<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。]]></title><description><![CDATA[专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。]]></description><link>https://blog.csdn.net/shanwei_spider</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; shanwei_spider]]></copyright><item><title><![CDATA[统信UOS ARM平台YOLO26移植踩坑实录：国产工控机无加速卡也能跑实时检测]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170658558</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170658558</guid><author>shanwei_spider</author><pubDate>Fri, 13 Nov 2026 06:15:00 +0800</pubDate><description><![CDATA[本文分享某汽配厂产线国产化替代项目中，将x86+OpenVINO方案迁移至飞腾D2000/8 + 统信UOS ARM64平台的实战经验。面对指令集差异、生态不全、依赖缺失、安全限制等二十多个坑，通过选用PyTorch 2.0.1、优化ONNX Runtime配置（XNNPACK+多线程）、固定输入尺寸、降低Opset版本至17等策略，最终实现640×640输入下14帧/秒的稳定推理，满足100ms节拍要求。强调国产ARM部署非简单移植，需深度适配环境、框架与模型，所有方案均经产线验证。]]></description><category></category></item><item><title><![CDATA[盾机对抗实战：Python采集绕过行为检测与风控的核心技巧，踩过的坑都在这了]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170658276</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170658276</guid><author>shanwei_spider</author><pubDate>Fri, 13 Nov 2026 06:00:00 +0800</pubDate><description><![CDATA[某商业数据采集项目因目标站升级行为风控系统，导致采集成功率从95%骤降至15%。经分析，对方采用四层检测体系（网络、协议、行为、设备层）综合判定，传统代理与伪装手段失效。通过分层优化：选用优质高匿代理并合理轮换；使用curl_cffi模拟真实浏览器TLS指纹与请求头顺序；引入正态分布随机延迟模拟真人操作节奏；结合Playwright进行设备指纹扰动与自动化特征隐藏，最终将成功率稳定在92%以上，实现长期稳定采集。]]></description><category></category></item><item><title><![CDATA[工业缺陷检测落地实录：YOLO26金属表面划痕识别，从数据集到产线部署全流程]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170580214</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170580214</guid><author>shanwei_spider</author><pubDate>Thu, 12 Nov 2026 06:11:27 +0800</pubDate><description><![CDATA[针对长三角汽配厂冲压件划痕检测难题，采用YOLO26+OpenVINO方案实现高精度、低延迟部署。通过构建覆盖真实产线场景的数据集，严格标注规范与针对性数据增强，结合锚框优化、损失函数调整及注意力机制，显著提升小缺陷召回率。最终在无独立显卡工控机上实现30ms端到端推理，漏检率≤0.5%，误检率1.2%，全面满足产线节拍与质量要求，验证了工业落地中“数据为王、场景驱动”的核心逻辑。]]></description><category></category></item><item><title><![CDATA[2026通用语义采集实战：大模型+Python打造免维护框架，前端改版再也不用连夜改代码]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170580027</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170580027</guid><author>shanwei_spider</author><pubDate>Thu, 12 Nov 2026 06:07:31 +0800</pubDate><description><![CDATA[本文分享团队落地大半年的语义采集方案，破解传统爬虫因前端改版导致规则失效的痛点。通过LLM实现从“位置定位”到“意图提取”的范式跃迁，提出三种混合架构：辅助生成选择器、端到端语义提取、生成可执行代码复用。结合实际代码，构建低成本、高鲁棒的通用采集系统，核心在于用readability清洗页面、Pydantic定义Schema、大模型结构化输出，实现90%以上Token节省与规则自动演进，真正让采集进入“一次配置，长期有效”的智能时代。]]></description><category></category></item><item><title><![CDATA[抓包全是密文？RSA+AES+MD5前端混合加密逆向与Python还原实战]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170341439</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170341439</guid><author>shanwei_spider</author><pubDate>Tue, 10 Nov 2026 06:00:00 +0800</pubDate><description><![CDATA[本文系统解析了前端混合加密（RSA+AES+MD5）的逆向思路与实战落地方法。