学亮编程手记

原创 Claude Code + Ollama + CC Switch 实现本地 AI 开发 Agent 使用体验

成本极低：无需购买 Claude 官方 API，适合 Token 消耗大的场景。Agent 体验初具雏形：在简单任务下（如“帮我生成一个赛博朋克风格的个人主页网站”），本地模型能直接生成代码文件，配合 Claude Code 的 Agent 模式，已有“自动编程”的观感。隐私与离线：代码和数据完全留在本地。

原创 YOLO 特征学习与颜色识别机制全解析

YOLO 学习复杂特征的过程，本质上是一个从像素到语义的映射过程。它不需要人工去定义“什么是红笔”，而是通过卷积网络自动学习从“红色像素与边缘（浅层）”到“细长圆柱体形状（中层）”，再到“红笔的整体概念（深层）”的完整特征表达。随着 YOLO 版本的不断迭代，其在特征提取和多尺度融合上的能力愈发强大。而在未来的实际落地中，将深度学习模型与传统图像处理算法相融合，依然是应对复杂多变现实场景、提升系统鲁棒性的最佳实践。

原创 在 CodeBuddy、Trae 和 Qoder 中集成 go-modern-guidelines skill

将 JetBrains 官方提供的 Go 现代编码指南，转化为 AI 能够读取的本地 Markdown 文件（Skills 或 Rules）。集成后，AI 在为你生成 Go 代码时，就会自动参考这些指南，优先使用 Go 1.21+ 的新特性（如slicescmp包，以及更现代的循环和错误处理写法），避免生成过时的老旧代码。

原创 Golang skill go-modern-guidelines 项目使用说明

是由JetBrains官方维护的一个开源项目，核心目标是帮助 AI 编程助手（Coding Agents）写出更现代的 Go 代码。目前该项目在 GitHub 上已有2.2k Star和69 Fork，采用Apache-2.0开源协议。

原创 解决Label Studio导入视频文件报错：RawPostDataException

博主遇到的这个错误是，在 Label Studio 中通常出现在导入较大 MP4 视频时。

原创 Docker 容器的重启策略详解

Docker 提供了重启策略（Restart Policies）来控制容器在退出或 Docker 守护进程重启时是否自动重启，这对于保障服务的可靠性至关重要。以下是 Docker 容器的重启策略详解及如何更新现有容器的策略。

原创 LSTM 视频动作识别时序动作定位开源视频标注工具整理

与 ActivityNet / Charades 等数据集格式类似。

原创 Python 加载导出的主流 YOLO26 模型格式代码示例

加载导出的 YOLO26 模型并进行推理，核心在于使用库的YOLO类直接加载对应格式的文件，其 API 与加载原始.pt文件完全一致，无需修改推理代码。

原创 YOLO26离线环境模型导出

YOLO26 首次加载模型时，如果本地没有权重文件，会尝试自动从 GitHub/HuggingFace 下载。在无法连接互联网的工控机、服务器或边缘设备上部署 YOLO26 时，极易遇到报错。某些高级导出格式（如 NCNN 或旧版 TFLite）可能不支持 YOLO26 的新算子。Ultralytics 在启动时可能会尝试联网检查 AMP（混合精度）可用性或更新日志。YOLO26 的导出功能旨在让模型“一次训练，处处运行”。TensorRT 的。

原创 YOLO26 支持的模型导出格式详解

如果你在做研究或在 Python 中测试：保持.pt格式或使用。如果你要部署到通用的服务器或Web端：使用ONNX。如果你有 NVIDIA 显卡且追求极致速度：使用TensorRT。如果你要在 Intel 笔记本或工控机上跑：使用OpenVINO。如果你要开发 iPhone App：使用CoreML。

原创 YOLO26旋转框检测Python代码示例

这段代码的核心价值在于使用了 obb后缀的模型和 .obb属性。它解决了普通检测框在处理密集、倾斜、细长物体（如航拍图中的车、船，文档中的文字）时背景干扰大的问题。

原创 YOLO26图像分类推理Python代码示例

加载一个专门用来“认图”的分类模型 -> 喂给它一张公交车的照片 -> 模型告诉你这张照片最像什么（Minibus/小巴），以及它有多大把握。

原创 yolo26人体姿态估计Python代码示例

这段代码的核心是加载 YOLO 姿态模型 → 对图像推理 → 提取人体关键点 → 可视化结果，可用于人体动作分析、运动捕捉、安防监控等场景。

原创 YOLO26 实例分割Python代码示例

这段代码通过 YOLO26 实例分割模型，完成“加载模型→处理图像→提取检测框/掩码/轮廓→可视化结果”的全流程，是计算机视觉中“目标检测+语义分割”结合的经典应用（既知道“是什么”，又知道“具体在哪片像素”）。

