- 博客(462)
- 收藏
- 关注
RSS订阅原创 Git的安装与使用教程（超详细！！！）「建议收藏」
分布式：Git版本控制系统是一个分布式的系统，是用来保存工程源代码历史状态。保存点：Git的保存点可以追踪源码中的文件, 并能得到某一个时间点上的整个工程项目的状态；可以在该保存点将多人提交的源码合并, 也可以回退到某一个保存点上。Git离线操作性：Git可以离线进行代码提交，因此它称得上是完全的分布式处理，Git所有的操作不需要在线进行；这意味着Git的速度要比SVN等工具快得多，因为SVN等工具需要在线时才能操作，如果网络环境不好， 提交代码会变得非常缓慢。Git基于快照。
2026-05-14 21:06:43
214
原创 漫剧的底层叙事逻辑：「短、平、快」创作纲领
核心流程为「剧本分镜 → 美术设定（角色 / 场景） → 制作环节（2D/3D 制作） → 配音配乐 → 后期合成 → 成片导出」，2D 需手绘线稿、原画动画，3D 需建模绑定，制作门槛高。：最轻量化的形式，用 PPT / 设计软件制作静态画面，流程为「文案脚本 → 静态画面制作 → 配音录制 → 合成剪辑 → 字幕包装 → 导出成片」，门槛极低，适合新手入门。：轻量化动态漫，流程为「剧本脚本 → 素材绘制 → 简单动态制作 → 配音音效 → 剪辑成片」，成本低、制作快，适合搞笑 / 解压类内容。
2026-05-11 15:55:21
309
原创 在ComfyUI中生成古装美女图像
服饰细节：embroidered with intricate patterns (flowers, phoenixes), silk or satin fabric, pastel colors (light blue, pink, cream)辅助元素：holding a traditional fan, playing a guqin (古琴), reading a scroll, standing beside a stone bridge。
2026-04-25 00:16:37
262
原创 ComfyUI 是一款专为 Stable Diffusion 打造的开源可视化操作工具
ComfyUI 是一款专为 Stable Diffusion 打造的开源可视化操作工具。它用「节点化工作流」的方式，让你拖一拖、连一连，就能轻松生成高质量的 AI 图像和视频。并且它还有如下特点：永久免费、可商用：不用花一分钱，就能使用最前沿的生图/制视频功能。可玩性和可控性超强：相比 DeepSeek、Midjourney，ComfyUI 拥有最细致的参数调节，想要的效果一目了然。节点工作流可复用、可分享：大佬们的模板随手拿来，零基础的小白也能瞬间出图。开源生态无限扩展：插件一装就能玩出各种花样。官网：h
2026-04-18 22:09:05
335
原创 在 CentOS 9 上安装 pip（Python 的包管理工具）
在 CentOS 9 上安装pip（Python 的包管理工具）通常涉及到几个步骤。CentOS 9 默认不包含 Python 3，但你可以通过安装 EPEL 仓库来获取 Python 3，然后通过该 Python 3 安装 pip。
2026-04-10 19:26:01
97
原创 CentOS根目录爆满解决方案
当CentOS的根目录（/）空间不足时，可能会导致系统运行不稳定，某些服务无法正常启动或工作。解决这个问题需要先找出哪些文件或日志占用了大量空间，然后根据实际情况采取措施清理或迁移数据。1. 检查磁盘使用情况 首先，你需要检查系统的磁盘使用情况，以确定哪些目录或文件占用了大量空间。• 使用 df -h 命令查看所有分区的使用情况。查看指定目录下最大的10个子目录或文件。
2026-04-10 17:27:42
64
原创 n8n自动生成短视频
将MoneyPrinterTurbo解压缩后文件夹中的config.example.toml复制一份，粘贴成config.toml即可。在centos中cd进入MoneyPrinterTurbo文件夹，执行。然后编辑MoneyPrinterTurbo解压缩后文件夹中的。端口为8080的api调用服务：ip:8080/docs。比如deepseek。MoneyPrinterTurbo项目的该配置表示将。端口为8501的webui页面服务:ip:8501。端口为8501的webui页面服务的首次使用。
2026-04-10 14:09:27
223
原创 虚拟机安装n8n