通过定位加密入口、逐层拆解签名、AES与RSA逻辑，结合断点调试与Hook技巧，最终用Python 1:1还原加密流程。核心要点：理清三类算法分工，掌握参数排序、填充、编码等关键细节，避免密钥派生、公钥格式等常见坑，适用于绝大多数前端加密接口对接场景。]]></description><category></category></item><item><title><![CDATA[YOLO26 多摄像头目标重识别完整实战：ReID模块无缝接入，跨镜头人员追踪从原理到落地]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170340298</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170340298</guid><author>shanwei_spider</author><pubDate>Tue, 10 Nov 2026 06:00:00 +0800</pubDate><description><![CDATA[本文分享了基于YOLO26 ReID能力实现多摄像头跨镜头人员追踪的完整方案。针对传统跟踪在跨镜时ID频繁跳变的问题，通过集成YOLO26内置ReID模块，结合全局特征库与时空约束，实现92%以上匹配准确率，ID切换次数降低70%。文章详解了从单路跟踪启用ReID、特征提取到多路系统架构设计、相似度阈值调优及匹配算法实现的全流程，附实战踩坑与工程优化经验，为智慧园区、商场安防等场景提供可落地的跨镜追踪解决方案。]]></description><category></category></item><item><title><![CDATA[YOLO26-OBB旋转检测实战：无人机航拍与工业长条缺陷检测完整落地方案]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170339757</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170339757</guid><author>shanwei_spider</author><pubDate>Mon, 09 Nov 2026 10:14:33 +0800</pubDate><description><![CDATA[本文分享YOLO26-OBB在工业视觉与无人机巡检中的落地实践，针对长条状、任意朝向目标（如钢材裂纹、风机叶片、航拍舰船）的检测难题，对比水平框的局限性，阐述旋转检测（OBB）在定位精度、召回率与后处理效率上的优势。重点介绍数据标注规范、模型训练调优策略（如角度参数化改进、多尺度增强）、小目标优化及工程部署经验，结合真实项目验证：同等参数下倾斜目标召回率提升4-6个百分点，推理速度稳定，显著优于传统方案，为旋转检测落地提供可复用的技术路径。]]></description><category></category></item><item><title><![CDATA[从CSS选择器到语义提取：AI时代工业数据采集的工程化演进路线]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170180888</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170180888</guid><author>shanwei_spider</author><pubDate>Mon, 09 Nov 2026 10:09:15 +0800</pubDate><description><![CDATA[工业数据采集正经历由“依赖DOM结构”向“语义理解”的范式革命。传统正则、选择器与浏览器自动化因前端改版频繁导致维护成本高昂，而大模型驱动的语义提取技术通过自然语言描述直接获取数据，实现“位置无关”的鲁棒采集。当前主流方案包括生成选择器、端到端结构化输出及生成可复用提取代码，结合混合架构与成本优化策略，构建低成本、高可用的智能采集体系。]]></description><category></category></item><item><title><![CDATA[OpenVINO部署YOLO26实战：Intel CPU/NPU硬件加速，无显卡也能跑实时检测]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170182159</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170182159</guid><author>shanwei_spider</author><pubDate>Sat, 07 Nov 2026 06:15:00 +0800</pubDate><description><![CDATA[本文分享了在无独立显卡的Intel i5-1235U工控机上，通过OpenVINO对YOLO26s模型进行全流程优化，将检测帧率从12帧提升至42帧的实战经验。涵盖环境搭建、模型转换、部署优化及性能调优，重点介绍如何利用CPU、核显与NPU加速，实现低成本高效率的工业缺陷检测落地，验证了OpenVINO在边缘计算场景下的强大潜力。]]></description><category></category></item><item><title><![CDATA[异步工业数据采集架构实战：aiohttp+httpx高并发方案设计与生产踩坑全解]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170181976</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170181976</guid><author>shanwei_spider</author><pubDate>Sat, 07 Nov 2026 06:00:00 +0800</pubDate><description><![CDATA[本文分享企业级公开数据采集系统从多线程到异步架构的重构实战，剖析了高并发场景下的核心痛点与解决方案。通过对比aiohttp与httpx选型、构建六层分层架构（任务队列、并发控制、连接池、重试机制、异步IO处理、监控统计），重点揭示了信号量控制、全局Session复用、分层超时配置等关键设计。结合真实踩坑经验，如协程雪崩、频繁创建Session、超时失效等问题，提出可落地的最佳实践，助力开发者高效实现单节点1200并发、每小时25万请求的稳定采集能力。]]