- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈测试技术
JMeter笔记8 | JMeter关联
安装完后启动服务即可；②直接使用官网的《禅道API文档V1》，地址为：https://www.zentao.net/book/apidoc-v1/664.html图片涉及的接口数据： 图片 图片2 Jmeter关联 2.2 后置处理器即为JMeter的关联元件；可帮助我们从服务器接口返回值中查找我们想要的数据；以下分别通过【JSON提取器】和【正则表达式提取器】来获取token值，用于后续接口的关联数据。 我们可以禁用应用token，看是否接口“2-用户-1获取我的个人信息”能请求成功；禁用提取的token后，再次运行，提示没有进行认证，那就说明关联是OK了。 xml version="1.0" encoding="UTF-8"?
1.2K51编辑于 2023-02-13 - 来自专栏YOLO大作战
YOLOv8小目标检测介绍
Yolo小目标检测，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，带你轻松实现小目标检测涨点 重点：通过本专栏的阅读，后续你可以结合自己的小目标检测数据集 ，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标； 1.2 难点 1）包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的检测 ； 2）由小目标覆盖的区域更小，这样小目标的位置会缺少多样性。 本专栏小目标数据集 数据集下载地址： Single-frame InfraRed Small Target 数据集大小：427张，进行3倍数据增强得到1708张，最终训练集验证集测试集随机分配为8：1 ：1 目录 1.小目标检测介绍 1.1 小目标定义 1.2 难点 2.
6.7K20编辑于 2023-11-11 清华发布Hyper-YOLO：超图计算+目标检测！捕捉高阶视觉关联
引言Hyper-YOLO是一种新型目标检测方法，通过超图计算增强了特征之间的高阶关联，提升了检测性能，尤其在识别复杂场景下的中小目标时表现更出色。 Hyper-YOLO首次将超图计算集成到目标检测网络，对特征图中的复杂高阶关联进行建模，实现了高阶信息的跨层次和跨位置传播。 不同目标间的高阶语义关联推理限制了目标检测的性能。算法概括超图计算 超图是图的推广形式，是一种高效的特征表示学习方法。在超图中，一条超边可以连接多个顶点，从而表示对象之间的高阶关联。 其中，Tiny版本的平均精度（mAP）指标相比于YOLOv8、YOLOv9、YOLO11的同规模版本分别提升3.0%、2.0%、0.8%；Small版本的mAP指标相比于YOLOv8、YOLOv9、YOLO11 以下两图为YOLOv8、Hyper-YOLO在目标检测和实例分割任务下的可视化结果。下图为使用高阶关联学习对特征图增强前后的可视化图（通过HyperC2Net前后的特征图）。
49610编辑于 2024-12-31- 来自专栏AI智韵
YOLOv8-SMOT：一种高效鲁棒的实时小目标跟踪框架：基于切片辅助训练与自适应关联
本文详细阐述了我们在MVA 2025“寻找鸟类”小目标多目标跟踪挑战赛（SMOT4SB）中夺冠的解决方案，该方案采用基于检测的跟踪范式，并在检测和关联层面进行了针对性创新。 这使得检测器(YOLOv8)能够在有限计算资源下以更大的批量大小高效训练，从而显著增强其对微小目标的特征捕获和定位能力[17]。 2 相关工作 **多目标跟踪(MOT)**。MOT领域的主导范式是"基于检测跟踪"[2,22]，它将检测和关联解耦，允许独立优化每个模块。 **小目标多目标跟踪(SMOT)**。SMOT任务的核心挑战是如何在外观特征几乎无法使用时进行可靠的跨帧关联[13]。 与来自卡尔曼滤波器的嘈杂速度估计相比，这提供了更稳定的关联线索。 二次匹配：在下一个匹配步骤中，跟踪器专注于。这些通常是目标被遮挡的轨迹。关联仅使用IoU作为相似性度量进行。
98210编辑于 2025-09-11 YOLOv8-SMOT：基于切片辅助训练与自适应运动关联的无人机视角小目标实时追踪框架
该方案荣获了MVA 2025“寻找鸟类”小目标多目标追踪挑战赛（SMOT4SB）的冠军，其核心在于系统性地解决了此类任务中最棘手的两个问题：看不清（检测难）和跟不上（关联难）。 作者认为要攻克该问题，必须构建能协同解决检测与关联双重瓶颈的框架。 SO-HOTA引入点距（DotD）进行相似性评分，通过精确的点状目标表征进行比较。实现细节检测器YOLOv8-SOD检测器基于三种尺寸（L/M/S）的YOLOv8构建。 不同尺寸YOLOv8检测器的对比表明：最大模型YOLOv8-L以55.205的SO-HOTA得分达到最高精度，但速度最低（5.70 FPS）；最小模型YOLOv8-S将推理速度提升近3倍至17.61 FPS 平台链接：https://www.coovally.com结论本文提出的YOLOv8-SMOT是MVA 2025 SMOT4SB无人机小目标追踪挑战的冠军方案。
