推荐开源项目:MyCitadel Desktop - 比特币、闪电网络和RGB钱包的革新选择

推荐开源项目:MyCitadel Desktop - 比特币、闪电网络和RGB钱包的革新选择

mycitadel-desktopMyCitadel Wallet app for Linux, Windows & MacOS desktop made with GTK+3项目地址:https://gitcode.com/gh_mirrors/my/mycitadel-desktop

项目封面

项目介绍

MyCitadel Desktop 是一款前沿的比特币、闪电网络和RGB资产钱包,它将安全性、速度与技术创新完美结合。作为一个跨平台的钱包,MyCitadel 支持比特币的最新功能,包括 Taproot 多重签名,并提供了一整套集成的数字主权和隐私保护服务。

不仅提供可靠的长期持有(含继承选项)、企业或个人账户管理,还支持即时的闪电网络支付。通过单一和多签设置,利用硬件、离线、冷热钥匙存储和服务器端的热钥,MyCitadel 允许用户构建复杂的时间锁定脚本(基于 Miniscript)并实现广泛的互操作性。

历史记录截图

技术分析

MyCitadel Desktop 使用 Rust 编程语言构建,依赖于 GTK+ 框架和一系列由 LNP/BP 标准协会开发的比特币与闪电网络 Rust 库。这些库包括客户端验证、描述符钱包、BP、LNP 和 RGB 库。此外,MyCitadel 节点还包括嵌入式 LNP 和 RGB 节点。

该应用在设计上强调了安全性,支持空气隔绝、硬件和观察模式的钱包,允许创建复杂的消费条件。同时,它采用了钱包描述符来增强钱包管理和资金流动性。MyCitadel 还支持批量付款和独立PSBT(部分已签名交易)签署。

启动器截图 签署者截图 条件截图 描述符截图 付款截图 PSBT签署截图

应用场景

MyCitadel 可以应用于各种场景:

  • 对安全性和隐私有高要求的个人投资者和数字资产持有者。
  • 需要进行快速、低费用交易的企业和商家,尤其是那些寻求利用闪电网络的。
  • 管理组织和公司账户,支持不同权限级别的成员访问。
  • 希望建立自我托管、私有云或家庭服务器解决方案的技术爱好者。

项目特点

  • 领先技术:首先支持 Taproot 多重签名和时间锁脚本。
  • 灵活性:支持多种钱包类型和签署方式,适应不同安全需求。
  • 复杂性管理:轻松处理复杂脚本和多种消费条件。
  • 无缝集成:采用钱包描述符实现不同钱包间的无缝交互。
  • 批量支付与独立签署:提高效率,减少交互次数。

安装与许可证

请参考INSTALL文档进行安装。

该项目是根据 AGPL-3.0 许可证发布的免费软件,不附带任何保证。

(C) 2022-23 Pandora Prime SA, Neuchatel, Switzerland. 部分权利保留;详情请阅读许可协议。

如需商务合作、伙伴关系或其他咨询,请致信 <enquiries@mycitadel.io>

MyCitadel Desktop 的创新特性,使其成为寻求高级功能和技术尖端体验的比特币和闪电网络用户的理想之选。立即尝试,体验未来钱包的魅力!

mycitadel-desktopMyCitadel Wallet app for Linux, Windows & MacOS desktop made with GTK+3项目地址:https://gitcode.com/gh_mirrors/my/mycitadel-desktop

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

蓬玮剑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值