win10下yolov5 tensorrt模型部署

news2024/10/7 2:32:29

  • TensorRT系列之 Win10下yolov8 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolov8 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolov7 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolov6 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolov5 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolox tensorrt模型加速部署

  • TensorRT系列之 Linux下 u2net tensorrt模型加速部署

  • 更多（点我进去）…

    文章目录

    • 一、YOLOv5简介
    • 二、Win10 TensorRT环境配置
      • 2.1 安装VS2019
      • 2.2 安装库
        • 2.2.1 安装Nvidia显卡驱动
        • 2.2.2 安装 cuda11.2
        • 2.2.3 安装 cudnn8.2.1
        • 2.2.4 下载 tensorrt8.4.2.4
        • 2.2.5 OpenCV4.5.5安装
      • 2.3 创建属性表
        • 2.3.1 创建OpenCV属性表
        • 2.3.2 创建TensorRT属性表
        • 2.3.3 创建CUDA属性表
        • 2.3.4 新建工程与设置
          • 2.3.4.1 新建vs工程
          • 2.3.4.2 vs2019工程设置
    • 三、从yolov5源码中导出onnx文件
    • 四、利用tensorrt编译onnx模型
    • 五、编译执行yolov5-tensorrt工程
    • 六、结束语

yolov5 tensorrt cuda模型推理加速部署《TensorRT-Alpha》场景：Tokyo

一、YOLOv5简介

  • YOLOv5的创新性：相比于之前的目标检测算法，YOLOv5在多个方面进行了创新和优化。首先，它在网络结构上采用了轻量级的设计，使用了CSPDarknet53作为骨干网络，减少了计算量和参数量，提高了算法的实时性和效率。其次，YOLOv5引入了蒸馏学习策略，使用教师模型指导学生模型进行学习，提高了模型的性能和泛化能力。此外，YOLOv5还采用了多尺度特征融合策略，使得模型能够更好地捕捉到不同尺度的目标特征。另外，YOLOv5还改进了损失函数的设计，采用GIOU和COCO等损失函数，提高了模型的准确性。
  • YOLOv5对工业界的影响：YOLOv5的推出对工业界产生了广泛的影响。首先，它被广泛应用于智能驾驶、安防监控、机器人视觉等场景中，为工业界提供了更准确、高效和可靠的目标检测工具。其次，YOLOv5的推出加速了目标检测技术的发展和应用，促进了计算机视觉领域的进步。此外，YOLOv5的开源也为工业界提供了更多的参考和选择，推动了深度学习算法的发展和完善。
  • YOLOv5的优点：YOLOv5具有多个优点。首先，它具有高效性，能够在短时间内处理大量的图像和视频数据。其次，YOLOv5具有准确性，能够准确地检测到目标物体并对其进行分类和定位。此外，YOLOv5还具有实时性，能够实时地输出检测结果和处理速度，使得它能够适用于各种实际应用场景中。另外，YOLOv5还具有易用性，其简单的接口和易懂的文档使得开发者可以轻松上手并开发出高质量的目标检测程序。

本文提供深度学习CV领域模型加速部署案例，仓库实现的cuda c支持多batch图像预处理、推理、decode、NMS。大部分模型转换流程为：torch->onnx->tensorrt。

有源码！有源码！有源码！ 不要慌，哈哈哈。

在这里插入图片描述

二、Win10 TensorRT环境配置

三步解决win环境配置：

  • 1、安装vs2019、Nvidia驱动、cuda，cudnn、opencv、tensorrt；
  • 2、创建属性表；
  • 3、工程设置，运行；
  • 注：一定是先安装vs2019，再安装cuda，顺序不能颠倒，因为cuda会自动给vs2019安装插件。
    问题：windows环境下，为什么使用vs2019属性表，而不用cmake？
    回答：因为属性表可以做到：一次创建，到处使用。

2.1 安装VS2019

需要Microsoft账号，如果您有别的途径下载安装也可以。

  • 进入：https://visualstudio.microsoft.com/zh-hans/vs/older-downloads/
  • 选择：[2019] -> [下载]
  • 在新页面选择： Visual Studio Community 2019 (version 16.11)
  • 下载完成之后安装过程选择如下图：
    请添加图片描述
  • 重启系统