60810编辑于 2025-08-22- 来自专栏小小程序员——DATA
关联规则 关联规则概述
关联规则概述 关联规则 (Association Rules) 反映一个事物与其他事物之间的相互依存性和关联性。 如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。 关联规则可以看作是一种IF-THEN关系。 假设商品A被客户购买，那么在相同的交易ID下商品B也被客户挑选的机会就被发现了 购物车分析是大型超市用来揭示商品之间关联的关键技术之一。 他们试图找出不同物品和产品之间的关联，这些物品和产品可以一起销售，这有助于正确的产品放置。 买面包的人通常也买黄油。
76810编辑于 2023-12-18 - 来自专栏智能大数据分析
数据仓库作业五：第8章 关联规则挖掘
第8章 关联规则挖掘 作业题 1、设4-项集 X=\{a,b,c,d\} ，试求出由 X 导出的所有关联规则。 解： 首先生成项集的所有非空真子集。 3、对如表1所示的交易数据库，令MinC=0.6，试在习题2所得频繁项集的基础上，求出所有的强关联规则。 t_8 t8 c 2015.03.03 t_5 c_{02} \{a,c\} 2015.03.03 t_6 c_{03} \{b,c\} 2015.03.03 t_7 c_{01} \{a,c\} 2015.03.05 t_8 5、对如表2所示的交易数据库，令MinC=0.6，试在习题4所得频繁项集的基础上，求出所有的强关联规则。
27100编辑于 2025-01-22 - 来自专栏往期博文
【目标检测】YOLOv8：快速上手指南
模型推理 YOLOv8目前支持的推理有：目标检测、目标检测+分割、目标检测+姿态检测、目标跟踪。 注：所有的任务都以检测为基础，官方并未单独提出其他任务的训练方式。 目标检测 # Load a model model = YOLO('yolov8n.pt') # load a pretrained model # Run inference on 'bus.jpg 示例效果： 目标检测+分割 # Load a pretrained YOLOv8n-seg Segment model model = YOLO('yolov8n-seg.pt') # Run 效果： 目标检测+姿态检测 # Load a pretrained YOLOv8n-pose Pose model model = YOLO('yolov8n-pose.pt') # Run inference model = YOLO('yolov8n.pt') results = model.track(source="data/malasong.mp4", save=True) 目标跟踪接口是track
5.4K42编辑于 2023-09-13 YOLO v8 目标检测识别翻栏
三、业务逻辑分析及算法实现 越界识别的功能实现，主要包括行人目标检测、行人追踪及越界识别判断三部分 1） 行人目标检测 这一部分主要利用YOLOv8算法实现。 首先基于YOLOv8目标检测算法训练一个检测行人（person）的权重person.pt。 参考之前代码： Ctrl CV：YOLOV8血细胞检测 2 ）行人目标追踪 目标追踪的实现主要是在实现目标检测的前提下，补充目标追踪功能，即通过追踪并绘制每个目标的track_id信息实现。 Ctrl CV：YOLOv8目标跟踪 Ctrl CV：YOLOv8_VisDrone2019目标跟踪、模型部署 3） 越界识别判断 （1）越界监测区域绘制 实现越界识别，即检测某个感兴趣区域，是否有人违规进入 使用yolov8算法得到的是人物检测框的四个点信息[x，y，w，h]，即目标框的左上角点的x，y坐标和宽w、高h，因此需要通过代码，转换成人体下方的点，即[左上角点x+1/2*宽w，左上角点y+高h]。
23810编辑于 2025-12-16C#使用yolov8的目标检测tensorrt模型+bytetrack实现目标追踪
",1024); 【视频演示和解说】 使用C#使用yolov8的目标检测tensorrt模型+bytetrack实现目标追踪_哔哩哔哩_bilibili测试环境：win10 x64vs2019cuda11.7 seg的实例分割的tensorrt模型，使用C#部署yolov8的旋转框obb检测tensorrt模型，碉堡了！ YOLOV10重磅开源：延迟比v9减少46%；参数量比v8少2.8倍（包含YOLO全家桶），使用纯opencv部署yolov8目标检测模型onnx，labelme json转yolo工具用于目标检测训练数据集使用教程 ，将yolov5-6.2封装成一个类几行代码完成语义分割任务，将yolov8封装成一个类几行代码完成语义分割任务，C++使用纯opencv去部署yolov8官方obb旋转框检测，【讲人话版】Yolov10 detector = new Yolov8Det("yolov8n.engine"); VideoCapture capture = new VideoCapture("D:\
