Qwen2.5-VL 开源视觉大模型，模型体验、下载、推理、微调、部署实战

news2025/3/20 9:52:08

一、Qwen2.5-VL 简介

Qwen2.5-VL，Qwen 模型家族的旗舰视觉语言模型，比 Qwen2-VL 实现了巨大的飞跃。

欢迎访问 Qwen Chat （Qwen Chat）并选择 Qwen2.5-VL-72B-Instruct 进行体验。

1. 主要增强功能

    1）直观地理解事物： Qwen2.5-VL 不仅能熟练识别花、鸟、鱼和昆虫等常见物体，还能高度分析文本、图表、图标、图形和图像中的布局。
    2）具有代理功能： Qwen2.5-VL 可直接扮演视觉代理，能够推理和动态指挥工具，既能在电脑上使用，也能在手机上使用。
    3）理解长视频并捕捉事件： Qwen2.5-VL可以理解1小时以上的视频，这次又增加了通过精确定位相关视频片段来捕捉事件的能力。
    4）不同格式的可视化定位能力： Qwen2.5-VL 可通过生成边框或点来精确定位图像中的对象，并能为坐标和属性提供稳定的 JSON 输出。
    5）生成结构化输出：用于扫描发票、表格、表格等数据。Qwen2.5-VL 支持对其内容进行结构化输出，有利于金融、商业等领域的使用。

2. 相较上一代模型架构更新

    1）动态分辨率和帧速率训练，促进视频理解：通过采用动态 FPS 采样，qwen团队将动态分辨率扩展到了时间维度，使模型能够理解各种采样率的视频。相应地，qwen团队在时间维度上对 mRoPE 进行了更新，增加了 ID 和绝对时间对齐，使模型能够学习时间顺序和速度，最终获得精确定位特定时刻的能力。
    2）精简高效的视觉编码器：qwen团队通过在 ViT 中战略性地实施窗口关注，提高了训练和推理速度。通过 SwiGLU 和 RMSNorm 进一步优化了 ViT 架构，使其与 Qwen2.5 LLM 的结构保持一致。

3. 模型地址

阿里在 Hugging Face 和 ModelScope （魔搭社区） 上开源了 Qwen2.5-VL 的 Base 和 Instruct 模型，包含 3B、7B 和 72B 在内的 3 个模型尺寸。

4. 相关资料地址

GitHub：https://github.com/QwenLM/Qwen2.5-VL

HuggingFace: https://huggingface.co/collections/Qwen/qwen25-vl-6795ffac22b334a837c0f9a5

魔搭: ModelScope: https://modelscope.cn/collections/Qwen25-VL-58fbb5d31f1d47

模型体验：https://chat.qwenlm.ai/

如果你的电脑硬件不支持，那么可以直接使用官方的免费平台来使用。免费平台是共享 GPU，有额度限制。唯一的好处可以直接免费使用 Qwen 2.5 VL 最强的 78B 模型！

阿里云帮助中心：大模型服务平台百炼(Model Studio)（https://help.aliyun.com/zh/model-studio/user-guide/vision?spm=a2c4g.11186623.4.2.14014422Fom0Ne&scm=20140722.H_2845871._.ID_2845871-OR_rec-V_1#7a7077f8a9r6o）

vllm官方文档：https://docs.vllm.ai/en/latest/models/engine_args.html


二、Quick Start 快速入门

1. Hugging Face

Qwen2.5-VL 的预训练模型检查点已经上传 Hugging Face 的模型中心（Model Hub）上，可以通过transformers 库进行调用。

pip install git+https://github.com/huggingface/transformers accelerate

 千问团队同时提供了一个toolkit帮助更加方便的处理各种图形输入。

pip install qwen-vl-utils[decord]

#安装 flash-attn后，即可使用推荐的被注释掉的模型加载代码：
pip install flash-attn --no-build-isolation 

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

# default: Load the model on the available device(s)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2.5-VL-7B-Instruct", torch_dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen2.5-VL-7B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processor
processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")