></description><category></category></item><item><title><![CDATA[YOLO推理引擎横评：TensorRT/OpenVINO/ONNX/OpenCV实测对比，速度与精度差距有多大？]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170181039</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170181039</guid><author>shanwei_spider</author><pubDate>Fri, 06 Nov 2026 08:16:33 +0800</pubDate><description><![CDATA[本文基于真实工业场景，对TensorRT、OpenVINO、ONNX Runtime和OpenCV DNN四款主流推理引擎进行全维度实测。在相同硬件环境下，对比了YOLOv8n/s/m模型在GPU（FP16）与CPU（FP32）下的纯推理与端到端耗时、精度损失及部署成本。结果表明：TensorRT在GPU上性能领先，速度快2-5倍；OpenVINO在Intel CPU上优势显著，较ONNX Runtime快30%-40%；ONNX Runtime综合平衡性最佳，跨平台性强；OpenCV DNN依赖最少，适合]]></description><category></category></item><item><title><![CDATA[从CSS选择器到语义提取：AI时代工业数据采集的工程化演进路线]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170180792</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170180792</guid><author>shanwei_spider</author><pubDate>Fri, 06 Nov 2026 08:13:35 +0800</pubDate><description><![CDATA[工业数据采集正经历由“依赖DOM结构”向“语义理解”的范式革命。传统正则、选择器与浏览器自动化因前端改版频繁导致维护成本高昂，而大模型驱动的语义提取技术通过自然语言描述直接获取数据，实现“位置无关”的鲁棒采集。当前主流方案包括生成选择器、端到端结构化输出及生成可复用提取代码，结合混合架构与成本优化策略，构建低成本、高可用的智能采集体系。]]></description><category></category></item><item><title><![CDATA[YOLO26 + ByteTrack 人员计数全实战：虚拟线统计、轨迹留存、遮挡场景踩坑全记录]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170117784</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170117784</guid><author>shanwei_spider</author><pubDate>Thu, 05 Nov 2026 08:30:46 +0800</pubDate><description><![CDATA[本文分享了基于YOLO26与ByteTrack的人员计数方案，解决传统方法在遮挡、ID切换、重复计数等问题。YOLO26端到端设计省去NMS调参，提升速度与精度；ByteTrack两阶段匹配增强轨迹连续性。结合虚拟绊线计数、轨迹历史留存与方向判断，实现高准确率客流统计。附完整代码与参数调优建议，适用于真实场景工程落地。]]></description><category></category></item><item><title><![CDATA[别只改UA！TLS指纹+HTTP/2指纹+浏览器JS指纹全链路绕过踩坑实录]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/170105707</link><guid>https://blog.csdn.net/shanwei_spider/article/details/170105707</guid><author>shanwei_spider</author><pubDate>Thu, 05 Nov 2026 07:18:57 +0800</pubDate><description><![CDATA[Go生态里常用，适合需要精细化调整TLS扩展、自定义指纹的场景，代价是自己维护浏览器画像，调试成本高，不适合快速开发。现在的机器人防护体系，早就不是靠简单UA识别脚本的时代。很多人一直停留在几年前的反爬思路，只在HTTP头和Cookie上打转，卡在TLS握手这一关，浪费大量时间在代理调试上。三层指纹对抗，本质是模拟一个完整、自洽的真实客户端身份，从网络握手、HTTP协商，到前端JS环境，每一层特征都要匹配同一个浏览器画像。]]></description><category></category></item><item><title><![CDATA[YOLO26凭什么再涨3.8个点？五大核心创新逐点深挖：MuSGD、STAL标签分配与ProgLoss完全拆解]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/169952009</link><guid>https://blog.csdn.net/shanwei_spider/article/details/169952009</guid><author>shanwei_spider</author><pubDate>Wed, 04 Nov 2026 06:15:00 +0800</pubDate><description><![CDATA[最近把产线的缺陷检测模型从YOLOv11升级到了YOLO26，没改数据集、没加训练轮次，1280分辨率下n版本的AP50-95直接涨了3.8个点，CPU端推理速度还快了1.2ms。一开始以为就是堆了参数量，扒了源码跑了几组消融实验才发现，这次的升级完全是精细化调优的结果，五个核心创新点环环相扣，几乎把检测链路里能抠的细节都抠到了极致。身边不少朋友直接拉了默认参数就跑，有的涨点不明显，有的甚至瞎调优化器反而掉点。本质上都是没搞懂每个创新点的适用场景和底层逻辑，只会拿来主义自然发挥不出全部效果。]]