【轻量化神经网络的MCU部署/边缘计算：基于GD32H7】开源GD32AI-ModelZoo工具的完善与详细使用说明

本文档将对gd32ai-modelzoo中的使用方法进行更加细致的介绍。并对原博主提供的gd32ai-modelzoo部分代码进行了修改，使其可以更加顺利地运行。

原开源工程地址：https://github.com/HomiKetalys/gd32ai-modelzoo
原作者博客：https://mbb.eet-china.com/forum/topic/140687_1_1.html

本文档开源工程地址：https://download.csdn.net/download/qq_44897194/89569963

阅读此文当前，请先仔细阅读gd32ai-modelzoo\object_detection\yolo_fastestv2目录中的README.md文件和原作者的博客，其中包含了目标检测工程的详细使用步骤。此文档只用于自己移植使用过程中的补充说明。并且此文档之研究了目标检测的代码，没有对分类任务的代码进行调整。
在这里插入图片描述
★★★后续文档中出现的代码指令或者python文件，若其中出现路径，都需要根据自己的实际路径进行修改。此点后续不再说明！！！

STEP1：下载GD32AI工程文件（推荐在Windows中进行）

★以下针对原gd32ai-modelzoo开源项目。若使用该修改后的工程可直接下载。
▲1. 安装GIT
▲2. 通过GIT CMD打开命令窗口
▲3. cd 命令定位到待保存的目录
▲4. 使用命令进行下载

git clone https://github.com/HomiKetalys/gd32ai-modelzoo

▲5. 使用命令初始化和更新工程中的部分文件（该项必须使用，否则工程不完整）。

git submodule update --init --recursive

完成后会发现，工程中的
gd32ai-modelzoo\common_utils\facelandmarks文件夹
gd32ai-modelzoo\common_utils\onnx2tflite文件夹
gd32ai-modelzoo\image_classfication\submodules\ml_fastvit文件夹
gd32ai-modelzoo\object_detection\submodules\Yolo_FastestV2文件夹
均被更新并已下载完相关文件。

若使用本文档配套代码，则不需要上述第5个指令，直接下载所有文件即可。

STEP2.1：下载和处理数据集（需要与训练时所用系统相同）

▲1. 从COCO数据集官网进行下载：https://cocodataset.org/#download
在这里插入图片描述
点击官网最上方的文件即可下载对应数据集文件：
我们只需要下载：
在这里插入图片描述
在这里插入图片描述
共3个文件。
（若直接点击无法下载，可能是被拦截，将其拖入新的标签页即可）
下载完整后，将其复制进想要保存的文件夹中，直接解压3个压缩包；
目录结构如下（略微进行了调整，删去了image文件夹）：

  COCO2017├── train2017│   ├──000000000009.jpg|    ...│   └──000000581929.jpg├── val2017│   ├──000000000139.jpg|    ...│   └──000000581781.jpg└── annotations├── instances_train2017.json└── instances_val2017.json


▲2. 使用工程中的脚本文件gd32ai-modelzoo\common_utils\coco2yolo.py对数据集进行格式转换，
仔细观察COCO数据集文件结构和下方指令，补充好指令中“···”处的路径。

（特别注意：推荐输出保存的路径与原图片路径一致，否则之后的训练指令可能报错：数据集图片路径无法找到）

1.训练集转换
python coco2yolo.py --images_path "../../datasets/COCO2017/coco80/train2017" --json_file "../../datasets/COCO2017/coco80/annotations/instances_train2017.json" --ana_txt_save_path "../../datasets/COCO2017/coco80/train2017" --out_txt_path "../../datasets/COCO2017/coco80/train2017.txt"2.验证集转换
python coco2yolo.py --images_path "../../datasets/COCO2017/coco80/val2017" --json_file "../../datasets/COCO2017/coco80/annotations/instances_val2017.json" --ana_txt_save_path "../../datasets/COCO2017/coco80/val2017" --out_txt_path "../../datasets/COCO2017/coco80/val2017.txt"