# The default range for the number of visual tokens per image in the model is 4-16384.
# You can set min_pixels and max_pixels according to your needs, such as a token range of 256-1280, to balance performance and cost.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to(model.device)

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

运行有一个warning:

 # default processor

processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct", use_fast=True)

在 Hugging Face 的 transformers 库中，快速版本的分词器（Fast）和慢速版本的分词器（Python）在处理方式上有以下主要区别：

1. 实现方式

  • 快速版本（Fast）：基于 Rust 语言实现，通常具有更高的性能和效率

  • 慢速版本（Python）：基于 Python 实现，性能相对较低，但更易于调试和扩展

2. 加载方式

  • 快速版本：通过设置 use_fast=True 参数加载。如果模型支持快速分词器，优先使用快速版本

  • 慢速版本：通过设置 use_fast=False 参数加载。

3. 性能差异

  • 快速版本：在处理大规模数据时，速度更快，内存占用更小，适合生产环境

  • 慢速版本：在处理速度和内存效率上稍逊一筹，但更适合开发和调试阶段

4. 功能差异

  • 快速版本：通常支持更多的高级功能，如并行处理、快速解码等

  • 慢速版本：功能相对基础，但更灵活，允许用户进行自定义扩展

5. 默认行为

从 transformers v4.48 开始，默认行为将改为 use_fast=True，即使模型保存时使用的是慢速分词器。如果需要使用慢速分词器，可以通过显式设置 use_fast=False 来实现。

总结

  • 如果需要高性能和效率，建议使用快速版本（use_fast=True）。

  • 如果需要更高的灵活性或调试方便，可以选择慢速版本（use_fast=False）。

根据你的实际需求选择合适的分词器版本即可。

 2. ModelScope

HuggingFace 需要翻墙，国内无法访问的同学，可通过 ModelScope 访问 QWen2.5VL。

QWen2.5VL 3B模型链接：魔搭社区。右上方，查看使用代码：

三、本地部署硬件建议

模型推理硬件建议：
INT4 ： RTX30901，显存24GB，内存32GB，系统盘200GB
INT4 ： RTX40901或RTX3090*2，显存24GB，内存32GB，系统盘200GB
模型微调硬件要求更高。一般不建议个人用户环境使用。

四、Web UI Example

安装 Git 和 Python 环境，笔者用的是 Python 3.10.6 版本【下载】

1.   首先克隆 Qwen2.5-VL GitHub 存储库并导航到项目目录：

git clone https://github.com/QwenLM/Qwen2.5-VL

cd Qwen2.5-VL

2.   使用以下命令安装 Web 应用程序所需的依赖项：

pip install -r requirements_web_demo.txt -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

3.   为确保与 GPU 兼容，请安装支持 CUDA 的最新版本的 PyTorch、TorchVision 和 TorchAudio。即使已经安装了 PyTorch，您在运行 Web 应用程序时也可能会遇到问题，因此最好更新：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

4.   更新 Gradio 和 Gradio Client 以避免连接和 UI 相关的错误，因为旧版本可能会导致问题：

pip install -U gradio gradio_client

5.安装qwen-vl-utils[decord]工具包

 pip install qwen-vl-utils[decord]==0.0.8

qwen-vl-utils[decord]是Qwen团队提供的一个工具包，帮助我们更方便地处理各种类型的可视输入，就像使用 API 一样。其中包括 base64、URL 以及交错图片和视频。

如果您使用的不是 Linux，您可能无法从 PyPI 安装 decord。在这种情况下，您可以使用 pip install qwen-vl-utils，这会退回到使用 torchvision 进行视频处理。不过，您仍然可以从源代码中安装 decord，以便在加载视频时使用 decord。

6. 模型的下载安装，共有 3 个选项：

较小的 3B 模型，建议在 GPU 内存有限的笔记本电脑（例如 8GB VRAM）上使用。

python web_demo_mm.py --checkpoint-path "Qwen/Qwen2.5-VL-3B-Instruct"

