- 博客(63)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 yolov8 训练
本文记录了在RK3399开发板上使用YOLOv8n模型进行目标检测（以人脸检测为例）的完整流程。作者对比了YOLOv8n和NanoDet的性能差异，最终选择YOLOv8n进行实现。主要内容包括：1) 数据准备与标注转换，使用LabelImg工具标注2000张图片并转换为YOLO格式；2) 模型训练，配置YAML文件并训练100个epoch；3) 模型验证与导出，测试模型效果并转换为TorchScript格式；4) 部署准备，介绍ncnn转换流程。整个过程详细记录了从数据准备到模型部署的关键步骤，为在嵌入式设
2025-12-30 16:44:05
661
原创 大模型(qwen3-1.7b)转rkllm
本文详细介绍了在Ubuntu系统上部署Qwen3.0大模型到RK3588开发板的过程。主要内容包括：1）搭建Python3.11的conda环境；2）安装RKLLM工具包进行模型转换；3）下载Qwen3-1.7B模型并转换为RK3588可识别的格式；4）在开发板上编译运行转换后的模型。文中提供了完整的操作步骤和注意事项，包括环境配置、模型转换、交叉编译等关键环节，最终成功在RK3588上运行转换后的Qwen3模型，并展示了验证方法。
2025-12-04 23:09:22
790
原创 并发之锁介绍
本文系统介绍了并发编程中的锁机制。锁是控制共享资源访问的核心同步工具，广泛应用于操作系统、数据库、多线程编程等领域。文章从锁的历史发展入手，梳理了从信号量到分布式锁的技术演进。重点阐述了锁的三种分类维度：按作用范围（线程级、进程级、分布式）、按功能行为（互斥锁、读写锁、可重入锁等）以及按实现策略（悲观锁、乐观锁、无锁）。详细分析了各类锁的特性、适用场景及典型实现，并总结了锁使用中的常见风险（死锁、活锁等）及规避策略。最后通过典型业务场景的锁选择建议，强调应根据资源特性、竞争强度等因素选择最合适的锁机制。
2025-12-02 18:55:42
736
原创 数据库简介
数据库发展经历了从机械记录到AI原生的演进历程。19世纪打孔卡片开创机器可读数据，20世纪关系型数据库（RDBMS）确立SQL标准，21世纪NoSQL应对互联网高并发需求，当前向量数据库支撑AI应用。现代数据库分为关系型（MySQL/OceanBase）、NoSQL（MongoDB/Redis）、时序（TDengine）、图（Neo4j）、向量（Milvus）等类型，各具特色。国产数据库（达梦/TiDB）在信创领域表现突出。选型需考虑数据模型、一致性要求和扩展性，典型如电商组合使用MySQL+Redis+E
2025-12-01 18:35:56
831
原创 redis-架构解析
本文深入剖析了Redis高性能内存数据库的核心技术。首先介绍了Redis基于C语言开发、内存存储和单线程事件驱动模型的高性能架构，分析了其内存访问机制、超时淘汰策略和RDB/AOF持久化原理。其次详细讲解了Redis丰富的数据结构，包括String、Hash、List等基础类型和Bitmap、GEO等扩展类型。最后重点阐述了Redis高可用架构的三种实现方式：主从复制实现数据冗余，哨兵模式提供自动故障转移，集群模式支持横向扩展和数据分片。文章通过架构图、配置示例和性能对比，全面展示了Redis如何在不同业务
2025-11-28 19:38:03
996
原创 nginx-业务功能
摘要：本文深入解析Nginx的核心架构与业务能力。Nginx以高效协议解析为基础，发展出两大支柱功能：静态资源服务和反向代理。静态资源服务通过零拷贝、文件缓存等技术实现高性能；反向代理则提供负载均衡、流量调度等关键能力。文章详细介绍了轮询、最少连接等负载均衡算法，以及反向代理配置要点如超时控制、WebSocket支持、缓存管理等。此外，还涵盖SSL终止、限流保护、安全防护等高级功能配置方案。通过合理配置，Nginx可成为现代微服务架构的高性能网关，单机可支撑百万级QPS的静态请求。
2025-11-26 18:19:59
689
原创 高并发之nginx架构
Nginx作为高性能Web服务器的代表，其成功源于对操作系统能力的极致利用。为解决C10K问题，Nginx采用了多进程事件驱动架构，结合epoll等I/O多路复用技术，实现单线程处理数万并发连接。其核心优化包括：Master-Worker多进程模型实现进程隔离，epoll机制实现O(1)事件处理，零拷贝技术减少数据传输开销。通过这些创新设计，Nginx将传统Web服务器的单机并发能力提升到百万级别，证明了合理架构与系统调优可以突破硬件限制。Nginx的成功经验表明，充分利用操作系统特性比发明新理论更能有效解
2025-11-21 18:57:22
829
原创 性能相关指标
本文系统介绍了13个核心系统性能指标，分为业务指标和技术指标两大类。业务指标包括TPS（每秒事务数）、UV（独立访客）、PV（页面浏览量）；技术指标涵盖QPS（每秒请求数）、吞吐量、并发数、响应时间、错误率等。文章详细阐述了每个指标的定义、计算方式及应用场景，如TPS衡量业务处理能力，QPS评估服务器性能，响应时间反映用户体验。还介绍了可用性、MTTR、MTBF等可靠性指标，并以银行App转账接口为例展示了指标综合应用。这些指标为系统性能评估、容量规划和故障定位提供了量化依据。