2.2 安装库

注：Nvidia相关网站需要注册账号。

2.2.1 安装Nvidia显卡驱动

  • 进入： https://www.nvidia.cn/Download/index.aspx?lang=cn#
  • 依据实际情况选择，如下图是我的选择(for RTX3070)：
    请添加图片描述
  • 选择：[搜索]->[下载] ->[双击默认安装] -> [重启系统] -> [进入cmd]，输入如下指令：
nvidia-smi

看到如下信息表明驱动正常：
请添加图片描述

2.2.2 安装 cuda11.2

  • 进入: https://developer.nvidia.com/cuda-toolkit-archive
  • 选择：CUDA Toolkit 11.2.0 (December 2020)
  • 选择：[Windows] -> [x86_64] -> [10] -> [exe(local)] -> [Download(2.9GB)]
  • 双击安装，重启在cmd窗口输入如下指令：
nvcc -V

CMD窗口打印如下信息表示cuda11.2安装正常

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Mon_Nov_30_19:15:10_Pacific_Standard_Time_2020
Cuda compilation tools, release 11.2, V11.2.67
Build cuda_11.2.r11.2/compiler.29373293_0

note:cuda11.2 不需要手动设置环境变量，如下图，环境变量都是自动设置的。
请添加图片描述

2.2.3 安装 cudnn8.2.1

  • 进入网站：https://developer.nvidia.com/rdp/cudnn-archive
  • 选择： Download cuDNN v8.2.1 (June 7th, 2021), for CUDA 11.x
  • 选择： cuDNN Library for Windows (x86)
  • 你将会下载这个压缩包: “cudnn-11.3-windows-x64-v8.2.1.32_2.zip”
  • 解压之后，cudnn的头文件、库文件都要拷贝到cuda安装目录。
  • 如下图，进入cudnn解压所在文件夹中include，拷贝所有头文件，粘贴到CUDA/v11.2/include中
  • lib、bin中的文件也拷贝到对应cuda目录中
  • 重启系统
    请添加图片描述

2.2.4 下载 tensorrt8.4.2.4

  • 进入网站： https://developer.nvidia.cn/nvidia-tensorrt-8x-download
  • 把这个打勾： I Agree To the Terms of the NVIDIA TensorRT License Agreement
  • 选择: TensorRT 8.4 GA Update 1
  • 选择: TensorRT 8.4 GA Update 1 for Windows 10 and CUDA 11.0, 11.1, 11.2, 11.3, 11.4, 11.5, 11.6 and 11.7 ZIP Package
  • 你将会下载这个压缩包: “TensorRT-8.4.2.4.Windows10.x86_64.cuda-11.6.cudnn8.4.zip”
  • 解压到F:\ThirdParty，并重命名为：TensorRT-8.4.2.4
  • 并将路径"F:\ThirdParty\TensorRT-8.4.2.4\lib"添加到环境变量，如下图：
  • 重启系统
    请添加图片描述

2.2.5 OpenCV4.5.5安装

  • 进入：https://opencv.org/releases/
  • 选择：[OpenCV – 4.5.5] -> [Windows]
  • 下载完成之后，是一个exe的自解压格式，解压到：D:\ThirdParty
  • 并将路径：“D:\ThirdParty\opencv4.5.5\build\bin” 和 "D:\ThirdParty\opencv4.5.5\build\x64\vc15\bin"添加到环境变量，如下图：
  • 重启系统
    note：我的opencv在D盘，tensorrt在E盘，根据实际情况修改就行了。
    请添加图片描述

2.3 创建属性表

一般地，Visual Studio 2019，一个库对应两个属性表文件，分别对应：vs2019的debug模式和release模式，例如：本文中OpenCV创建了这两种。而TensorRT和CUDA只需要创建一种属性表(适用以上两种模式)。

2.3.1 创建OpenCV属性表

创建opencv库debug属性表：

  • step1：基于VS2019随便新建一个C++项目，如下图，项目设置为Debug、X64模式
    请添加图片描述
  • step2：如下图，选择：[属性窗口] -> [右击Debug|x64] -> [添加新项目属性表]
    请添加图片描述
  • step3：文件命名为：OpenCV4.5.5_DebugX64.props -> [添加]
  • 编辑属性表：[如下图：双击属性表]
    请添加图片描述
  • step4：如下图，选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑]
    请添加图片描述
  • step5：如下图，将两个OpenCV两个头文件目录拷贝进去 -> [确认]
    请添加图片描述
  • step6：选择：[通用属性] -> [VC++目录] -> [库目录] -> [编辑] -> 将路径："D:\ThirdParty\opencv4.5.5\build\x64\vc15\lib"拷贝进去 -> [确认]
  • step7：选择：[通用属性] -> [链接器] -> [输入] -> [附加依赖项] -> 将文件名"opencv_world455d.lib"拷贝进去->[确认]
    小结：