原创 基于 YOLO-Pose 与 ST-GCN 的视频行为识别：从架构解析到产线 SOP 落地的技术演进

基于的视觉识别方案为时空动作分析提供了高效的轻量化范式。宏观人体动作（如跌倒、打架、入侵）可以通过“骨架算法 + 物理后处理规则”实现极低误报率的实时监控。微观精细动作（如产线 SOP、手势交互）则必须引入手部高密度关键点与目标检测，并结合有限状态机（FSM）补齐业务逻辑校验能力。AI 视觉从“看懂动作”到“辅助决策”的跨越，本质上是算法模型与业务逻辑治理深度结合的成果。

原创 实现 VMware 在系统开机时自动启动并通过批处理（.bat）脚本启动指定虚拟机

本文博主将介绍如何实现 VMware 在系统开机时自动启动，并通过批处理（.bat）脚本启动名为node1。

原创 Docker 服务启动时自动运行 MySQL 容器（新、旧容器重启策略）

要在 Docker 服务启动时自动运行 MySQL 容器，需要确保两个层面的配置：一是 Docker 服务本身随系统开机自启，二是为 MySQL 容器配置合适的重启策略。

原创 Windows11 安装 MySQL 5.7.18 绿色版（双击即可启动）

mysql-5.7.18-winx64.zip压缩包内有几个 bat 脚本，解压后只需双击即可 安装、停止、重启、卸载、连接

原创 线上热修复与 JAR 包class字节码文件替换实战：Arthas 内存热更新与磁盘字节码替换全指南

在实际的线上运维中，建议将 Arthas 与磁盘替换结合使用：遇到紧急 Bug 时，先利用 Arthas 将新逻辑热加载到运行中的 JVM 内存里进行快速验证；确认功能正常后，再严格按照上述步骤替换磁盘上的 JAR 包，从而最大程度降低线上发版风险，实现安全、高效的线上热修复。

原创 深度剖析汉得-HZERO系统Thymeleaf SSTI漏洞：从原理到修复

HZERO的此次SSTI漏洞是一个典型的“信任边界缺失”案例。在现代Web开发中，模板引擎赋予了开发者极大的灵活性，但也引入了代码执行的风险。无论是从Session、Request参数还是配置文件中获取的数据，只要参与了模板解析或视图路由，都必须经过严格的白名单过滤，才能彻底阻断攻击者的利用链路。

原创 YOLO 实时摄像头场景连续帧计数防抖与状态锁的完整代码实现

针对实时摄像头场景，去抖动机制是确保告警准确性的核心。以下是在实时视频流中集成了与的完整代码实现，能有效过滤单帧误检并防止告警刷屏。

原创 基于 YOLOv8 + Supervision 库的 ROI 区域计数法 Python 代码案例：物体对方层数检测

以下提供基于。

原创 【笔记】深度学习基础知识

原创 SOP识别的完整工程实现流程（固定螺丝场景案例）：YOLO + MediaPipe + LSTM + SOP状态机

工人使用电批固定一个零件。步骤3：固定螺丝A1：拿螺丝A2：放置螺丝A3：拿电批A4：电批对准A5：启动电批A6：螺丝锁紧A7：放回电批当前SOP:固定螺丝状态:完成耗时:8.6s次数:第25次YOLO不负责识别动作。YOLO负责回答：当前场景有什么？类别作用person人员screw螺丝电批workpiece工件screw_hole孔位例如：人手↓[电批]↓[螺丝孔]↓[工件]"screw":1. 录制固定螺丝视频↓。

原创 LSTM通过连续动作序列的模式进行工厂作业SOP步骤识别的实现原理

假设汽车电子厂装配一个控制盒。步骤1：取料步骤2：安装PCB板步骤3：固定螺丝步骤4：质量检查。

原创 小型工业AI质检系统实现“步骤次数统计”和“工时统计”的架构实现方案分享

甚至不需要引入新的深度学习模型。本质上，因此只需要增加一个即可。

原创 面向工业装配场景的 AI 智能 SOP 识别系统的实现原理和思路分享

AI-SOP = YOLO目标检测 + 特征提取 + LSTM时序动作识别 + PyQt可视化界面，实现工业装配 SOP 流程智能监控。它解决的问题：工人有没有拿对工具？装配步骤有没有遗漏？动作顺序是否正确？操作时间是否异常？视频输入↓检测工件/工具/人体动作↓提取动作特征↓时序模型判断当前步骤↓输出 SOP 执行状态↓GUI实时展示。