也可以直接修改coco2yolo.py文件中的相关路径，然后直接运行指令 python coco2yolo.py
在这里插入图片描述
使用成功后就会发现，原数据集中多出了train2017.txt和val2017.txt两个文本文件，其中分别保存了数据集和验证集的原始图片路径；并且原数据集图片所在目录中，多出了保存每张图片对应标签的文本文件。

Windows指令：

python coco2yolo.py --images_path "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\train" --json_file "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\annotations\instances_train.json" --ana_txt_save_path "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\train" --out_txt_path "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\train.txt"python coco2yolo.py --images_path "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\val" --json_file "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\annotations\instances_val.json" --ana_txt_save_path "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\val" --out_txt_path "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\val.txt"

Linux指令

python coco2yolo.py --images_path "/home/dwy/test/datasets/obstacle_coco/train" --json_file "/home/dwy/test/datasets/obstacle_coco/annotations/instances_train.json" --ana_txt_save_path "/home/dwy/test/datasets/obstacle_coco/train" --out_txt_path "/home/dwy/test/datasets/obstacle_coco/train.txt"python coco2yolo.py --images_path "/home/dwy/test/datasets/obstacle_coco/val" --json_file "/home/dwy/test/datasets/obstacle_coco/annotations/instances_val.json" --ana_txt_save_path "/home/dwy/test/datasets/obstacle_coco/val" --out_txt_path "/home/dwy/test/datasets/obstacle_coco/val.txt"

STEP2.2：采集自己的数据集（推荐在Windows中进行）

▲1. 采集图片，可选择任意方式进行数据集图片采集，包括但不限于网络爬取、手机怕拍照采集、实际工程所用的摄像头采集。（若使用实际工程所用的摄像头进行采集，例如需要使用STM32 + OV5640进行识别，则可通过STM32的照相机实验进行图片采集，并保存到SD卡中）

▲2. 导出SD卡中的图片。（若使用STM32采集，则可能保存的时BMP格式图片，需要使用软件或脚本转换成JPG格式图片，此过程可自行百度。本工程使用的是迅捷图片转换软件：需要会员）

▲3. 创建数据集所需的文件夹结构，并存入原始JPG图片，文件夹结构目录如下（此处可自行设计）：

  OBSTACLE2024├── obstacle_coco            （与COCO数据集格式相同）│   ├── annotations           (最后的COCO格式标签文件夹)│   ├── train                （训练集图片文件夹）│   └── val                  （验证集图片文件夹）│└── obstacle_labelme         （原始labelme所需文件夹结构）├── raw_picture          （原始所有未划分的JPG图片）├── labelmejson_train    （训练集labelme标签文件夹）├── labelmejson_val      （验证集labelme标签文件夹）├── train                （训练集图片文件夹）└── val                  （验证集图片文件夹）

▲4. 把采集到的原始图片全部复制到raw_picture文件夹中，进入gd32ai-modelzoo/common_utils文件夹，并运行指令：

python picture_divide.py

把原始图片按比例划分为训练集和验证集，并分别保存到OBSTACLE2024/obstacle_labelme/train和OBSTACLE2024/obstacle_labelme/val路径下（注意修改picture_divide.py中的路径和划分比例）
在这里插入图片描述
▲5. 使用labelme软件进行标签制作（该软件使用难度不大，网上有很多安装和使用教程）。

  • 训练集标注：设置打开目录为OBSTACLE2024/obstacle_labelme/train；设置输出目录为OBSTACLE2024/obstacle_labelme/labelmejson_train。
  • 验证集标注：设置打开目录为OBSTACLE2024/obstacle_labelme/val；设置输出目录为OBSTACLE2024/obstacle_labelme/labelmejson_val。

