后直接安装即可。安装成功后,可在SolidWorks的菜单栏中看到:工具—Tools—Export as URDF 二、导出模型步骤1:打开已经构建好的装配图文件,并保证模型为初始位置。
本文主要介绍如何将CoppeliaSim与Python联合起来进行仿真, 针对于他们直接的联合控制进行配置。 一、The B0-based remote API 这是官方对两个API的说明: 链接:https://www.coppeliarobotics.com/helpFiles/en/remoteApiOverview.htm 基于B0的远程API:这表示远程API的第二
使用Qt Creater打开项目,项目结构如下: 目录 1 qgcgroundcontrol.pro 2 _.pri 3 Headers&Sources 4 Reources 1 qgcgroundcontrol.pro qgroundcontrol.pro是项目的工程文件,pro文件内具有很多关键字: 关键字
CoppeliaSim软件下载:https://www.coppeliarobotics.com/downloadsCoppeliaSim用户手册:https://www.coppeliarobotics.com/helpFiles/index.htmlBubbleRob Tutorial:https://www.coppeliarobotics.com/helpFiles/en/bubbleRo
一、相关网站介绍开源代码的下载、配置、结构等:QGC Dev Guide:https://dev.qgroundcontrol.com/master/en/ QGC的使用手册:QGC User Guide:https://docs.qgroundcontrol.com/master/en/index.html QGC各个版本的开源代码及安装包:QGC Github:https://github
前言: 现在QGC最新的版本为v4.1.1,但是网上的教程主要都是针对于3.x的版本,但是许多3.x版本中的文件在4.x中已经不存在了,所以为了方便学习开发,选择安装QGC3.4稳定版。 https://github.com/mavlink/qgroundcontrol/tree/Stable_V3.4 一、软件软件 版本Qt 5.11.0Visual Studio 2
版本信息 软件 版本 QGC V3.4 Qt 5.11.0 Visual Studio 2015 软件架构 // main.cc内209行 QGCApplication* app = new QGCApplication(argc, argv, runUnitTests) QGCApplication在
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信