学亮编程手记

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。

原创 字节跳动开源DeerFlow 2.0（让AI真正“干活“的框架）

本文介绍了字节跳动开源的——一个定位为“Super Agent Harness（超级 Agent 执行底座）”的开源项目，核心主张是让 AI 从“会聊天”升级为“会干活”，自主把完整工作流跑完。

原创 目标检测和语义分割两者融合的应用场景案例分析

目标检测相当于「粗筛」，把计算资源集中在可能有目标的区域，避免对全图做高算力的语义分割；语义分割相当于「精修」，在缩小后的区域里做像素级分析，既保证了处理效率，又满足了精度要求，是目前很多落地项目的首选技术方案。这种结合模式本质上是在。

原创 目标检测与语义分割的核心差异分析

本文围绕计算机视觉领域的两个核心任务——目标检测和语义分割展开讲解，核心内容可总结为两部分：两者本质是图像理解粒度的不同：核心优势是速度快、能区分同类个体，适合对实时性要求高、不需要精细轮廓的场景：核心优势是像素级精度、边缘轮廓清晰，适合需要精确区分物体边界、统计区域占比的场景：

原创 YOLO目标追踪代码示例：「进出双向人流统计」和「越界报警」

本文博主再给你一个：在原有「区域人流统计」基础上，新增：✅（进+1，出-1）✅（非法闯入/离开触发）✅（基于中心点穿越区域边界）✅。

原创 YOLO可直接运行的监控区域人流统计完整Python示例脚本

本文博主给你一个，完全基于文章里提到的TrackZone实现，包含视频读取、区域追踪、人数统计、结果可视化与保存。

原创 YOLO 目标追踪核心参数与场景对照表

【代码】YOLO 目标追踪核心参数与场景对照表。

原创 YOLO 从静态图片检测进阶到动态视频解析与目标追踪

应用领域：自动驾驶、安防监控、零售分析、体育分析、制造业、农业等。核心结论：目标检测解决“是什么、在哪”，目标追踪解决“从哪来、到哪去”；掌握追踪后，YOLO从“看图说话”进化为能理解动态世界的AI系统。

原创 工业相机图像自动对焦技术方案：使用OpenCvSharp和Halcon实现图像对焦判断的几个方法

这篇文章围绕。

原创 飞浆paddlepaddle旧版本安装（pip和conda安装方式）

推荐您安装，但是如果您需要安装旧版本，下面文档为您提供pip、conda两种旧版本安装方式。旧版本>=1.5。

原创 手部动作识别最优解决方案：骨架关键点 ＋ 时空图卷积网络（ST-GCN）

虽然 YOLO + LSTM 的方案在逻辑上非常清晰，但在工业落地（尤其是这种高精度的细粒度动作识别）中，它有两个明显的为了解决这些问题，目前在学术界和工业界（特别是智能工厂项目）中，有两类的解决方案。

原创 YOLO + LSTM 细粒度动作识别与工序状态机建模（工序计数和计时）

YOLO 不负责识别“擦拭”这个动态过程，它只负责识别“手在哪”以及“手抓了什么东西”。hand（操作员的手）（酒精棉）（酒精瓶）fiber（光纤）YOLO 检测完后，通过“手”与各物体的距离或重叠度（IoU），在代码里为每一帧输出一个空间状态向量当hand接触→→手拿棉花当hand（拿着棉花）接近→→蘸取酒精当hand（拿着棉花）在fiber区域反复重叠→→擦拭动作这是实现你要求的核心。“状态A + 状态B + 状态C = 擦拭光纤工序”。

原创 YOLO + LSTM 实现连续动作识别、工序计数和工序计时

这一套技术方案在目前的智慧工厂（AI-based industrial inspection）中已经非常成熟，完全能够满足产线节拍（Cycle Time）分析和防错漏（Poka-Yoke）的需求。

原创 OpenAI Codex 安装与使用

Codex 是 OpenAI 推出的终端 AI 编程助手，支持在终端中通过自然语言与代码库交互。

原创 基于 Python threading 和 queue.Queue 实现的pyslowfast三线程异步实时推理架构示例代码

将多媒体数据采集、数据处理和模型推理拆分到不同线程中，是解决实时视频分析卡顿的经典架构，通常被称为。如果不做多线程拆分，单线程会阻塞在耗时最长的推理上（例如推理需要 40 ms，而摄像头采集只需 10 ms），导致摄像头帧无法被及时读取而发生视频流堆积、卡顿或高延迟。下面为您提供一个基于 Pythonthreading和实现的示例代码。

原创 将 PyTorch 训练出的 PySlowFast（.pyth）模型转换为 ONNX 格式

将 PyTorch 训练出的 PySlowFast（.pyth。因此，在导出 ONNX 时，我们需要构建一个包含两个 Tensor（Slow 路径和 Fast 路径）的元组作为 dummy input（虚拟输入）。

原创 PySlowFast模型训练实操步骤及Python 实时摄像头动作识别代码示例

PySlowFast 是由 Meta (Facebook AI Research) 开源的、专注于视频行为识别的经典深度学习框架。由于其模型输入需要一个固定帧数的，因而在进行摄像头实时推理时，我们需要通过队列（Queue）循环维护一个滑窗来缓存摄像头采集到的帧。下面为您梳理 PySlowFast 从到的完整闭环方案。

原创 YOWO 模型训练操作步骤（视频动作检测模型）

YOWO是具有两个分支的单阶段网络。一个分支通过2D-CNN提取关键帧（即当前帧）的空间特征，而另一个分支则通过3D-CNN获取由先前帧组成的剪辑的时空特征。为准确汇总这些特征，YOWO使用了一种通道融合和关注机制，最大程度地利用了通道间的依赖性。最后将融合后的特征进行帧级检测。

原创 PaddleVideo + YOWO 实现实时摄像头视频检测的完整代码示例

在 PaddleVideo 中，YOWO 模型主要用于时空动作定位（Spatio-Temporal Action Detection）。由于 YOWO 需要同时输入一段连续的帧序列（如 16 帧）来进行时空特征提取，因此实现实时摄像头检测的核心在于构建机制。以下是结合 PaddleVideo 官方推理逻辑与 OpenCV 实时流处理的完整代码示例。.2f。