▲6. 标注完成后，进入gd32ai-modelzoo/common_utils文件夹，并运行指令：

python labelme2coco.py

根据实际的划分类别和在Labelme中做的标签，对字典进行修改：
在这里插入图片描述
把labelme格式的标注文件转换成coco格式的标注文件（注意修改labelme2coco.py文件中的训练集和验证集选择变量和路径，需要把Train_or_Test变量设置成0、1，各运行一遍程序，从而分别完成对训练集和验证集的转换。）
在这里插入图片描述
补充：labelme的标注文件是每张图片对应一个json文件，coco的标注文件将训练集/验证集的所有图片整合成一个json文件。

至此，制作自己的数据集已完成，后续可同样采用2.1中的步骤进行coco格式到yolo所需格式的转换

STEP3：模型训练（推荐在Linux服务器中进行，没有条件也可以使用Windows）

环境配置

建议使用anaconda创建虚拟环境进行环境配置（网上有很多教程）
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple（使用这个下载更快，且更容易找到包）
yolo_fastestv2所需

torchvision==0.10.0
tqdm==4.59.0
opencv_python==4.2.0.34
torchsummary==1.5.1（此包只有使用清华镜像才可以下载windows版本）
torch==1.8.1（同时需要搭配对应的cudatoolkit和cudnn）
numpy==1.19.5（此处有误，需要至少为1.23.4，否则导出模型时会出现module 'numpy' has no attribute 'object'）

onnx2tflite所需

onnx==1.10.0
onnxruntime
onnx-simplifier
numpy==1.19.5
tensorflow>=2.5（2.10也可以，不需要下载对应的cuda和cudnn，因为不需要使用tensorflow的gpu训练）
opencv-python
matplotlib（需要加上，源文件没有提到）
timm（需要加上，源文件没有提到）

生成YOLO所需的Anchors

进入gd32ai-modelzoo/object_detection/yolo_fastestv2文件夹
使用脚本genanchors.py，输入命令（注意修改输入模型的尺寸）

python genanchors.py --traintxt "{datasets_root}/COCO2017/train2017.txt" --output_dir "./" --label_flag "coco_80" --num_clusters 6 --input_width 256 --input_height 256linux系统中：
python genanchors.py --traintxt "/home/dwy/test/datasets/COCO2017/coco80/train2017.txt" --output_dir "./" --label_flag "coco_80" --num_clusters 6 --input_width 256 --input_height 256python genanchors.py --traintxt "/home/dwy/test/datasets/obstacle_coco/train.txt" --output_dir "./" --label_flag "abstacle" --num_clusters 6 --input_width 192 --input_height 192windows系统中：
python genanchors.py --traintxt "C:\Users\DWY\Desktop\test\datasets\COCO2017\coco80\train2017.txt" --output_dir "./" --label_flag "coco_80" --num_clusters 6 --input_width 192 --input_height 192

会发现目录中出现anchors6.txt文件夹，其中包含了6个anchors的尺寸（修改配置文件时将用到）
可能出现错误：
错误1：AttributeError: module ‘numpy’ has no attribute ‘float’.
原因，numpy版本下载不正确，需要下载1.23.4