显存高于 8G 的可以选择 7B 模型，性能更强、效果更好。

python web_demo_mm.py --checkpoint-path "Qwen/Qwen2.5-VL-7B-Instruct"

如果是土豪，手里有专业级别的 GPU，那么可以直接上 72B 的最大模型，效果最佳。

python web_demo_mm.py --checkpoint-path "Qwen/Qwen2.5-VL-72B-Instruct"

执行命令后，首先下载模型，然后加载处理器和模型

两会期间访问hugging face，VPN总掉，笔者尝试从ModelScope下载 3B 模型 (地址：https://modelscope.cn/models/Qwen/Qwen2.5-VL-3B-Instruct/files)：

下载模型：

pip install modelscope

modelscope download --model Qwen/Qwen2.5-VL-3B-Instruct

运行 web_demo：

python web_demo_mm.py --checkpoint-path "/home/coco/.cache/modelscope/hub/models/Qwen/Qwen2.5-VL-3B-Instruct/"

7. 安装完成后在浏览器上打开本地链接 http://127.0.0.1:7860 即可正常使用

五、vLLM 本地部署

1. vLLM

建议使用 vLLM 快速部署 Qwen2.5-VL，以及进行推理。vllm版本需要大于0.7.2。

更多信息可查阅：
vLLM official documentation

1） 安装所需包。运行下面的指令：

pip install git+https://github.com/huggingface/transformers@f3f6c86582611976e72be054675e2bf0abb5f775 
pip install accelerate 
pip install qwen-vl-utils 
pip install 'vllm>0.7.2'

  pip install flash-attn --no-build-isolation

第一条命令，等价于:

clone https://github.com/huggingface/transformers@f3f6c86582611976e72be054675e2bf0abb5f775

cd /home/coco/my_project/transformers-main/

pip install .

2） 本地推理

from transformers import AutoProcessor
from vllm import LLM, SamplingParams
from qwen_vl_utils import process_vision_info

MODEL_PATH = "Qwen/Qwen2.5-VL-7B-Instruct"

llm = LLM(
    model=MODEL_PATH,
    limit_mm_per_prompt={"image": 10, "video": 10},
)

sampling_params = SamplingParams(
    temperature=0.1,
    top_p=0.001,
    repetition_penalty=1.05,
    max_tokens=256,
    stop_token_ids=[],
)

image_messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://modelscope.oss-cn-beijing.aliyuncs.com/resource/qwen.png",
                "min_pixels": 224 * 224,
                "max_pixels": 1280 * 28 * 28,
            },
            {"type": "text", "text": "What is the text in the illustrate?"},
        ],
    },
]


# For video input, you can pass following values instead:
# "type": "video",
# "video": "<video URL>",
video_messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": [
            {"type": "text", "text": "请用表格总结一下视频中的商品特点"},
            {
                "type": "video", 
                "video": "https://duguang-labelling.oss-cn-shanghai.aliyuncs.com/qiansun/video_ocr/videos/50221078283.mp4",
                "total_pixels": 20480 * 28 * 28, "min_pixels": 16 * 28 * 28
            }
        ]
    },
]

# Here we use video messages as a demonstration
messages = video_messages

processor = AutoProcessor.from_pretrained(MODEL_PATH)
prompt = processor.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
image_inputs, video_inputs, video_kwargs = process_vision_info(messages, return_video_kwargs=True)

mm_data = {}
if image_inputs is not None:
    mm_data["image"] = image_inputs
if video_inputs is not None:
    mm_data["video"] = video_inputs

llm_inputs = {
    "prompt": prompt,
    "multi_modal_data": mm_data,

    # FPS will be returned in video_kwargs
    "mm_processor_kwargs": video_kwargs,
}

outputs = llm.generate([llm_inputs], sampling_params=sampling_params)
generated_text = outputs[0].outputs[0].text

print(generated_text)