    到这里，opencv库debug属性表制作完成，release属性表和上述流程一样，唯一区别在于，如下图，项目切换到Release x64模式，新建OpenCV4.5.5_ReleaseX64属性表，然后在step7中，将文件名修改为：“opencv_world455.lib”
    请添加图片描述
    请记住，制作属性表就3个步骤：
  • 拷贝include路径
  • 拷贝lib路径，外加设置dll到系统环境变量
  • 拷贝lib文件名称

2.3.2 创建TensorRT属性表

右击Debug|x64 or 右击Release|x64新建属性表，重命名为：TensorRT8.4.2.4_X64，

# include路径
F:\ThirdParty\TensorRT-8.4.2.4\include
F:\ThirdParty\TensorRT-8.4.2.4\samples\common
# F:\ThirdParty\TensorRT-8.4.2.4\samples\common\windows # 这个路径文件不需要包含
# lib路径
F:\ThirdParty\TensorRT-8.4.2.4\lib
# lib文件名称（for release& debug）
nvinfer.lib
nvinfer_plugin.lib
nvonnxparser.lib
nvparsers.lib

依照上一节3个步骤：

  • step1：选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑] -> 把上述3个include路径拷贝进去
  • step2：选择：[通用属性] -> [VC++目录] -> [库目录] -> [编辑] -> 把上述lib路径拷贝进去
  • step3：选择：[通用属性] -> [链接器] -> [输入] -> [附加依赖项] -> [编辑] -> 将上述lib文件名称拷贝进去->[确认]
    最后，修改tensorrt属性表：[通用属性] -> [C/C++] -> [预处理器] -> [预处理器定义] -> 添加指令：_CRT_SECURE_NO_WARNINGS -> [确认]

2.3.3 创建CUDA属性表

CUDA属性表直接白嫖官方，在路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\visual_studio_integration\MSBuildExtensions\CUDA 11.2.props

最后，我们应该有了如下属性表文件：
请添加图片描述
其中，cuda 和tensorrt的属性表同时兼容release x64 和debug x64，你再新建TensorRT-Alpha中yolov8 yolov7 yolov6 等项目后，只需要把上述提前做好的属性表引入到工程就行了，当然项目还需要进行简单设置(设置NVCC，避免tensorrt的坑)，在后文提到。属性表做到了一次新建，到处使用。

2.3.4 新建工程与设置

这一节演示如何新建vs工程，如何设置工程，是通用方法。适用于仓库所有模型源码。

2.3.4.1 新建vs工程

如下图，打开vs2019，点击：文件 -> 新建-> 项目。
请添加图片描述
选择：空项目 -> 下一步。
在这里插入图片描述
选择创建。
在这里插入图片描述
如下图，现在将工程设置为：Release X64。
在这里插入图片描述

2.3.4.2 vs2019工程设置

如下图，选择：属性管理器 -> Release | x64 -> 添加现有属性表，把上一节生成的三个RleaseX64属性表添加进来。
在这里插入图片描述
添加进来后样子如下图：
在这里插入图片描述
TensorRT项目包含c++和cuda c代码，通俗讲，c++代码文件格式为：

  • .h头文件
  • .cpp文件
  • 由c++编译器编译
    而cuda代码头文件格式为：
  • .h头文件
  • .cu文件
  • 由NVCC编译器编译
    例如：我们添加如下图5个文件，在工程中。
    在这里插入图片描述
    添加CUDA依赖：右击项目 -> 生成依赖项 -> 生成自定义
    在这里插入图片描述
    将如下图CUDA11.2打钩 -> 确认
    在这里插入图片描述
    右击项目 -> 属性，将会打开如下界面，将字符集设置为未设置，点击确认。
    在这里插入图片描述
    最后，在项目中，同时选中所有.cu文件和对应的.h文件，注意是所有。我这里就是a.h 和 a.cu文件了。然后右击 -> 点属性。
    【注】：在tensorrt-alpha开源项目中，例如yolov8，会添加多个.cu .cpp .h格式文件，其中.cu和对应的.h文件都是这样设置，目的就是让NVCC编译器来编译cuda代码。
    在这里插入图片描述
    得到如下界面，我们把项类型设置为CUDA C/C++，点击确认。
    在这里插入图片描述
    然后编译一下：
    在这里插入图片描述
    编译成功如下图：
    在这里插入图片描述