修改配置文件

修改gd32ai-modelzoo/object_detection/yolo_fastestv2/configs中的coco_sp.data文件：

[name]
model_name=coco[train-configure]
epochs=200              # 训练总epoch数，可自行修改
steps=50,100            # 多步学习率衰减相关参数，可自行修改
batch_size=64           # 批大小，可根据训练机器的性能自行修改
subdivisions=1
learning_rate=0.001     # 学习率，可自行修改[model-configure]
pre_weights= pretrain   # 预训练权重，可是这位None、pretrain或路径，可默认为pretrain
classes=80              # 类别数，可根据数据集自行修改
width=192               # 输入宽度，可自行修改（需要与上面python genanchors.py指令中的设置相同）
height=192              # 输入高度，可自行修改（需要与上面python genanchors.py指令中的设置相同）
anchor_num=3            
separation=4            # 分离式结构（原博主说明该结构是为了减小最大RAM占用），先按默认设置进行训练部署
separation_scale=2
conf_thr=0.1
nms_thr=0.5
iou_thr=0.4
anchors=6.96682733,10.72855861 ,21.39902717,28.37262097 ,31.57415048,74.69314652 ,71.51949295,118.82159896 ,77.94421348,43.19736247 ,154.48875554,139.59583662
# anchors修改为anchors6.txt文件中的内容[data-configure]
label_flag=coco_80
train=C:\Users\DWY\Desktop\test\datasets\COCO2017\coco80\train2017.txt  # 修改为训练集的路径txt文件
val=C:\Users\DWY\Desktop\test\datasets\COCO2017\coco80\val2017.txt      # 修改为验证集的路径txt文件
names=./configs/coco.names                                              # 类别名字，若使用自制数据集需要修改

其余没有注释的参数可不用修改，理解代码后可根据需要修改。

训练

若直接通过Vscode运行程序出现路径无法找到的情况（调试模型时使用），可以参考该方法：https://www.cnblogs.com/justsoso8/p/17756421.html
但是此方法在使用debug调试运行时仍然无效，需要在main文件中开头添加下述代码：

import os
import sys
os.chdir(sys.path[0])

可以强制使工作目录设置为当前运行python文件所在目录。

在train.py开头添加路径，用于导入根目录中的库，否则会找不到common_utils

import sys
sys.path.append('../../')

输入指令：

python train.py --data configs/coco_sp.data

模型默认设置每10个epochs保存一次。
可通过修改gd32ai-modelzoo/object_detection/yolo_fastestv2/submodules\Yolo_FastestV2文件夹中的train.py进行修改
在这里插入图片描述
注意：定位损失使用CIOU可能会导致loss出现nan的情况导致训练失败，可切换为DIOU解决问题。

STEP4.1：导出模型并验证（该步骤用于验证元模型性能，若部署非必须）

先在pytorch2tflite.py开头添加路径，用于导入根目录中的库，否则会找不到common_utils

import sys
sys.path.append('../../')

务必注意修改modelzoo文件夹里配置文件【data文件】中训练集和验证集的路径，否则会出现路径报错

train=/home/dwy/test/datasets/COCO2017/coco80/train2017.txt
val=/home/dwy/test/datasets/COCO2017/coco80/val2017.txt

输入指令：输入为权重和模型，输出为onnx，tflite格式模型，convert_type为0是输出onnx，为1时先经过onnx再经过tflite。

 python pytorch2tflite.py --data ./modelzoo/coco_sp_0005/coco_sp.data --model_path ./modelzoo/coco_sp_0005/best.pth --convert_type 1 --tflite_val_path "../../../datasets/COCO2017/coco80/val2017"

STEP4.2：部署网络（推荐在Windows中进行）

注意修改配置文件的相关路径（使用Linux训练和Windows上部署的数据集路径不同）
该部分推荐在windows上进行，因为linux上操作STM32Cube和Keil不方便

相关软件下载：

  1. 下载STM32CubeMX软件，并安装STM32CUBE-AI 8.0.1包；下载地址
  2. 下载keil软件；下载地址
  3. 下载Download gcc-arm-none-eabi 10.3-2021.10；（若不使用GCC编译，可选择ARMCC编译，则不需要下载该内容）下载地址
  4. 下载GD32H7xx AddOn芯片包；下载地址

！！！特别注意，最新版的STM32Cube下载Cube-AI时，只会下载核心部分，不会自动下载exe相关文件，导致模型无法转成C文件。需要再Cube中创建工程并使用AI工具，才会自动下载对应的exe文件（否则无法把模型转成C文件。具体如下图
观察到从5.1.2版本开始，大小明显减小，主要就是缺少了exe相关支持。（仔细阅读deploy.py中的代码会发现，把模型转成C语言文件会调用···/Utilities/windows/stm32ai.exe文件）
在这里插入图片描述
随便创建一个工程
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
点击OK后，即会自动下载AI的exe相关文件。