本地一张4090，跑3B模型，报：cuda out of memory。

 网上搜了下，解决方法有如下几个：

  • 设置环境变量：PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True。

  • 降低输入数据的大小：确保图像和视频的分辨率不会过高。

  • 使用量化技术：对模型进行量化，以减少显存占用。

  • 释放未使用的显存：在程序运行结束后调用 torch.cuda.empty_cache()。

  • 调整模型参数：减少 max_model_len 和 limit_mm_per_prompt 的值。

 调整后代码如下：

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams
import torch

import os
os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "expandable_segments:True"

MODEL_PATH = "Qwen/Qwen2.5-VL-3B-Instruct/"

tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
# 指定大模型生成文本时的行为，温度越低生成的文本越确定，更倾向于选择概率最高的词
sampling_params = SamplingParams(temperature=0.7, top_p=0.8, repetition_penalty=1.05, max_tokens=512)

llm = LLM(model=MODEL_PATH,
          limit_mm_per_prompt={"image": 5, "video": 5},  # 减少多模态输入的数量
          max_model_len=512,  # 减少最大序列长度
          gpu_memory_utilization=0.8
          )
prompt = "hello?"
messages = [
    {"role": "system", "content": "You are Qwen, created by Alibaba Cloud. You are a helpful assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
# 计算文本输入的 token 数量
text_tokens = tokenizer(text, return_tensors="pt")
text_length = text_tokens.input_ids.shape[-1]
print(f"Text token length: {text_length}")

outputs = llm.generate([text], sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

# 释放 GPU 缓存
del llm
torch.cuda.empty_cache()

代码中识别的是千问logo图片：

运行结果：

 

2. Docker

也可以使用官方docker:official docker image 。

参考文章：

https://blog.csdn.net/sherlockMa/article/details/145386087

【本地部署教程】Qwen2.5-VL 阿里最新开源最强的开源视觉大模型，支持视频！-CSDN博客

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/2318295.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

深入解析 `SQL_SMALL_RESULT`：MySQL 的“小优化”大作用

深入解析 `SQL_SMALL_RESULT`：MySQL 的“小优化”大作用

深入解析 SQL_SMALL_RESULT&#xff1a;MySQL 的“小优化”大作用 在 MySQL 的查询优化工具箱中&#xff0c;SQL_SMALL_RESULT 是一个容易被忽略但可能带来小幅性能提升的关键字。它适用于特定场景&#xff0c;尤其是涉及 GROUP BY 或 DISTINCT 计算的小数据集查询。本文将深入…
阅读更多...
Vue3 界面设计插件 microi-pageengine 入门教程一

Vue3 界面设计插件 microi-pageengine 入门教程一

系列文章目录 一、Vue3空项目快速集成 microi-pageengine 插件 文章目录 系列文章目录一、前言二、排版布局2.1 功能导航区2.2 组件容器区2.3 属性面板区 三、数据来源配置3.1 json数据源3.2 html数据源 四、事件穿透五、数据保存持久化六、总结 一、前言 上一篇文章介绍了 v…
阅读更多...
诺视Micro-LED微显示芯片量产线投产 ——开启微显示技术新时代

诺视Micro-LED微显示芯片量产线投产 ——开启微显示技术新时代

2025年3月19日&#xff0c;诺视科技Micro-LED微显示芯片一期量产线正式投入生产。这一具有里程碑意义的时刻&#xff0c;标志着诺视科技在Micro-LED微显示领域实现了产业化的重大突破&#xff0c;不仅为自身发展奠定了坚实基础&#xff0c;同时也为全球微显示行业带来新的活力。…
阅读更多...
1. 环境准备

1. 环境准备

安装CentOS 7 配置网络 默认网络是NAT 端口转发 更改/etc/sysconfig/network-scripts/ifcfg-ens33 修改以下内容&#xff1a; BOOTPROTOstatic 启用静态IP地址 ONBOOTyes 开启自动启用网络连接 添加以下内容&#xff1a; IPADDR192.168.30.100 设置IP地址 NETMASK255.25…
阅读更多...
【链表】一文搞定链表算法：从基础到实战