三、从yolov5源码中导出onnx文件

可以直接从网盘下载onnx文件[weiyun]:weiyun or google driver ，你也可以自己下载仓库，然后按照下面指令手动导出onnx文件，下载yolov5源码：

# 下载yolov5源码
git clone https://github.com/ultralytics/yolov5
cd yolov5
git checkout v7.0

安装 yolov5环境

pip install -r requirements.txt

命令行进入yolov5源码根目录，用以下指令导出onnx模型文件，其中–dynamic参数一定要加上。

# 640
python export.py --weights=yolov5n.pt  --dynamic --include=onnx 
python export.py --weights=yolov5s.pt  --dynamic --include=onnx
python export.py --weights=yolov5m.pt  --dynamic --include=onnx
python export.py --weights=yolov5l.pt  --dynamic --include=onnx
python export.py --weights=yolov5x.pt  --dynamic --include=onnx
# 1280
python export.py --weights=yolov5n6.pt  --dynamic --include=onnx
python export.py --weights=yolov5s6.pt  --dynamic --include=onnx
python export.py --weights=yolov5m6.pt  --dynamic --include=onnx
python export.py --weights=yolov5l6.pt  --dynamic --include=onnx
python export.py --weights=yolov5x6.pt  --dynamic --include=onnx

四、利用tensorrt编译onnx模型

将上一个章节中导出onnx模型放到任意路径。进入到tensorrt根目录下bin文件里，里面有个tensorrt官方提供的模型编译工具，即：trtexec.exe 如下图：
在这里插入图片描述
然后使用，以下指令编译onnx模型，需要注意：参数 --onnx 和 --saveEngine 可以设置为自定义路径，例如：

 --onnx=d:/Data/xxx.onnx  --saveEngine=d:/Data/xxx.trt 

# 640
# 640
./trtexec.exe   --onnx=yolov5n.onnx   --saveEngine=yolov5n.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
./trtexec.exe   --onnx=yolov5s.onnx   --saveEngine=yolov5s.trt   --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
./trtexec.exe   --onnx=yolov5m.onnx   --saveEngine=yolov5m.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
./trtexec.exe   --onnx=yolov5l.onnx   --saveEngine=yolov5l.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
./trtexec.exe   --onnx=yolov5x.onnx   --saveEngine=yolov5x.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
# 1280
./trtexec.exe   --onnx=yolov5n6.onnx   --saveEngine=yolov5n6.trt  --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280
./trtexec.exe   --onnx=yolov5s6.onnx   --saveEngine=yolov5s6.trt  --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280

五、编译执行yolov5-tensorrt工程

下载源码并编译

git clone https://github.com/FeiYull/tensorrt-alpha

仿造 2.3.4 新建工程与设置 中新建、设置vs2019工程；其中，yolov5需要将如下图多个文件添加到工程中：

  • 红色框内文件来自TensorRT-Alpha/utils/
  • 蓝色框内文件来自TensorRT-Alpha/yolov5/
  • 绿色框内文件来自TensorrRT安装路径下：TensorRT-8.4.2.4.Windows10.x86_64.cuda-11.6.cudnn8.4\TensorRT-8.4.2.4\samples\common\logger.cpp

在这里插入图片描述

如下图，yolov5项目编译成功，从下面编译信息可以看到，exe文件所在路径为：

  • D:\VS2019_Project\TensorRT-Alpha\x64\Release\yolov5.exe
已启动生成…
1>------ 已启动生成: 项目: yolov5, 配置: Release x64 ------
1>yolov5.vcxproj -> D:\VS2019_Project\TensorRT-Alpha\x64\Release\yolov5.exe
========== 生成: 成功 1 个，失败 0 个，最新 0 个，跳过 0 个 ==========