v /e/n8n_sys/n8n:/home/node/.n8n 挂载数据卷： 把你电脑的 E:\n8n_sys\n8n 文件夹 ↔ 容器内的配置目录 → 保存你的工作流、凭证等设置，重启不丢失。-v /e/n8n_sys/n8ndata:/home/node/n8ndata 挂载另一个数据卷： 用于存储你自定义的文件、临时数据等。n8n：该文件夹是用于存储/挂在n8n运行数据的。cd表示进入，cd ./n8n_sys表示可以进入到n8n_sys文件夹中。执行一个指令：pwd。
2026-03-28 21:39:43
347
原创 如何将OpenClaw接入微信，让你的AI助手可以在微信中使用
OpenClaw是一个强大的AI助手框架，支持多种消息平台接入。本文将详细介绍如何将OpenClaw接入微信，让你的AI助手可以在微信中使用。- OpenClaw官方文档: https://docs.openclaw.ai。解决：检查Gateway状态和binding配置。在 openclaw.json 中配置绑定。✅ 在微信中与AI助手对话。- 微信账号（需扫码登录）步骤4：重启Gateway。支持多个微信账号同时在线。方法一：一键安装（推荐）解决：重新执行登录命令。问题3：多账号消息混乱。
2026-03-22 21:34:34
654
原创 1 本地安装mysql
cd D:\mysql-8.4.4-winx64\mysql-8.4.4-winx64\bin # 来到了目录下。# 3 在软件根路径：D:\mysql-8.4.4-winx64\mysql-8.4.4-winx64。# 5 安装mysql 安装完成后Mysql会有一个随机密码(记住这个密码，如下图)# 1 下载mysql：mysql-8.4.4-winx64.zip。# 设置mysql的安装目录 ---这里输入你安装的文件路径----# 8 改密码，打开cmd，来到mysql解压后的bin路径下。
2026-03-09 18:56:48
53
原创 虚拟机或服务器安装ollama
1.3上传的压缩文件ollama-1inux-amd64.tar.zs，mv移动过来-->>一定注意路径:在o1lama所在路。#2.7换到别的目录下，就不能执行o11ama的命令-->>创建软连接:以后任意路径敲o11ama都有反应。#2.8现在可以用了，但是我们希望使用systemctl管理ollama服务。3.2 linux上[云服务器，虚拟机)-老师建议。3.1 win/mac机器[不建议]#1.1上传到虚拟机或服务器。#2.6解压 安装解压软件。2云服务器部署dily。
2026-01-30 10:19:37
464
原创 `sudo DNF` 是 Linux 系统中以管理员权限执行 DNF 包管理命令的标准方式
2. 安装 DNF：`sudo yum install dnf`（CentOS/RHEL）或 `sudo apt install dnf`（Debian/Ubuntu）。3. 创建符号链接：`sudo ln -s /usr/libexec/dnf/dnf /usr/bin/dnf`（路径需根据 `which dnf` 结果调整）。- 更新系统：`sudo dnf update`（升级所有包）或 `sudo dnf update python3`（指定包）。- 原因：DNF 未安装或路径未配置。
2026-01-30 10:09:54
413
原创 零基础入门AI智能体：智能体介绍
别再把 AI 当聊天工具了！2025 年，真正能替你“动脑又动手”的 AI 智能体已悄悄上岗：从帮你一键扒视频文案，到自动做海报、剪书单号，甚至 15% 的职场决策都将由它们代劳。这篇零基础入门指南，只用 5 分钟带你穿越 70 年进化史，看懂智能体到底“智”在哪；再送 6 步搭建流程＋100 个即用模板，让你零代码也能拥有自己的数字员工。
2026-01-14 02:02:28
611
原创 探寻人工智能：定义、演进、核心技术与未来挑战
人工智能（Artificial Intelligence，简称AI），是一门旨在让机器模拟、延伸和扩展人类智能的计算机科学，核心是让系统具备感知、学习、推理、决策和交互的能力，而非单纯的程序化指令执行。主流分支包括深度学习（DL）（基于神经网络，处理图像、语音等复杂数据）、强化学习（通过试错奖励优化决策）、监督/无监督学习。3. 当下黄金期：生成式AI（如GPT、Midjourney）成为突破口，AI渗透医疗、金融、工业、教育等全行业。- 认知智能：自然语言处理、知识图谱、推理决策（如智能问答、风控系统）