【链表】一文搞定链表算法：从基础到实战

提示&#xff1a;写完文章后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言例题一、两数相加二、两两交换链表中的节点三、重排链表四、合并K个升序链表五、 K个⼀组翻转链表 结语 前言 什么是链表算法&#xff1a; 链表算法&#xff0…
阅读更多...
瑞萨RA系列使用JLink RTT Viewer输出调试信息

瑞萨RA系列使用JLink RTT Viewer输出调试信息

引言 还在用UART调试程序么？试试JLINK的RTT Viewer吧！不需占用UART端口、低资源暂用、实时性高延时微秒级，这么好的工具还有什么理由不用了！ 目录 一、JLink RTT Viewer 简介 二、软件安装 三、工程应用 3.1 SEGGER_RTT驱动包 3.2 手搓宏定义APP_PRINT 3.3 使用APP_…
阅读更多...
DEFI币生态重构加速，XBIT去中心化交易所引领DEX安全新范式

DEFI币生态重构加速，XBIT去中心化交易所引领DEX安全新范式

2025年3月18日&#xff0c;全球加密市场在监管与技术共振下迎来结构性变革。去中心化金融&#xff08;DeFi&#xff09;代币DEFI币因跨链流动性协议升级引发社区热议&#xff0c;而币应XBIT去中心化交易所&#xff08;以下简称XBIT&#xff09;凭借其链上透明验证机制、无需下载…
阅读更多...
13 IO流：字节流、字符流、缓冲流、文件复制（字节/字符/缓冲区）、字符转换流、打印流、IO框架（黑马Java视频笔记）

13 IO流：字节流、字符流、缓冲流、文件复制（字节/字符/缓冲区）、字符转换流、打印流、IO框架（黑马Java视频笔记）

文章目录 IO流 >> 读写数据的方案1. 认识IO流1&#xff09;IO流的分类2&#xff09;IO流的体系 2. 文件字节输入流2.1 创建文件字节流对象2.2 读取文件1&#xff09;使用read()方法一个一个字节的读取2&#xff09;使用字节数组读取数据:byte[]3&#xff09;使用字节流读…
阅读更多...
靶场（十四）---小白心得思路分享---Extplorer

靶场（十四）---小白心得思路分享---Extplorer

启程&#xff1a; 开始扫描端口服务&#xff0c;发现什么都没有&#xff0c;果断进行下一步目录扫描 PORT STATE SERVICE VERSION 22/tcp open ssh OpenSSH 8.2p1 Ubuntu 4ubuntu0.5 (Ubuntu Linux; protocol 2.0) | ssh-hostkey: | 3072 98:4e:5d:e1:e6:97:29:6f:…
阅读更多...
逆向中常见的加密算法识别

逆向中常见的加密算法识别

1、base64及换表 base64主要是将输入的每3字节&#xff08;共24bit&#xff09;按照每六比特分成一组&#xff0c;变成4个小于64的索引值&#xff0c;然后通过一个索引表得到4个可见的字符。 索引表为一个64字节的字符串&#xff0c;如果在代码中发现引用了这个索引表“ABCDEF…
阅读更多...
Linux上的`i2c-tools`工具集的编译构建和安装

Linux上的`i2c-tools`工具集的编译构建和安装

源码复制到Ubuntu系统中并解压 的i2c-tools工具集的源码百度网盘下载链接&#xff1a; https://pan.baidu.com/s/1XNuMuT1auT1dMzYo3LAFmw?pwdi6xe 终端进入源码目录 cd /home/book/mybuild/i2c-tools-4.2执行编译构建命令 运行下面的命令进行编译构建 make CC${CROSS_COM…
阅读更多...
langgraph简单Demo（使用langserve实现外部调用）

langgraph简单Demo（使用langserve实现外部调用）

前言 这个示例是研究如何使用langserve实现外部调用 接入大模型参考文章&#xff1a;接入阿里云百炼 1、安装依赖 pip install langserve fastapi uvicorn pip install sse_starlette 2、代码实现 from fastapi import FastAPI from langchain_core.messages import HumanM…
阅读更多...
折叠树报表