以下是命令行执行指令，需要说明的是执行推理任务，支持图片、视频、摄像头

# 640
# infer an image
./app_yolov5  --version=v570 --model=../../data/yolov5/yolov5n.trt   --size=640  --batch_size=1  --img=../../data/6406401.jpg   --show --savePath=../
# infer video
./app_yolov5  --version=v570 --model=../../data/yolov5/yolov5n.trt   --size=640  --batch_size=2  --video=../../data/people.mp4  --show 
# infer web camera
./app_yolov5  --version=v570 --model=../../data/yolov5/yolov5n.trt   --size=640  --batch_size=2  --show  --cam_id=0
# 1280
./app_yolov5  --version=v570 --model=../../data/yolov5/yolov5s6.trt  --size=1280 --batch_size=1 --img=../../data/6406401.jpg   --show --savePath

这里给个示范，例如我要在命令行使用yolov5推理一张图：

.\yolov5.exe  --model=D:\ThirdParty\TensorRT-8.4.2.4\bin\yolov5n.trt     --size=640 --batch_size=1  --img=d:/Data/1.jpg  --show --savePath=d:/

效果如下图：
在这里插入图片描述

下面是yolov5推理视频效果，可以自己玩一玩：

.\yolov5.exe  --model=D:\ThirdParty\TensorRT-8.4.2.4\bin\yolov5n.trt     --size=640 --batch_size=1  --video=E:\VideoAlpha\source_video\football.mp4  --show

yolov5 tensorrt cuda模型推理加速部署《TensorRT-Alpha》场景：Tokyo

以下是bash窗口打印的推理时间，注意，例如batch_size设置为2，每一行表示表示处理两张图的平均时间。

[10/22/2023-08:20:02] [I] preprocess time = 0.783168; infer time = 3.58605; postprocess time = 0.082752
[10/22/2023-08:20:02] [I] preprocess time = 0.646848; infer time = 4.24038; postprocess time = 0.082688
[10/22/2023-08:20:02] [I] preprocess time = 0.616544; infer time = 2.89075; postprocess time = 0.07968
[10/22/2023-08:20:02] [I] preprocess time = 2.53853; infer time = 2.80883; postprocess time = 0.046496
[10/22/2023-08:20:02] [I] preprocess time = 0.99216; infer time = 2.41869; postprocess time = 0.064448
[10/22/2023-08:20:02] [I] preprocess time = 0.879072; infer time = 2.42074; postprocess time = 0.064704
[10/22/2023-08:20:02] [I] preprocess time = 0.988768; infer time = 2.4105; postprocess time = 0.069312
[10/22/2023-08:20:02] [I] preprocess time = 0.797376; infer time = 3.5328; postprocess time = 0.089024
[10/22/2023-08:20:02] [I] preprocess time = 0.698368; infer time = 4.05299; postprocess time = 0.100928
[10/22/2023-08:20:02] [I] preprocess time = 0.747136; infer time = 2.87949; postprocess time = 0.087008
[10/22/2023-08:20:02] [I] preprocess time = 0.7568; infer time = 2.46784; postprocess time = 0.087456
[10/22/2023-08:20:02] [I] preprocess time = 0.73088; infer time = 2.39514; postprocess time = 0.097824
[10/22/2023-08:20:02] [I] preprocess time = 1.00698; infer time = 2.9583; postprocess time = 0.101824
[10/22/2023-08:20:02] [I] preprocess time = 3.27907; infer time = 2.4361; postprocess time = 0.099104
[10/22/2023-08:20:02] [I] preprocess time = 0.74784; infer time = 2.94502; postprocess time = 0.09872
[10/22/2023-08:20:02] [I] preprocess time = 0.75568; infer time = 2.43712; postprocess time = 0.09744
[10/22/2023-08:20:02] [I] preprocess time = 1.63821; infer time = 2.44134; postprocess time = 0.104608
[10/22/2023-08:20:02] [I] preprocess time = 0.718368; infer time = 2.44019; postprocess time = 0.105568
[10/22/2023-08:20:02] [I] preprocess time = 1.08122; infer time = 2.54874; postprocess time = 0.104608

六、结束语

都看到这里了，觉得可以请点赞收藏，有条件的去仓库点个star，仓库：https://github.com/FeiYull/tensorrt-alpha
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1119957.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