修改deploy.py中的val_paths和–stm32cubeai_path（根据自己下载的位置：STM32CubeMX下载的库会有一个默认的下载地址，在help中可以查看）
在这里插入图片描述
若训练和部署没有使用同一个设备进行，并且在进行模型转换部署时将deploy.py中的验证功能打开，如下图所示。则需要执行STEP4.1中一样的步骤，修改modelzoo文件夹里配置文件【data文件】中训练集和验证集的路径，否则会出现路径报错，无法进行模型验证。
在这里插入图片描述
把训练输出文件夹复制到modelzoo文件夹中（训练输出文件在gd32ai-modelzoo\object_detection\yolo_fastestv2\results\train路径下）。
在这里插入图片描述
输入命令：（特别注意：compiler为0时，使用Keil自带的ARMCC编译器；为1时使用GCC；若不使用GCC，则不用下载GCC，其余路径根据实际情况进行修改）

python deploy.py --data modelzoo/coco_sp_0005/coco_sp.data --model_path modelzoo/coco_sp_0005/best.pth --convert_type 1 --tflite_val_path "../../../datasets/COCO2017/coco80/val2017" --gd32_project_path deployment/gd32h759IMK6_ARMCC_test --series h7 --compiler 0python deploy.py --data modelzoo/coco_sp_0005/coco_sp.data --model_path modelzoo/coco_sp_0005/best.pth --convert_type 1 --tflite_val_path "C:\Users\DWY\Desktop\MCU_AI\datasets\OBSTACLE2024\obstacle_coco\val" --gd32_project_path deployment/gd32h759IMK6_ARMCC_test --series h7 --compiler 0

之后将会生成输出工程，路径为gd32ai-modelzoo\object_detection\yolo_fastestv2\results\deploy，需要根据理解进行移植，主要就是将Edge_AI文件夹中的所有文件加入自己的工程中，并使用起来。
主要使用的代码是：

#include "ai_model.h"				  // 使用AI需要引入的头文件AI_Init(IMAGE_WIDTH,IMAGE_HEIGHT,0);  // AI_初始化函数AI_Run((u8 *)frame);                  // 目标检测函数

具体使用方法可借鉴：gd32ai-modelzoo\object_detection\yolo_fastestv2\deployment 路径下的Keil工程代码（main.c文件中）

想要顺利跑通完整的神经网络嵌入式部署需要不少努力。过程中可能会因为各自的硬件环境出现各种各样的问题，希望大家可以耐心解决，并欢迎在评论区讨论。

最后，十分感谢GD32AI-ModelZoo的原作者，为神经网络在的GD32上的部署开拓了道路。若有相关问题，大家也可以去原作者博客中讨论！！！

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://xiahunao.cn/news/3268845.html

如若内容造成侵权/违法违规/事实不符，请联系瞎胡闹网进行投诉反馈，一经查实，立即删除！

相关文章

Springboot项目的行为验证码AJ-Captcha（源码解读）

Springboot项目的行为验证码AJ-Captcha（源码解读）

目录 前言1. 复用验证码2. 源码解读2.1 先走DefaultCaptchaServiceImpl类2.2 核心ClickWordCaptchaServiceImpl类 3. 具体使用 前言 对于Java的基本知识推荐阅读： java框架 零基础从入门到精通的学习路线 附开源项目面经等（超全）【Java项目…
阅读更多...
vue3前端架构---打包配置

vue3前端架构---打包配置

最近看到几篇vue3配置项的文章，转载记录一下 Vue3.2 vue/cli-service 打包 chunk-vendors.js 文件过大导致页面加载缓慢解决方案-CSDN博客文章浏览阅读2k次，点赞8次，收藏9次。Vue3.2 vue/cli-service 打包 chunk-vendors.js 文件过大导致页…
阅读更多...
java高级——Exception异常类基本解读

java高级——Exception异常类基本解读

java高级——Exception异常类基本解读 前情提要文章介绍继承结构异常详解1. 异常的定义2. 异常的分类3.3 异常的处理机制3.3.1 try catch finally语句3.3.2 throw关键字3.3.3 throws关键字 4. 浅谈如何有效的避免异常的发生5. 自定义异常6. 常见的RuntimeException 总结 前情提…
阅读更多...
我为何撰写有关人工智能和数据科学的文章