></description><category></category></item><item><title><![CDATA[Pydantic 对接大模型：强制结构化输出，实现工业数据采集零解析错误]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/169951974</link><guid>https://blog.csdn.net/shanwei_spider/article/details/169951974</guid><author>shanwei_spider</author><pubDate>Wed, 04 Nov 2026 06:00:00 +0800</pubDate><description><![CDATA[面对网页数据采集中页面结构频繁变动的痛点，传统XPath与正则解析维护成本高、容错差。虽大模型语义理解能力强，但输出格式不稳、类型无约束，难以直接落地。本文提出“Pydantic + 大模型”结构化方案：通过Pydantic定义数据模型并生成JSON Schema，强制大模型按规范输出，再以Pydantic校验确保格式合规，实现从输入到落库的闭环。实测显示，该方案在多站点采集中解析错误率趋近于零，兼具高准确率与强复用性，显著降低维护成本，是应对复杂异构页面的理想解法。]]></description><category></category></item><item><title><![CDATA[踩过30+部署坑：YOLO26从零训练到工业级部署全流程实战]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/169925530</link><guid>https://blog.csdn.net/shanwei_spider/article/details/169925530</guid><author>shanwei_spider</author><pubDate>Tue, 03 Nov 2026 09:55:12 +0800</pubDate><description><![CDATA[YOLO26不是万能的，选对场景才能发挥最大价值。边缘端、CPU部署、对延迟稳定性要求高的场景，无脑选YOLO26，NMS-Free和移除DFL的收益非常直观纯服务器GPU推理，追求极致精度的，v11和v10也完全够用，不用强行升级工业缺陷检测、小目标密集的场景，YOLO26的小目标优化有明确收益，值得迁移部署优先级：TensorRT>NCNN/OpenVINO>ONNX Runtime，能用量化就用量化，性能提升远大于调模型结构。]]></description><category></category></item><item><title><![CDATA[踩过百万Token的坑：LLM数据提取的成本、准确率与稳定性全优化]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/169925350</link><guid>https://blog.csdn.net/shanwei_spider/article/details/169925350</guid><author>shanwei_spider</author><pubDate>Tue, 03 Nov 2026 09:53:04 +0800</pubDate><description><![CDATA[成本和准确率做上去了，跑两天就崩也没用。稳定性是很多团队容易忽略的点，也是Demo和生产环境的核心差距。直接把原始HTML丢给大模型，90%的Token浪费在冗余内容上Prompt写得模糊笼统，不给字段定义和示例，全靠模型自由发挥不做结构化输出约束，格式解析失败率居高不下所有页面都用最贵的大模型，成本根本控不住提取结果直接落库，不加校验逻辑，脏数据一大堆没有降级兜底方案，模型API一挂全链路瘫痪不做页面质量检测，反爬拦截页也调用LLM白花钱。]]></description><category></category></item><item><title><![CDATA[TensorRT 部署 YOLO26 极致优化：INT8量化 + 流式推理，FPS提升3倍]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/169818784</link><guid>https://blog.csdn.net/shanwei_spider/article/details/169818784</guid><author>shanwei_spider</author><pubDate>Mon, 02 Nov 2026 09:04:24 +0800</pubDate><description><![CDATA[TensorRT 优化不是一锤子买卖，不是转个 FP16 就叫优化了。从基础算子融合，到 INT8 量化校准，再到流式流水线调度，每一层优化都对应着不同的性能收益，也对应着不同的实现复杂度。对于大多数工业场景，INT8 量化是性价比最高的优化点：半天到一天的校准工作量，换来两倍以上的性能提升。而流式推理则是性能天花板的最后一公里，适合对帧率有极致要求的高速产线、多路并发场景。]]></description><category></category></item><item><title><![CDATA[YOLO26 深度解析：NMS-Free 端到端架构，CPU推理提速40%的底层原理]]></title><link>https://blog.csdn.net/shanwei_spider/article/details/169818345</link><guid>https://blog.csdn.net/shanwei_spider/article/details/169818345</guid><author>shanwei_spider</author><pubDate>Mon, 02 Nov 2026 09:01:41 +0800</pubDate><description><![CDATA[YOLO26 标志着YOLO系列从「追求精度指标」转向「追求部署友好」的新阶段。NMS-Free端到端设计、移除DFL、训练侧三大创新，本质上都是在做同一件事：让模型更简单、更确定、更适合端侧落地。对于工业开发者而言，这不是一次简单的版本迭代，而是实实在在的降本增效——纯CPU就能跑实时检测、部署代码大幅简化、帧率稳定可控，很多以前需要GPU才能做的项目，现在用普通工控机就能搞定。未来的目标检测发展方向也很明确：端到端会成为标配，后处理会逐步被模型内化，推理引擎和硬件厂商也会针对端到端模型做专门优化。]]></description><category></category></item></channel></rss>