Cupid_kl的博客

原创 Linux 远程桌面访问和管理——VNC服务器

摘要： 本文介绍如何在CentOS 7虚拟机中配置VNC（Virtual Network Computing）实现远程桌面控制。由于CentOS 7官方源已失效，需先替换为阿里云Vault镜像源。随后安装TigerVNC服务器，设置访问密码并启动服务（如:1桌面，端口5901）。关键步骤包括防火墙开放对应端口（如5901/tcp），确保宿主机可通过VNC Viewer连接。连接时输入虚拟机IP和端口（如192.168.x.x:5901），即可跨平台操作图形界面。适用于CentOS 7生命周期结束后仍需远程管

原创 安装KVM服务器、使用libvirt tools工具管理虚拟机

KVM是Linux系统的主流开源虚拟化技术，广泛应用于公有云服务。其架构分为KVM内核模块（负责CPU/内存虚拟化）和QEMU用户态工具（模拟I/O设备）。安装步骤包括：1.启用CPU虚拟化支持；2.检查并加载KVM模块；3.配置YUM源；4.安装Qemu-KVM工具；5.上传ISO镜像。通过libvirt工具集（含virt-manager图形界面）可便捷创建和管理虚拟机，支持本地安装、资源分配及存储配置。该方案实现了接近物理机性能的虚拟化环境，适合企业级应用部署。

原创 Docker下载安装及服务

本文介绍了在CentOS虚拟机中安装和配置Docker的完整步骤。主要内容包括：1）通过yum安装Docker并验证版本；2）配置阿里云镜像加速器，并添加备用镜像源；3）Docker服务管理命令（启动/停止/状态查看等）；4）镜像操作命令（查看/搜索/拉取/删除）。文中提供了详细的命令行操作示例，特别是针对国内用户配置了多个镜像加速源，以解决可能出现的镜像拉取问题。该指南适合初学者快速搭建Docker环境并掌握基本操作。

原创 损失函数详解——IoU、GIoU、DIoU、CIoU

目标检测中IoU损失函数的改进历程 传统IoU损失函数存在梯度消失、方向不明确和收敛缓慢等问题。为解决这些问题，研究者提出了系列改进方案： GIoU：通过引入最小包围框解决完全不相交时的梯度消失问题，但存在水平和垂直方向优化困难、收敛慢的缺陷。 DIoU：在IoU基础上加入中心点距离惩罚项，有效解决预测框在真实框内部时的优化问题，但无法处理宽高比差异。 CIoU：在DIoU基础上引入宽高比一致性惩罚，通过动态权重机制实现不同训练阶段的优化重点调整。 这些改进使IoU损失函数在不同场景下都能提供有效的梯度信息

原创 如何在YOLO的基础上创新：以在YOLOv8的基础上添加CBAM注意力机制为例

在YOLOv8上添加注意力机制CBAM，通过这个例子可以参考通用到其他注意力机制在YOLOv8文件上的改动。

原创 YOLO中.yaml文件详解

本文详细解析了YOLOv8模型配置文件的结构与参数含义。主要内容包括：1) YAML文件的基本结构，分为参数配置、主干网络和检测头三部分；2) 参数部分详解，包括类别数量(nc)和模型缩放系数(scales)；3) Backbone部分解析，解释了Conv、C2f、SPPF等模块的结构和作用；4) Head部分解析，说明上采样、拼接和检测头等关键模块的工作原理。文章通过图示和代码示例展示了特征图尺寸变化和各模块的连接方式，帮助读者深入理解YOLOv8的网络架构设计。

原创 缺陷检测数据集选择：NEU-DET、GC10-DET、MVTec_AD，将其转换成YOLO数据集适用的txt格式

这篇文章介绍了三种工业缺陷检测数据集及其转换为YOLO格式的方法： 主要数据集介绍： NEU-DET：经典钢铁表面缺陷数据集，1800张200x200灰度图像，包含6种缺陷类型 GC10-DET：大规模金属表面缺陷数据集，3570张高分辨率图像，包含10种缺陷类型 MVTec AD：工业异常检测基准数据集，15个子集覆盖纹理和物体两大类 数据集特点对比： NEU-DET适合入门研究，GC10-DET更适合复杂场景 MVTec AD专为无监督异常检测设计，训练集仅含正常样本 格式转换方法： 提供了Python