折叠树报表

折叠树报表中包含了三种信息： 1.树组织信息-可展开、收拢 2.节点的统计信息(汇总求和) 3.每个节点对应的数据信息 一、准备数据 mysql8 数据库中存在两张表 org和store表。 org表和部分数据如下，其中orgname是组织的名称，codepath是完整的组织代码，seq是每个节点的顺序，可…
阅读更多...
Python个人学习笔记（16）：模块（os）

Python个人学习笔记（16）：模块（os）

四、os模块 主要用于文件夹处理 &#xff08;一&#xff09;文件夹相关 os.makedirs(‘dirname1/dirname2’) &#xff1a;创建文件夹目录&#xff0c;不能重复创建&#xff0c;用的多 代码&#xff1a; os.makedirs(a/b/c)结果&#xff1a; os.removedirs(‘dirname1’)&…
阅读更多...
虚拟地址空间（下）进程地址空间（上）

虚拟地址空间（下）进程地址空间（上）

一.关于页表组成 1.权限&#xff08;rwx) 作用&#xff1a;如1.让代码区变成只读的 2.写时拷贝的实现&#xff1a;子进程创建时其页表指向的父进程代码和数据权限都是只读的&#xff0c;子进程试图修改&#xff0c;触发错误&#xff0c;系统开始写时拷贝。 来源&#xff1a;…
阅读更多...
【数据集分享】青藏高原两次强震玛多地震和漾濞地震的震源过程

【数据集分享】青藏高原两次强震玛多地震和漾濞地震的震源过程

2021年5月21日&#xff0c;5小时内在青藏高原不同区域发生了漾濞6.4级和玛多7.4级强烈地震&#xff0c;表明印度板块和欧亚大陆板块的碰撞汇聚作用下青藏高原持续和频繁的 剧烈构造运动和地震活动。本研究利用地震记录和空间对地观测同震位移资料&#xff08;InSAR&#xff09;…
阅读更多...
jmeter环境搭建及使用

jmeter环境搭建及使用

Meter 是一个开源的性能测试工具&#xff0c;用于测试静态和动态资源的性能。 1、安装 官网下载&#xff1a; 下载地址&#xff1a;Apache JMeter - Download Apache JMeter 网盘下载&#xff1a; 通过百度网盘分享的文件&#xff1a;apache-jmeter-5.6.3.rar 链接&#x…
阅读更多...
Python 鼠标轨迹算法 - 防止游戏检测

Python 鼠标轨迹算法 - 防止游戏检测

一.简介 鼠标轨迹算法是一种模拟人类鼠标操作的程序&#xff0c;它能够模拟出自然而真实的鼠标移动路径。 鼠标轨迹算法的底层实现采用C/C语言&#xff0c;原因在于C/C提供了高性能的执行能力和直接访问操作系统底层资源的能力。 鼠标轨迹算法具有以下优势&#xff1a; 模拟…
阅读更多...
yum软件包乾坤大挪移（Yum Package Qiankun Great Migration）

yum软件包乾坤大挪移（Yum Package Qiankun Great Migration）

yum软件包乾坤大挪移 背景 由于很多的生产环境是无法连接外网的&#xff0c;因此用yum或者dnf命令来安装软件包常常是一个比较麻烦的事情&#xff0c;原因是很多软件的依赖很复杂&#xff0c;如果要一个个下载、拷贝、再安装&#xff0c;这往往是一个非常繁琐冗杂的过程&…
阅读更多...
Java：读取中文，read方法

Java：读取中文，read方法

public static void main(String[] args) throws IOException {FileReader fr new FileReader("C:\\aaa\\a.txt");//字符流的底层也是一个字节一个字节读取的&#xff0c;遇到中文就一次读多个&#xff0c;GBK一次读两个&#xff0c;UTF-8一次读三个字节//idea默认U…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023