2025-11-14 23:06:35
1159
原创 单机并发简介
本文探讨了单机高性能的关键因素，分析了从C10K问题到现代高并发系统的演进。主要瓶颈包括线程内存开销（默认2MB栈）、文件描述符限制和I/O效率问题。通过epoll等事件驱动技术可优化网络I/O至O(1)复杂度，而SSD可降低磁盘延迟。最佳实践建议：I/O密集型应用采用异步模型，CPU密集型控制线程数接近核心数。典型配置分析显示，8核32GB机器可支持200万+连接或80k+ QPS，但需平衡内存、CPU和I/O资源。核心优化原则是最大化有效计算时间，减少调度开销和资源浪费。
2025-11-13 23:03:05
761
原创 transformer记录二（解码器步骤讲解）
本文详细解析了Transformer解码器的工作流程，重点介绍了推理阶段的核心步骤。解码器以预设标记<sos>开始，通过掩码自注意力机制防止信息泄露，执行交叉注意力融合编码器信息，并借助残差连接保持特征。关键环节包括多头注意力分解、投影输出归一化、前馈神经网络变换，最终通过线性投影和Softmax生成预测结果。文章还对比了束搜索（确定性输出）和采样（多样性输出）两种预测策略的差异，说明不同任务场景下的适用选择。整个过程以512维向量为基础，通过循环预测直到出现结束标记<eos>终止，
2025-11-13 14:32:16
971
原创 transformer记录一（输入步骤讲解）
本文详细介绍了Transformer架构的核心原理和实现流程。首先说明Transformer通过自注意力机制实现了序列数据的并行化建模，解决了RNN长距离依赖和计算效率问题。随后以"小莲，我喜欢你"为例，逐步讲解处理流程：1）分词器将句子拆分为token；2）词向量将token转换为512维向量；3）位置编码加入顺序信息。重点解析了编码器的工作机制，包括多头自注意力计算（Query/Key/Value向量生成、注意力分数计算、加权融合）、残差连接与LayerNorm、前馈神经网络等核心组
2025-11-02 20:24:05
1188
原创 神经网络发展【深度学习】
深度学习发展经历了四个关键阶段：从2012年AlexNet开启的卷积堆叠阶段，到2015年ResNet通过残差连接解决梯度消失问题；2017年Transformer以自注意力机制突破全局建模瓶颈；2020年后进入数据驱动的大模型时代，通过预训练和微调实现多模态融合。当前技术聚焦效率优化与垂直应用，采用稀疏化、知识蒸馏等方法降低计算成本，同时推动通用模型向医疗、法律等专业领域迁移。这一历程展现了从局部感知到全局交互、从单一模态到跨模态理解的技术演进路径，未来将向更高效、通用和可解释的方向发展。
2025-10-28 15:05:38
777
原创 基于window/ubuntu安装rknn-toolkit2【docker】
在Windows 11专业版通过WSL安装Ubuntu 20.04，并成功部署Docker环境，解决了直接加载Linux打包的RKNN模型转换工具镜像（rknn-toolkit2-v2.3.2）失败的问题。具体步骤包括：1）从Microsoft Store安装Ubuntu 20.04；2）配置Docker仓库并安装Docker；3）通过WSL文件共享将镜像文件拷贝至Ubuntu目录；4）使用docker load命令成功加载RKNN工具包镜像。该方法为Windows用户提供了便捷的Linux开发环境搭建方案
2025-10-24 18:05:30
1002
原创 comfy UI节点缺失dlib库处理
编译为：dlib-19.24.99-cp312-cp312-win_amd64.whl。依赖环境：python3.12 comfyui 最新版本。进入到目录下，然后通过python进行手动安装。pip install dlib 出现错误。下载解压之后：直接通过。
2025-02-23 18:23:51
393
原创 comfy SDXL_EcomID_ComfyUI 节点地址
进入到ComfyUI_windows_portable\ComfyUI\custom_nodes。依赖：insightface 、 onnxruntime 、onnxruntime-gpu、如果实在拉不下来，这里直接把我下好的放到节点里面。
2025-02-23 10:12:04
765
原创 springboot mvn 打包，jar和资源文件分离打包
修改jar打包插件,一定需要添加启动类com.xxx.xxx.xxx自己修改。资源打包，导报到resources目录下面。依赖打包，把依赖文件打包到lib目录。添加资源，包含如下保和文件格式。然后再命令窗口进行打包操作。
2024-12-03 11:21:05
502
原创 问题An object named ‘ResNetArcFace‘ was already registered in ‘arch‘ registry!