原创 SpringBoot Web起步

右键java文件夹下面的包，选择创建请求处理类HelloController，添加请求处理方法hello，并添加注解。

原创 YOLO的原理、整体思路、核心思想、对应代码——以YOLOv1为例

YOLO是一种革命性的单阶段目标检测算法，通过将检测任务转化为回归问题实现实时检测。它将图像划分为网格，每个网格直接预测边界框和类别，只需一次前向推理即可完成检测。相比传统两阶段方法（如R-CNN系列），YOLO具有速度快、结构简单、端到端训练的优势。核心思想包括：输入图像划分7×7网格，每个网格预测2个边界框（含坐标、置信度）和20个类别概率，输出7×7×30张量。训练时采用特殊损失函数平衡坐标、置信度和类别预测，推理时通过NMS去除冗余检测框。YOLO开创了单阶段检测流派，满足了实时检测需求，在速度和精

原创 虚拟机中配置和维护虚拟硬盘（虚拟磁盘）：添加硬盘、分区、格式化、挂载、加入LVM

本文详细介绍了在CentOS虚拟机中添加新硬盘并进行分区的完整流程。主要内容包括：1）通过虚拟机设置添加SCSI类型虚拟硬盘；2）使用fdisk工具对新硬盘进行分区；3）演示三种分区使用方式：普通分区（格式化后挂载）、LVM逻辑卷管理（扩展根分区）和交换分区（虚拟内存）；4）通过lsblk命令验证分区结果。文章采用"盖房子"的生动比喻，帮助理解磁盘分区、格式化和挂载等概念，并对比了三种使用方式的本质区别，为虚拟化环境下的存储管理提供了实用指导。

原创 Maven依赖配置、依赖传递、依赖范围

本文介绍了Maven依赖管理的三个核心概念：1）依赖配置方法，在pom.xml中通过dependencies标签添加依赖坐标；2）依赖传递机制，包括直接依赖和间接依赖，可通过exclusions标签排除特定依赖；3）依赖范围设置，使用scope标签控制依赖在编译、测试和打包等不同阶段的有效范围。文章还提供了从Maven仓库搜索依赖坐标的操作图示。

原创 神经网络算法各种层的原理（基于Keras）--输入层，全连接层，卷积层，池化层，嵌入层，长短期记忆网络层等

神经网络中的不同层提供了构建各种深度学习模型所需的基础构件，承担着数据转换和特征提取的核心功能。我们可以根据具体任务的需求选择合适的层来构建模型。

原创 Matplotlib学习

本文介绍了Python数据可视化库Matplotlib的基本概念和使用方法。主要内容包括：1) Matplotlib的安装与模块导入；2) 基础绘图功能，如绘制直线、折线图和设置样式（颜色、线型、标记、标题、坐标轴等）；3) 进阶功能，包括曲线图的绘制（正弦/余弦）和子图划分；4) 图像构成的四个层次（Axis、Axes、Figure、Artist）。文章通过多个代码示例展示了如何创建不同类型的图表，并详细说明了如何调整图表样式、添加图例和标注等。最后简要介绍了子图绘制和图像构成的基本概念，为数据可视化提供

原创 自然语言处理NLP：嵌入层Embedding中input_dim的计算——Tokenizer文本分词和编码

摘要：本文介绍了Keras中Embedding层的input_dim参数计算方法，主要基于Tokenizer分词器构建词汇表。Tokenizer会对文本进行分词和编码，为每个词分配唯一编号，词汇表大小即为唯一词数量加1（预留索引0）。文章通过示例代码展示了Tokenizer的使用流程，包括文本预处理、序列填充和Embedding层创建，并解释了如何确定output_dim和input_length等参数。最后演示了模型预测过程，输出词向量维度为（样本数，序列长度，词向量维度）。

原创 Raspberry Pi 5树莓派5 烧录系统到树莓派上

树莓派有自己的烧录工具，可通过以下链接下载对应的工具通过网盘分享的文件：链接: https://pan.baidu.com/s/1-bY6bysqP9BO-zlnAWMnQA 提取码: 278t打开后，文件如上图所示。根据自己电脑的系统，下载对应的烧录工具。