我为何撰写有关人工智能和数据科学的文章

撰写人工智能文章的 6 大好处 「AI秘籍」系列课程： 人工智能应用数学基础人工智能Python基础人工智能基础核心知识人工智能BI核心知识人工智能CV核心知识AI 进阶：企业项目实战 可直接在橱窗里购买，或者到文末领取优惠后购买： 自…
阅读更多...
C++ //练习 15.30 编写你自己的Basket类，用它计算上一个练习中交易记录的总价格。

C++ //练习 15.30 编写你自己的Basket类，用它计算上一个练习中交易记录的总价格。

C Primer（第5版） 练习 15.30 练习 15.30 编写你自己的Basket类，用它计算上一个练习中交易记录的总价格。 环境：Linux Ubuntu（云服务器） 工具：vim 代码块： /********************…
阅读更多...
数据结构 - 红黑树

数据结构 - 红黑树

文章目录 前言一、红黑树介绍1、红黑树的概念2、红黑树的性质 二、实现红黑树1、基本框架2、插入3、删除4、查找5、测试红黑树6、红黑树代码 三、红黑树性能四、AVL树和红黑树的差别 前言 红黑树是一种二叉搜索树，所以学习前需要学会基本的二叉搜索树，并…
阅读更多...
X-AnyLabeling标注软件使用方法

X-AnyLabeling标注软件使用方法

第一步 下载 官方X-AnyLabeling下载地址 github：X-AnyLabeling 第二步 配置环境 使用conda创建新的虚拟环境 conda create -n xanylabel python3.8进入环境 conda activate xanylabel进入X-AnyLabeling文件夹内，运行下面内容 依赖文件系统环境运行环…
阅读更多...
昇思MindSpore 应用学习-CycleGAN图像风格迁移互换

昇思MindSpore 应用学习-CycleGAN图像风格迁移互换

日期 心得 昇思MindSpore 应用学习-CycleGAN图像风格迁移互换（AI代码学习） CycleGAN图像风格迁移互换 模型介绍 模型简介 CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文 Unpaired Image-to-Image Trans…
阅读更多...
数据中台 | 3分钟带你读懂数据中台的由来

数据中台 | 3分钟带你读懂数据中台的由来

1.数据中台产生的原因 数据中台的概念起源于中国阿里巴巴集团提出的“大中台，小前台”战略。这一理念的核心在于通过构建强大的中台体系，为前端的快速创新和个性化业务需求提供强有力的支持。具体到数据中台，其设计初衷是为了应对企业内部数…
阅读更多...
如何解决Windows系统目录权限问题

如何解决Windows系统目录权限问题

目录 前言1. 为什么会出现权限问题2. 修改文件权限的步骤2.1 确定目标文件2.2 右键属性设置2.3 更改所有者2.4 修改权限2.5 确认修改 3. 替换文件3.1 拷贝新的文件3.2 验证替换结果 结语 前言 在Windows系统中，时常需要往C盘系统目录下拷贝或者替换文件。然而&…
阅读更多...
Java面试还看传统八股文？快来看看这个场景题合集吧【附PDF】

Java面试还看传统八股文？快来看看这个场景题合集吧【附PDF】

以下就是这份面试场景文档↓ 这里有什么？ ↓↓ 1.针对 2024 年面试行情的变化设计的面试场景题以及回答思路 2. 如何快速通过面试的详细攻略 3. 简历优化技巧 1.知己知彼才能百战百胜，如何做好面试前的准备工作 场景题答案以及更多场景题八股文一线大…
阅读更多...
Spring Security学习笔记（二）Spring Security认证和鉴权