发现是由于ResNetArcFace已经被注册，搜索了下，发下我安装的另外一个库已经包含了。那咋办了，一个是重新开个环境，通过conda创建一个虚拟环境，排除环境依赖，一个是修改源码。在安装 GFPGAN 的时候，一切都顺利，但是执行的时候出现了错误，哦还有一个问题，就是如果basicsr安装不成功可以执行如下命令。回归上面的问题，如果执行出现了如下错误。然后源代码重新安装，执行解决此问题。
2024-11-15 17:11:34
613
原创 基于docker部署nacos-mysql
在nacos-docker/xample目录下找到standalone-mysql-5.7.yaml。并修改nacos-docker/env/custom-application-config.env。这里数据库搭建在docker里面，所以我这边的ip选择的就是docker的ip。这里修改文件为如下standalone-mysql-5.7.yaml。需要登录的容器里面进行授权，还有sql也需要执行。在nacos-docker目录下执行。工具：docker-compose。数据库：mysql5.7。
2024-10-25 10:35:43
769
原创 查询vllm-flash-attn与之对应的pytorch
最近安装vllm的时候 有时候pytorch版本总是弄错，这里写下vllm-flash-attn与pytoch对应关系。点进去查询对应的pytoch。
2024-08-29 13:51:08
5076
原创 SkyWalking部署（监控系统）
SkyWalking 是一个开源的应用性能监控 (APM) 和可观测性平台，旨在帮助开发者、运维人员和架构师监控、诊断和优化微服务架构中的应用。SkyWalking 提供了一套完整的工具链，用于收集、分析和可视化应用的性能指标、追踪和日志数据。SkyWalking 的主要特点自动发现服务拓扑图。自动跟踪服务间的依赖关系。自动收集服务和应用的性能指标。支持多种编程语言，包括 Java、Go、.NET、Node.js 等。
2024-08-28 15:08:10
2406
3
原创 卷积神经网络（三）-zfNet
ZFNet（Zeiler & Fergus Net）是由Matthew D. Zeiler和Rob Fergus在2013年提出的卷积神经网络模型，它是基于AlexNet进行改进而来的。ZFNet在当年的ImageNet Large Scale Visual Recognition Challenge (ILSVRC)中取得了冠军,尤其在分类和定位任务上表现突出。
2024-07-25 09:42:27
1486
4
原创 卷积神经网络（二）-AlexNet
AlexNet 针对之前的CNN做出来改进，把网络模型增加了（之前训练的5层到8层），并且带权重的网络增加到了8层，识别种类可以达到1000种，在当时是非常不错了，参数60,516,968个（大约6000w个权重参数，和论文里面的60million对上了里面包含的可训练的网络层只有8层（C1、C2、C3、C4、C5、F1、F2、F3）相当于现在的网络层级来说层数太浅了无法支持更复杂的特征。提出步长小于滤波器的边数，这样获取值的时候能够对有效特征进行重复提取，可以提高识别精度。
2024-07-22 10:31:02
785
原创 卷积神经网络（一）-LeNet-5
CNN网络的开山之作，很简单的结构，总共就7层，整体的参数个数：59,706 参数接近6万，参数量相对于现在来说是已经很小了，由于之前受计算机性能和数据等影响，也没法发展太大的网络框架。但是此框架给我们开了一个头，而且由于他的简单方便我们学习。
2024-07-17 17:37:14
1025
原创 onnx模型转rknn到部署
最近开始用3568的板子，之前是在用3399，cpu的话3399比3568强，但是3568有1T的npu算力，所以模型移植过来用npu使用，之前用ncnn感觉太慢了，rk的npu使用没有开源，所以没法兼容，只能跑rknn了。有些版本可以有限制，无法查询当前的命令，但是如果代码能够正常执行就行。这里采用的模型是 insightface 的 det_500m.onnx 模型，用来做人脸目标检测。
2024-06-28 17:14:37
4293
原创 ONNX2NCNN工具
最近部署很多onnx转ncnn的操作，发现还是需要有页面操作会比较好，而且需要查询onnx的图，所以写了一个工具来搭配使用建议搭配来使用。
2024-06-13 10:50:40