2026-01-14 02:00:36
343
原创 agent近期记忆技术及落地实践整理
通过一段时间的项目实践和agent学术研究的学习，可以明显的感受agent已经成为构建数字生产力的重要技术路径，它的主要突破在于，本身贴合强化学习理念的"行动-反馈"机制与大模型的推理能力的配合使用，实现了“1+1>>2”的组合效应。
2025-11-24 17:39:00
922
转载 运动目标检测|混合高斯背景建模（含源码）
混合高斯背景建模是基于像素样本统计信息的背景表示方法，(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分(如3σ原则)进行目标像素判断，，计算量较大。在混合高斯背景模型中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律{单模态(单峰)，多模态(多峰)}。对于多峰高斯分布模型，
2024-12-18 11:34:21
270
原创 python landsatxplore下载Landsat8和Sentinel-2数据
2、查询需要landsat8和sentinel-2的轨道文件，轨道文件与查询范围相交查询影像，landsat8的轨道文件网上较多，sentinel-2的轨道文件在另一篇博客中有提供下载地址（下载为kml，可转为shapefile文件）3、参数：数据集名称（按规定填）、开始时间+结束时间（年-月-日格式）、云量、查询范围（shapefile文件，只查询第一个面要素）、存储文件夹（自定义，会在文件夹下按照年份再建一层文件夹，不想要可直接改掉）
2024-12-06 12:26:40
560
原创 哨兵二号轨道数据下载
https://sentinels.copernicus.eu/web/sentinel/user-guides/sentinel-2-msi/naming-convention
2024-12-06 11:51:45
389
原创 Lama：《Resolution-robust Large Mask Inpainting with Fourier Convolutions》解读及实操
同时我也尝试在训练中修改了mask的动态生成策略，实现了自定义mask生成来贴合我的任务场景，但考虑到训练成本尚未进行大规模训练，欢迎大家交流。该模型是根据来自Places Challenge数据集的4.5M张图像的子集进行训练的，在八台NVidia V100 GPU上接受了约240小时的train。首先需要明确的是，对一个被掩膜遮盖的区域其实可以有多种合理的填充结果，就像口罩下的长相谁也无法准确预测。更关注局部的细节纹理，而难以理解全局的结构信息，缺乏对整体的认知。而分割模型则相反，具有更好的效果。
2024-11-27 15:34:57
1258
原创 CVPR 2023 | OpenGait: 步态识别研究
之上，其包含由七个网络摄像机以 15° 的间隔捕获的 10,307 个往返行走序列的主题（考虑到在同一步行路线上的往返，这总计为 14 个视图），图像大小为 1,280 x 980 像素，帧率为 25 FPS。，其认为基于空间全局信息的步态表示通常会忽略细节，同时基于局部区域的描述符无法捕获相邻部分之间的关系，从而开发了全局和局部卷积层来获取更详细的步态信息。，这是一个基于轮廓的模型，其结构简单，效果鲁邦，无论是在室内还是室外拍摄的测试步行视频均表现优异，可作为进一步研究的新基线(
2024-11-11 11:24:00
2599
原创 Linux 磁盘配置文件 /etc/fstab 详解
任何硬件设备连接后，操作系统使用硬件，即需要挂载。windows只不过是自动“挂载”了，linux需要手动自己搞。在Linux系统下，例如每次挂载/dev/sr0（光盘设备文件）需要手动使用命令mount。每次计算机重启时，硬盘一般也是被自动挂载的，而自动挂载的信息就记录在/etc/fstab文件中。系统每次启动都会读取/etc/fstab中的配置内容，自动挂载该文件中被记录的设备和分区。/etc/fstab字段含义要挂载的分区或存储设备. 设备名称，LABEL，UUID，伪文件系统名称。
2024-10-18 15:07:51
3490
原创 neo4j安装和使用（带网盘下载连接）
Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。程序员工作在一个面向对象的、灵活的网络结构下而不是严格、静态的表中——但是他们可以享受到具备完全的事务特性、企业级的数据库的所有好处。为什么要用两个match再创建呢，因为这样是先查到两个节点，再在两个节点之间创建关系，但是如果直接用create（例如下面这样），就会重新创建两个新的节点。个人理解：Neo4j是一个图数据库，它不同于之前数据库课上学的，以表格形式存储数据的数据库，图数据库使用顶点，边，属性来存储数据。
2024-10-16 15:38:35
5219
原创 windows下安装、配置neo4j并服务化启动
配置成功后，可以在浏览器中使用http://localhost:7474网址查看数据库，但是前提是得把桌面的应用程序关掉。记住数据库的用户名和密码，一般默认的是：用户：neo4j, 密码：neo4j.登陆后重新设置密码：在浏览器上输入用户：user和密码：xxxxx(这里是我的账户)2.2 配置neo4j-community-3.5.5\conf下的neo4j.conf文件： 将以下红色框框中配置放开注释生效。3.1.以管理员的身份运行命令行，输入neo4j.bat console命令之后；
2024-10-15 14:33:11
2534
原创 ubuntu打包命令
在Ubuntu中，我们可以使用多种命令行工具来打包我们的文件或目录。命令是Linux/Unix系统中常用的归档工具，它可以将多个文件和目录打包成一个文件。是一个用来创建.deb包的工具，deb包是Ubuntu系统中的软件包格式。格式的压缩文件，它也可以将多个文件和目录打包成一个。是你将要创建的deb包的名称。是你将要创建的deb包的名称。是你将要创建的归档文件，是你将要创建的压缩文件，是你想要归档的文件，是你想要归档的目录。是你想要压缩的文件，是你想要压缩的目录。是你想要打包的目录，是你想要打包的目录，
2024-09-13 14:45:41
1244
1
原创 LXDE lxpanel桌面环境中打开一个终端窗口 lxterminal
您的问题似乎是想要在LXDE桌面环境中打开一个终端窗口。如果是这样，通常有几种方法可以做到这一点。如果你的LXDE桌面环境有一个菜单，你可以通过点击“终端”或类似的选项来打开终端。你可以使用命令行来打开终端。，你可能需要先安装它。请注意，你可能需要以root权限运行这些命令，这可以通过在命令前加上。请根据你的Linux发行版选择正确的包管理器（如。你可以在应用程序菜单中找到终端，并点击打开它。在大多数LXDE桌面环境中，你可以使用。方法三：使用应用程序菜单。不可用，你可以尝试使用。
2024-09-13 14:40:10
740
原创 YOLO v8 在马赛克增强中加入负样本，解决误检问题
虽然v8支持直接训练“无标签的负样本”（v8中叫做background），但默认方式也只是混进正样本中一起练，这会导致新的误检图得不到充分训练使用本文的“负样本马赛克”功能，可以保证每一轮、每一张图里全都有误检图。能够在较少的训练轮次中，解决漏检问题使用例：比如说你发现你模型把摩托车识别成人，那就把那几张摩托车的图放进neg_dir，练个30轮出来就不会有摩托车误识别的问题了【但要注意，放进neg_dir里的图 绝 对 不 能 有正样本（例如把摩托车误检成人的图里不能出现真的人）。
2024-09-03 16:14:03
1763
原创 看你对/etc/fstab文件了解多少？fstab文件详解
如果想把本机上的某个设备（device）挂载上来，写法如：/dev/sda1、/dev/hda2或/dev/cdrom，其中，/dev/sda1 表示第一个串口硬盘的第一个分区，也可以是第一个SCSI硬盘的第一个分区，/dev/hda1表示第一个IDE硬盘的第一个分区，/dev/cdrom 表示光驱。在这个文件下，我们要关注的是它的六个域，分别为：、、 、、、。看你对/etc/fstab文件了解多少？
2024-08-28 11:44:39
978
原创 标注神器 | Label-Studio X SAM 半自动化标注
本文将介绍结合 Label-Studio 和 SAM (Segment Anything) 半自动化标注方案，Point2Lablel：用户只需要在物体的区域内点一个点就能得到物体的掩码和边界框标注，Bbox2Label：用户只需要标注物体的边界框就能生成物体的掩码，社区的用户可以借鉴此方法，提高数据标注的效率。SAM (Segment Anything) 是 Meta AI 推出的分割一切的模型。Label Studio 是一款优秀的标注软件，覆盖图像分类、目标检测、分割等领域数据集标注的功能。