原创 Navicat+MySQL中文乱码终极解决：查询、筛选、导入全覆盖

MySQL中文乱码的核心从来不是客户端配置，而是服务端server编码不统一。临时SET NAMES只能解决显示问题，只有彻底修改服务端编码、统一全链路utf8mb4，才能从根源杜绝所有中文乱码问题。

原创 Linux中转换MBR分区表格式为GPT（数据无损动态修改）

腾讯云官网中有一篇帮助文档“扩容Linux文件系统，讲解了GPT分区云硬盘扩容后修改分区指引和MBR分区云硬盘扩容后修改分区指引。其中MBR分区扩容下，若扩容后的空间已经大于2TB则不可选择。官网文档没有涉及到MBR的分区扩展到2T以上该怎么处理。注：写在文前。不管任何形式的扩容硬盘，最好都事先做好硬盘数据的快照，避免手误或者其他因素造成数据丢失。数据无价！！！

原创 Linux gdisk MBR 转 GPT 操作注意点：是否挂载了系统根分区

如果/dev/vdc上同时挂载了系统根分区和数据分区/home，在执行 MBR 转 GPT 操作时，会面临。虽然gdisk工具在转换过程中会尝试保留分区数据，但其本质是重写磁盘的底层分区表结构，一旦操作失败或中断，将导致整个磁盘无法识别，系统和数据均会丢失。

原创 【案例演示】Linux 使用 gdisk 工具将 MBR 分区表转换为 GPT 分区表

可行性：确实可以通过gdisk将 MBR 无损转换为 GPT。风险提示：工具本身会多次发出“破坏性操作”的警告，必须谨慎对待。结果验证：转换后fdisk -l能明确看到，且原有分区结构得以保留。

原创 Linux 将 MBR 转换为 GPT 分区表（彻底解决4 主分区限制）

MBR 分区表最多只支持 4 个主分区，这是导致你陷入困境的根本原因。而 GPT 分区表最多支持 128 个主分区，能从根本上解决分区数量不足的问题。注：对于非系统盘（纯数据盘），转换过程相对简单，无需修改 BIOS 设置，但同样需要备份数据。转换过程会重写磁盘的分区表元数据，一旦操作失败或中断，将导致。否则，系统将因找不到正确的引导程序而无法启动。将系统盘从 MBR 转换为 GPT 是一项。转换完成后，如果你的。

原创 避坑指南：LVM 扩容实战与“4个主分区已满”的底层真相

LVM 赋予了 Linux 磁盘管理极大的弹性，但底层存储操作始终伴随着风险。敬畏分区表：永远不要对包含系统核心分区的整盘直接执行pvcreate。备份是底线：在执行fdiskpvcreatelvextend等高危命令前，务必对重要数据进行快照或异地备份。认准文件系统：XFS 文件系统仅支持扩容，不支持缩容；扩容时xfs_growfs需跟挂载点，resize2fs需跟设备路径。查阅官方文档：面对复杂的底层报错，切勿轻信未经证实的“捷径”，一切以man手册和官方文档为准。

原创 SmartChart微代码可视化平台

本文介绍开源项目，核心论点是：它用「Python + Django + ECharts」的微代码思路，把打包成一个面向开发者的前后端一体低代码平台，解决“画图容易、打通数据难”的痛点。

原创 两台直连PC必须同网段才能互通吗？

【代码】两台直连PC必须同网段才能互通吗？

原创 使用 Python 调用本地 exe 程序的方案实现

如果是偶发的乱码问题，建议优先通过给subprocess加上或来解决，这通常能解决 90% 以上的 Windows 乱码问题。如果是频繁进行复杂的命令行调用，或者需要构建复杂的命令管道，推荐引入plumbum或sh库，它们能大幅提升代码的可读性和开发效率。

原创 RAGFlow知识图谱（GraphRAG）功能

不是外接插件，而是在 Dataset（知识库）层面把“实体-关系抽取 + 图检索”嵌进了原有 RAG 流水线里——位于，作为辅助召回通道。

原创 知识图谱（KG）和知识库 RAG（检索增强生成）的区别

这两个概念经常被混着说，其实一个是，一个是。

原创 知识图谱与职业教育核心逻辑错位

知识图谱在职业教育里哑火，是因为它被当成展示型概念产品兜售，却答不了“学生会做什么”，在成本、场景、政策三重挤压下退居幕后；舞台中央换成了“能力图谱”。补一句外部视角：本文聚焦职教/高校场景，产业侧（医疗、法律、工业、GraphRAG）知识图谱正借大模型“幻觉治理”复活，角色同样是“结构化事实骨架”而非终端产品。

原创 DeerFlow 2.0 核心特性一页速览表

【代码】DeerFlow 2.0 核心特性一页速览表。