3094
4
原创 关于人脸识别【insightface】 ncnn移植到rk3399
参考上一章量化之后，识别速度没有提升，后面我只能换小点的模型了，把【det_10g】改为【det_500m】速度终于提升上来了，识别效果还在在rk3399 上面由1s多 降为500ms左右，但是速度还是有点慢。看了下识别时长，基本都是目标检测和人脸特征提取这两个时间有点长。
2024-06-12 18:56:24
1376
原创 人脸识别之--计算余弦相似度-android
余弦相似度是比对两个向量是否一致，同样可以比较两组特征的相识度，一般人脸识别中会比较常用到，而且计算出来的结果就可以展示相似度分值。其中Embed值是list 值为512维。
2024-06-12 18:07:55
943
原创 卷积池化尺寸计算公式
卷积CNN是我们最常使用的，但是有时候需要观察他的输出前后的差异，这里描述下计算方式，具体如下：图片大小：WxHxD W:宽 H:高 D:通道（RGB） 例:320x320x3卷积核：NxNx3 卷积核大小 后面的3是和图片的通道对应，如果图片是灰度的那么就是1卷积核个数：C步长：S 每次一卷积的时候跨越的步长填充：P 外网填充多少行和列，一般是图片保留特征或者是维持图片大小公式计算：输出数据的高度：OH = (H - N + 2P) / S + 1。
2024-06-06 19:05:05
2263
原创 ncnn 优化量化
当前正在做人脸检测部署，发现检测速度有点吓人，以下监测的时间gpu：cpu：gpu推理大概整体时间200多毫秒，cpu推理时间300多毫秒，这里暂时没去考虑内存了。只考虑效率。用的insightface的det_10g 和w600k_r50模型，一个用于检测人脸框，一个用于对齐人脸特征。其实主要的时间集中在了检测框步长8的步骤。现在我的主要思路是基于ncnn的量化来进行优化，看看是否满足效果。
2024-05-24 16:20:30
2239
原创 NMS出现重框问题
最近做目标检测的时候，发现通过极大值，还是有可能出现两个重叠的方框具体如下：核心代码如下：问题排查：通过定位排查，发现里面有个缺陷，就是在重叠框和目标框过小的时候，容易导致出现出问题NMS计算是IOU，就是计算重叠面积，占据两个框总面积减去重叠框的比例如果其中一个面积比较大，一个面积比较小，这个时候哪怕完全重叠，他们的IOU的NMS也比较低，通过阈值过滤会失败，导致出现两个重叠的方框。比如：我设置的阈值是0.4有两个方框A和B方框A的面积是1000，而B的面积是10，他们完全重叠，但是计算出来的N
2024-05-22 21:08:58
621
原创 ncnn android编译
直接使用下面的和官方的opencv 出现了typeid无法识别的问题。如果直接使用的opencv但是看了有些函数被去掉了，我一个项目刚好需要estimateAffinePartial2D函数，但是恰好他没有，那么只能选择官方的opencv（但是又碰上了 error: use of typeid requires -frtti主要是用到了typeid 引起的，android为了效率关闭了运行时类型信息 (RTTI)，开启会增加程序大小和降低性能。
2024-05-22 09:11:39
996
原创 人脸识别之bbox【det_10g】-ncnn(c++)
det_10g是insightface 人脸框图和人脸关键点的分类，最终能够得到人脸框图bbox，分值还有人脸五官（眼x2、鼻子x1、嘴巴x2）
2024-05-11 16:33:55
1796
docker部署服务文档
2023-11-28
rk3399烧录工具&烧录教程
2023-02-13
node js模块 打包
2017-10-18
缓冲区代码
2014-03-11
ProtocolBuffers-2.2.0-Source (1).tar.gz
2014-12-12
comfyui-ComfyUI-Impact-Pack 节点模型
2025-02-22
nacos-docker资源
2024-10-25
AlexNet论文 (2)
2024-07-18
insightface模型onnx
2024-06-12
insightface模型onnx转ncnn模型
2024-06-12
ncnn 包，window
2024-04-24
asterisk20编译的相应包编译包
2024-02-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人