2024-08-22 11:52:45
2680
2
原创 python中numpy.concatenate()函数的使用
其中a1,a2,...是数组类型的参数。array([ 1, 2, 3, 11, 22, 33, 44, 55, 66]) #对于一维数组拼接，axis的值不影响最后的结果。>>> np.concatenate((a,b,c),axis=0) # 默认情况下，axis=0可以不写。>>> np.concatenate((a,b),axis=1) #axis=1表示对应行的数组进行拼接。>>> np.concatenate((a,b),axis=-1) #axis=-1表示。
2024-08-20 19:21:40
473
原创 在Python中使用OpenCV录制视频并保存
这段代码会打开默认摄像头，录制视频，并将其保存为名为"output.avi"的文件。的参数来改变输出文件的格式、帧率和分辨率。按下'q'键可以退出视频录制。当不再需要视频写入对象时，使用。循环读取摄像头的帧，并使用。来创建视频写入对象。
2024-08-20 10:56:00
1203
转载 linux磁盘分区fdisk命令详解及云硬盘挂载实操「建议收藏」
分区是将一个硬盘驱动器分成若干个逻辑驱动器，分区是把硬盘连续的区块当做一个独立的磁硬使用。分区表是一个硬盘分区的索引,分区的信息都会写进分区表。fdisk命令参数介绍：p、打印分区表。n、新建一个新分区。d、删除一个分区。q、退出不保存。w、把分区写进分区表，保存并退出。fdisk /dev/sda 对磁盘/dev/sda进行分区操作fdisk -l 查看当前的磁盘分区信息(主要是分区表信息）
2024-08-19 16:32:46
276
原创 【python基础】python切片—如何理解[-1:]，[:-1]，[::-1]的用法
在python中，序列是python最基本的数据结构，包括有string，list，tuple等数据类型，切片对序列型对象的一种索引方法，其中每个元素都有对应的位置值，具有正向递增（从0开始），反向递减（-1开始）的属性，根据此可以进行普通索引或切片索引。[ :-5:-2]：k<0，i 默认为-1，即从右往左，步长2，范围从最后一个元素开始到第二个元素。[-1: :-2]：k<0，j 默认为-6，从右往左，步长2，范围从最后一个元素开始到第一个元素。总结：[-1] [:-1] [::-1] [n::-1]
2024-08-14 17:14:10
1101
原创 目标检测yolo格式与labelme标注互相转换及其可视化
yolo目标检测数据采用矩形框进行标注，其标注格式为[cls_id xp yp wp hp]，cls_id表示目标所属的类别序号。xp、yp表示目标中心点相对坐标，其中xp等于目标的绝对横坐标除以图像宽度，yp等于目标的绝对纵坐标除以图像高度。wp和hp表示目标的相对宽度和高度，其中wp等于目标的绝对宽度除以图像宽度，hp等于目标的绝对高度除以图像高度。每张图片的标注结果以txt文本文件存储，每一行[cls_id xp yp wp hp]表示一个目标。
2024-08-07 11:35:40
910
原创 Windows加载模型提示不能实例化PosixPath（cannot instantiate ‘PosixPath‘ on your system）
博主通过修改pathlib.py源码，将PosixPath替换为WindowsPath以解决不兼容问题，确保模型在Windows环境下正常实例化。在 Windows 操作系统下，默认创建的 Path 对象是 WindowsPath 对象，其余Linux，unix 等满足 POSIX规范的操作系统都将被创建为 PosixPath 对象。在Linux环境下训练好了模型，再使用Windows系统加载模型使用报错，原来是使用了PosixPath这个高级库。其中上方注释部分为源码，下方的代码为修改代码。
2024-08-07 10:56:26
651
原创 批量修改txt标签文件（删除一些类，保留一些类）
若标签中无0类标签，即只有1类标签时，直接删除该文档。原标签有0和1两类，想要删除其中的1类，保留0类。1、将txt文件名修改成从1升序。2、修改txt文档内容。
2024-07-29 16:36:15
573
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人