Spring Security学习笔记（二）Spring Security认证和鉴权

前言：本系列博客基于Spring Boot 2.6.x依赖的Spring Security5.6.x版本 上一篇博客介绍了Spring Security的整体架构，本篇博客要讲的是Spring Security的认证和鉴权两个重要的机制。 UsernamePasswordAuthenticationFilter和BasicAuthenticationFilter是…
阅读更多...
docker 安装单机版redis

docker 安装单机版redis

把这三个放上去 修改成自己的 按照自己需求来 照图片做 vim redis.conf vim startRedis.sh mv startRedis.sh deployRedis.sh sh deployRedis.sh docker run --privilegedtrue \ --name dev.redis --restartalways \ --network dev-net \ -v ./config/redis.conf:/etc/r…
阅读更多...
编译原理期末复习-按考点

编译原理期末复习-按考点

编译原理期末复习-按考点 Ocean University of China 第一章 引论 翻译器、编译器、解释器 翻译器：把一种语言变成另外一种语言（语义等价） 编译器：翻译器的一种 解释器：不产生目标代码，解释执行源程序&a…
阅读更多...
24年第三届钉钉杯大学生大数据挑战赛浅析

24年第三届钉钉杯大学生大数据挑战赛浅析

需要完整资料，请关注WX：“小何数模”！ 本次钉钉杯大数据挑战赛的赛题已正式出炉，无论是赛题难度还是认可度，该比赛都是仅次于数模国赛的独一档，可以用于国赛前的练手训练。考虑到大家解题实属不易&#xf…
阅读更多...
CentOS 7.x 的 YUM 仓库问题

CentOS 7.x 的 YUM 仓库问题

背景 CentOS Linux 7 的生命周期（EOL）已经于 2024 年 6 月 30 日终止这意味着 CentOS 7.x 的官方镜像站点将不再提供服务，导致在使用 yum 安装或更新程序时可能会遇到 错误。本文将介绍如何解决这一问题，使得你可以继续在 CentOS…
阅读更多...
17 敏捷开发—Scrum（2）

17 敏捷开发—Scrum（2）

从上一篇 「16 敏捷开发实践（1）」中了解了Scrum是一个用于开发和维护复杂产品的框架，是一个增量的、迭代的开发过程。一般由多个Sprint（迭代冲刺）组成，每个Sprint长度一般为2-4周。下面全面介绍Scrumde 角色…
阅读更多...
[Windows CMD] 查看网络配置 ipconfig

[Windows CMD] 查看网络配置 ipconfig

ipconfig 是一个网络命令工具，用于显示所有适配器（网络接口）的 IPv4 和 IPv6 配置信息。这个命令在 Windows 操作系统中非常常用，也存在于其他一些基于 IP 的网络系统中，如 macOS 和 Linux（在这些系统中通常…
阅读更多...
Android中广播接收器BroadcastReceiver学习

Android中广播接收器BroadcastReceiver学习

目录 一 前言二 分类2.1 标准广播2.1.1 动态注册2.1.2 静态注册2.1.3 带权限的标准广播 2.2 有序广播2.3 系统广播 一 前言 BroadcastReceiver是四大组件之一，用于组件间通信，底层是binder机制。注：（贴的代码是Compose写的且不规…
阅读更多...
unity2D游戏开发07整合游戏

unity2D游戏开发07整合游戏

角色类 设置角色类，在Scripts下新建MonoBehaviours文件夹，并将MovementController拖进去 在MonoBehaviours新建c#脚本，命名为Character，双击打开编辑 编写代码 using System.Collections; using System.Collections.Generic; using UnityEngine;public abstract class Ch…
阅读更多...
最新文章

Copyright @ 2022~2023