原创 ubuntu中下载安装python3.11

enable-optimizations 参数是为了启用优化选项，可以提高 Python 的性能。由于我是在桌面上安装解压的，可以看到ubuntu桌面上有一个Python-3.11.0的文件夹。使用 altinstall 命令以避免与系统默认的 Python 版本冲突。5.切换目录到Python-3.11.0（注意区分大小写），并且可以用。6.配置Python3.11.0。7.安装Python3.11.0。

原创 在外面windows系统中复制的内容粘贴到VMware虚拟机中ubuntu

2.在VMware主界面中选择虚拟机，然后点击“编辑虚拟机设置”，然后点“选项”，再点“客户机隔离”，确保“启用拖放”和“启用剪切板共享”都是勾选状态，最后点击确定。2.下载安装open-vm-tools，open-vm-tools-desktop。再次启动虚拟机，已经实现功能。1.打开终端，更新软件库。第二步：启用共享剪切板。1.关闭Ubuntu。

原创 下载安装VMware和win11系统

官网下载或者此处百度网盘下载：链接：https://pan.baidu.com/s/1QKFRiRyLZ2icGL9biVS4TA提取码：qu7x打开安装文件（百度网盘中VMware-workstation-full-17.5.2-23775571.exe）后点击下一步：点击接受协议，下一步：修改安装位置后点击下一步：后续一直点击下一步：直到最后点击安装：安装完成后，点击许可证：点击文件夹中的txt文件，复制17版本的密钥输入：安装完成：点击进入网址后，下拉找到磁盘映像：点击

原创 Maven的安装与配置

Maven是一款管理和构建java项目的工具，它基于项目对象模型（POM）的概念，通过一小段描述信息来管理项目的构建。

原创 IDEA集成Maven--在IDEA中配置Maven环境

打开文件-设置：设置Maven的路径：设置用户文件，改为maven的配置文件中settings.xml的位置，如下：我的JDK版本是19，所以Maven运行程序和JAVA编译器都选择19：不要打开项目，直接打开自定义选项中的所有设置：和1.1中的设置Maven的路径步骤一样，修改如图所示的Maven路径和用户设置文件，后续也是一样的：创建模块，选择Maven填写模块名称，坐标信息：Archetype 骨架是一个 Maven 的项目模板，它定义了项目的基本结构、依赖和配置。通过使用

原创 yolov5训练自己的数据集

在VOCData中新建文件夹Annotations，放置.xml的标签文件。conf-thres：置信度阈值，只有置信度高于此阈值的对象才会被检测出来，可以根据自己的结果修改。epochs和batch-size按照自己的需要设置，刚开始试运行的时候，可以调整的低一点。（4）训练结束之后，可以看到目录中runs/train中有跟新的结果，我这边是exp5。此处0表示打开默认摄像头。names表示类别的名字，如果有多个，就都写入[ ]中，用逗号隔开。安装后，运行detect.py，如果成功运行，则安装完毕。

原创 目标检测性能指标和计算方法

Precision: 所有Positive的预测中(也就是预测为1)，预测正确的比例。Recall: 现实中为1的case中，被Positive预测(也就是预测为1，被正确预测了) 的比例是多少。所有正样本中被预测为正的比例。精度Precision（查准率）评估预测的准不准召回率Recall（查全率）评估找的全不全。

原创 yolo环境的下载和安装

可参考。

原创 labelimg的安装、说明和具体操作

如果LabelImg出现闪退的问题，那是因为python版本不适，需要创建新的虚拟环境。具体可参考。

原创 Vue组件库Element

Element：是饿了么公司前端开发团队提供的一套基于 Vue 的网站组件库，用于快速构建网页。Element 提供了很多组件（组成网页的部件）供我们使用。例如 超链接、按钮、图片、表格等等。

原创 前端工程化--NodeJS下载安装、Vue-cli下载安装

下载稳定版：node -v。如果显示出版本信息了，说明安装成功。注意：D:\nodejs 这个目录是NodeJS的安装目录这个过程中，联网下载，可能会耗时几分钟，耐心等待。