云原生概述

云原生概述

1. 何谓云原生 云原生是一种构建和运行应用程序的方法，是一套技术体系和方法论。云原生（CloudNative）是一个组合词，CloudNative。Cloud表示应用程序位于云中，而不是传统的数据中心；Native表示应用程序从设…
阅读更多...
算法学习 之 并查集

算法学习 之 并查集

leecode 中这题就需要并查集 代码如下 typedef struct{int * parents;int * sizes; } UnionFind; // 下面建立一个初始化 UnionFind * NewUnionFind(int n){UnionFind * uf (UnionFind *) malloc(sizeof(UnionFind));uf->parents (int *) malloc (sizeof(int)*n);uf->s…
阅读更多...
UGNX二次开发 实时查看 NX 日志文件

UGNX二次开发 实时查看 NX 日志文件

文章作者：里海 来源网站：王牌飞行员_里海_里海NX二次开发3000例,里海BlockUI专栏,C\C++-CSDN博客 感谢粉丝订阅 感谢 a18037198459 订阅本专栏，非常感谢。 简介 实时查看 NX 日志文件，有助于分析保存时间等。打开WindowsPowerShell并实时获取日志文件内容的小功能。 效果 代…
阅读更多...
使用CMS后台资源，如何在小程序上不开调试模式能正常呈现出内容

使用CMS后台资源，如何在小程序上不开调试模式能正常呈现出内容

配置合法域名 如何配置合法域名： 1.找到自己的合法域名：在微信开发者工具中“不勾选"不校验合法域名，就会看到报错说你的某个链接不是合法域名，那不就说明我们需要将这个链接设置为合法域名嘛。这就找到了我们的需要设置的…
阅读更多...
二叉树；二叉树的前序、中序、后序遍历及查找；顺序存储二叉树；线索化二叉树

二叉树；二叉树的前序、中序、后序遍历及查找；顺序存储二叉树；线索化二叉树

数组、链表和树存储方式分析 对于树结构，不论是查找修改还是增加删除，效率都比较高，结合了链表和数组的优点，如以下的二叉树： 1、数组的第一个元素作为第一个节点 2、数组的第二个元素3比7小，放在7的左边…
阅读更多...
Win10系统2023年10月更新补丁(KB5031356)后 IE11无法打开使用解决办法

Win10系统2023年10月更新补丁(KB5031356)后 IE11无法打开使用解决办法

原因: 官方更新的最新系统补丁已经永久禁用IE11了 以下是官方说明: 最好的办法是: (已验证可行~) 1, 禁用系统自动更新 (注册表 或者 设置->更新->高级选项 等等 自行禁用掉系统自动更新即可) 2, 卸载禁用IE的更新补丁KB5031356 控制面板>程序>程序和功能>…
阅读更多...
深入理解main函数

深入理解main函数

深入理解main函数 第三个参数指向环境变量
阅读更多...
基于人工兔优化的BP神经网络（分类应用） - 附代码

基于人工兔优化的BP神经网络（分类应用） - 附代码

基于人工兔优化的BP神经网络（分类应用） - 附代码 文章目录 基于人工兔优化的BP神经网络（分类应用） - 附代码1.鸢尾花iris数据介绍2.数据集整理3.人工兔优化BP神经网络3.1 BP神经网络参数设置3.2 人工兔算法应用 4.测试结果&#x…
阅读更多...
Qt第六十六章：展示数据的标签

Qt第六十六章：展示数据的标签

目录 一、效果图 二、qtDesigner ①拖出一个frame作为组容器并贴上背景样式 ②拖出主要的三个控件：frame、line、frame、label*2 ③固定大小并设置字体、布局一下 ④拷贝三份并水平布局一下 ⑤设置样式 ⑥调整布局 三、ui文件 四、代码 一、效果图 二、qtD…
阅读更多...
java蓝桥杯前10题总结

java蓝桥杯前10题总结

文章目录 1.单词分析1.代码2.知识点 2.成绩统计1.代码2.知识点1.如何四舍五入？2.如何保留小数点后几位小数呢？ 3.最短路4.回文日期1.代码2.知识点1.日期类2.字符串细节3.连等的细节 5.门牌制作1.代码 6.卡片1.代码2.细节 7.数字三角形1.代码2.细节 8.成绩…
阅读更多...
《向量数据库》——向量数据库MIlvus Cloud携手发起 AGI 黑客松，解锁行业更多可能