原创 解决方法：Visual Studio Code中npm脚本找不到

原创 Ajax，Axios 异步交互

Ajax: 全称Asynchronous JavaScript And XML，异步的JavaScript和XML。其作用有如下2点：与服务器进行数据交换：通过Ajax可以给服务器发送请求，并获取服务器响应的数据。如下图所示前端资源被浏览器解析，但是前端页面上缺少数据，前端可以通过Ajax技术，向后台服务器发起请求，后台服务器接受到前端的请求，从数据库中获取前端需要的资源，然后响应给前端，前端在通过我们学习的vue技术，可以将数据展示到页面上，这样用户就能看到完整的页面了。

原创 Vue 前端框架

是一套前端框架，免除原生JavaScript中的DOM操作，简化书写。基于思想，实现数据的双向绑定，将编程的关注点放在数据上。

原创 Python神经网络环境搭建（anaconda，cuda，jupyter，tensorflow，pytorch，torchvision，pycharm)

以管理员身份打开cmd，通过cd命令转换到相应的文件位置，输入上图圈中的命令进行测试，若会显示result=pass，则说明安装无误，那么应该是在安装之后没有设置好系统环境变量，重新设置变量之后再进行测试。torch与torchvision也有对应关系，我是1.13.1的torch，3.10的python，所以我选择对应的。CUDA版本确定后，pytorch要依赖此CUDA版本，因为pytroch安装跟cuda对应的。首先要激活安装pytorch的python环境，之后到下载目录下进行安装。

原创 JavaScript(JS引入方式，JS基础语法，JS函数，JS对象，JS事件监听)

JavaScript（简称：JS）是一门跨平台、面向对象的脚本语言，是用来控制网页行为的，它能使网页可交互。

原创 降维算法--PCA

在高维数据中，必然有一些特征是不带有有效的信息的（比如噪音），或者有一些特征带有的信息和其他一些特征是重复的（比如一些特征可能会线性相关）。我们希望能够找出一种办法来帮助我们衡量特征上所带的信息量，让我们在降维的过程中，能够即减少特征的数量，又保留大部分有效信息——将那些带有重复信息的特征合并，并删除那些带无效信息的特征等等——逐渐创造出能够代表原特征矩阵大部分信息的，特征更少的，新特征矩阵。在降维中，PCA使用的信息量衡量指标是样本方差，又称可解释性方差，方差越大，特征所带的信息量越多。

原创 Java Web——web前端开发入门

Web标准：三部分组成。

原创 VS Code 安装

进入VS Code官网：https://code.visualstudio.com，点击 DownLoad for Windows 下载windows版本下载完毕后进行安装（点击next，换安装位置）

原创 特征选择--Filter过滤法，Embedded嵌入法，包装法

过滤方法通常用做预处理步骤，特征选择完全独立于任何机器学习算法。是根据各种统计检验中的分数以及相关性的各项指标来选择特征的......

原创 处理连续性变量--二值化与分段

根据阈值将数据二值化（将特征值设置为0或者1），用于处理连续型变量。大于阈值的值映射为1，小于阈值的值映射为0。二值化是对文本数据常见的处理方式。

原创 处理分类型特征：编码与哑变量

机器学习中的大多数算法，e.g.逻辑回归，支持向量机SVM，k近邻算法等都只能处理数值型数据，所以要将数据进行编码，即将文字型数据转换成数值型。

原创 数据无量纲化--归一化，标准化

数据的无量纲化可以是线性的或者非线性的。线性的无量纲化包括中心化处理和缩放处理。中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置。缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，取对数也算是一种缩放。

原创 机器学习算法调参--随机森林

在机器学习中，我们用来衡量模型在未知数据上的准确率的指标，叫做泛化误差。当模型在未知数据上表现糟糕时，说明模型的泛化程度不够，泛化误差大，模型的效果不好。泛化误差受到模型的结构（复杂度）的影响。当模型太复杂，模型会过拟合，泛化误差大。当模型太简单，模型就会欠拟合，泛化误差也会大。调参的过程：判断模型处于图像的哪一边，然后减少或者增加模型的复杂度，把模型往图像的左边或者右边移动，到最佳模型复杂度，泛化误差最低点。

原创 填补缺失值

用SimpleImputer来填补缺失值需要导包from sklearn.impute import SimpleImputer #填补缺失值的类。