《向量数据库》——向量数据库MIlvus Cloud携手发起 AGI 黑客松，解锁行业更多可能

携手发起 AGI 黑客松，解锁行业更多可能 不止如此，双方在深度合作的基础上，还联合极客公园 Founder Park、智谱 AI 等，共同发起 AGI Playground Hackathon，旨在重新思考 AI Native 时代下的应用和服务，解决共同的行业发展问题。届时，Dify 将为参赛者提供接入了智谱 AI 模…
阅读更多...
Domino中的源代码管理工具

Domino中的源代码管理工具

大家好，才是真的好。 上次Notes/Domino 14 Drop2发布的时候，我们就提到，HCL一起发布了一款源代码管理工具。 这里还是简单科普一下，源代码管理工具，可以实现代码版本控制、备份，还有多个程序员之间的协作…
阅读更多...
【ROOTFS】1-构建rootfs与nfs调试

【ROOTFS】1-构建rootfs与nfs调试

简介 rootfs这一块比较简单，别怕，基本就是拿一个busybox过来，然后编译一下，就可以在指定的目录下生成一堆文件夹和文件，你可以把这个当成rootfs了； busybox: https://busybox.net/ 教程文档 【链接】 b…
阅读更多...
绿盾控制台如何给未授权终端分配相应权限

绿盾控制台如何给未授权终端分配相应权限

环境： 绿盾控制台7.0 问题描述： 绿盾控制台如何给未授权终端分配相应权限 解决方案： 1.进入桌面管理系统 2.通过终端号，找到未授权终端下面，选择相应的未授权终端 3.点击鼠标右键，选择分配授权模块 4.下…
阅读更多...
进阶课2——语音分类

进阶课2——语音分类

语音分类主要是对语音从不同的维度进行识别和分类，这些维度可以包括语种、性别、年龄段、情绪、说话人身份等，具体如下： 语种分类：根据发音人的母语或者惯用语言，将语音分为不同的语种，例如中文、英文、法…
阅读更多...
【UnityUGUI】UGUI六大组件和三大基本控件详解

【UnityUGUI】UGUI六大组件和三大基本控件详解

👨‍💻个人主页：元宇宙-秩沅 👨‍💻 hallo 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 👨‍💻 本文由 秩沅 原创 👨‍💻 收录于专栏：UI_…
阅读更多...
用ChatGPT编写Excel函数公式进行表格数据处理分析，so easy！

用ChatGPT编写Excel函数公式进行表格数据处理分析，so easy！

在用Excel进行数据处理分析时，经常需要编写不同的公式，需要了解大量的函数。有了ChatGPT，就很简单了，直接用自然语言描述自己的需求，然后让ChatGPT写出公式就好了。 例子1： Excel某个单元格的内容是&#…
阅读更多...
【鸿蒙软件开发】ArkTS常见组件之单选框Radio和切换按钮Toggle

【鸿蒙软件开发】ArkTS常见组件之单选框Radio和切换按钮Toggle

文章目录 前言一、Radio单选框1.1 创建单选框1.2 添加Radio事件1.3 场景示例二、切换按钮Toggle2.1 创建切换按钮2.2 创建有子组件的Toggle2.3 自定义样式selectedColor属性switchPointColor属性 2.4 添加事件2.5 示例代码 总结 前言 Radio是单选框组件，通常用于提…
阅读更多...
【深入探究Java集合框架】从List到Map的完整指南

【深入探究Java集合框架】从List到Map的完整指南

文章目录 🌟 Java集合框架🍊 Collection🎉 List🎉 Set🎉 Map 🍊 集合的选择🎉 1. 有序并允许重复元素的集合 List🎉 2. 无序并且不允许重复元素的集合 Set🎉 3. 维护映射…
阅读更多...
大语言模型(LLM)综述(一)：大语言模型介绍

大语言模型(LLM)综述(一)：大语言模型介绍

A Survey of Large Language Models 前言1. INTRODUCTION2. OVERVIEW2.1 大语言模型的背景2.2 GPT系列模型的技术演变 前言 随着人工智能和机器学习领域的迅速发展，语言模型已经从简单的词袋模型（Bag-of-Words）和N-gram模型演变为更为复杂和…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023