34510编辑于 2025-07-20- 来自专栏YOLO大作战
YOLOv8红外小目标检测：Wasserstein Distance Loss，助力小目标涨点（1）
红外弱小目标数据集Single-frame InfraRed Small Target 数据集大小：427张，进行3倍数据增强得到1708张，最终训练集验证集测试集随机分配为8：1：1 2.Wasserstein ，因为小目标只包含几个像素大小。 作者证明，由于缺乏外观信息，最先进的检测器也不能在小目标上得到令人满意的结果。 然而，对于36×36像素的正常目标，IoU略有变化(从0.90到0.65)，位置偏差相同。此外，图2给出了4条不同目标尺度的IoU-Deviation曲线，随着目标尺度的减小，曲线下降速度更快。 Wasserstein distance的主要优点是：无论小目标之间有没有重叠都可以度量分布相似性;NWD对不同尺度的目标不敏感，更适合测量小目标之间的相似性。
1.6K10编辑于 2024-11-11 C# OpenVINO部署yolov8目标检测模型
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 YOLOv8 抛弃了前几代模型的 Anchor-Base。 YOLO 是一种基于图像全局信息进行预测的目标检测系统。 现在，YOLOv8 已正式发布。 YOLOv8 是由小型初创公司 Ultralytics 创建并维护的，值得注意的是 YOLOv5 也是由该公司创建的。 namespace FIRC { public partial class Form1 : Form { Mat src = new Mat(); Yolov8Manager ym = new Yolov8Manager(); public Form1() { InitializeComponent();
33810编辑于 2025-07-17- 来自专栏AI
基于 YOLOv8 的水体污染目标检测系统
基于YOLOv8的水体污染目标检测系统[目标检测完整源码]一、背景：水体监控为什么需要“计算机视觉”？在水资源保护与环境治理领域，“看得见问题”往往是治理的第一步。 基于此，本文介绍一套以YOLOv8为核心的水体环境智能监控系统，通过目标检测技术，实现对水域中多类污染目标的自动识别、标注与可视化展示，为环保监管提供可落地的技术方案。 四、为何选择YOLOv8作为核心检测模型？ 4.1YOLOv8的结构优势YOLOv8作为Ultralytics推出的新一代目标检测模型，在工程实践中表现出以下优势：Anchor-Free架构对目标尺度变化更友好，减少人工调参Task-AlignedAssigner 该项目不仅验证了YOLOv8在复杂水面场景下对废弃物、污染区域、漂浮物等目标的良好检测能力，也通过完整的软件形态提升了算法的可用性与落地价值。
15000编辑于 2026-02-21 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（8）
8.4 人脸检测 在目标检测领域可以划分为了人脸检测与通用目标检测，往往人脸这方面会有专门的算法（包括人脸检测、人脸识别、人脸和其他属性的识别等等），并且可以和通用目标检测（识别）有一定的差别，这主要来源于人脸的特性 （有时候目标比较小、人脸之间特征不明显、遮挡问题等），下面将从人脸检测和通用目标检测两个方面来讲解目标检测。 当然通用目标检测算法像Faster-rcnn、yolo、ssd等也有用在人脸检测领域，也可以实现比较不错的结果，但是和专门人脸检测算法比还是有差别。 下面部分主要介绍基于深度学习的人脸检测算法，基于深度学习的通用目标检测算法将在第二大节介绍。 的方式通过特征图映射到原图的方式确定最终识别为人脸的位置，特征图映射到原图人脸框是要看特征图相比较于原图有多少次的缩放（缩放主要查看卷积的步长和卷积层），假设特征图上(2,3)的点，可粗略计算缩放比例为8倍
22800编辑于 2024-05-24 - 来自专栏Java
UML图讲解(关联关系，单向关联，双向关联，自关联，组合关系，依赖关系，继承关系，实现关系)
类与类之间关系的表示方式 2.1 关联关系 简介： 关联关系是对象之间的一种引用关系，用于表示一类对象与另一类对象之间的联系，如老师和学生、师傅和徒弟、丈夫和妻子等。 关联关系是类与类之间最常用的一种关系，分为一般关联关系、聚合关系和组合关系。 关联又可以分为单向关联，双向关联，自关联。 1，单向关联 在UML类图中单向关联用一个带箭头的实线表示。 2，双向关联 所谓双关联就是两个类中互相有对方的部分。 在UML类图中，双向关联用一个不带箭头的直线表示。 3，自关联 自关联在UML类图中用一个带有箭头且指向自身的线表示。 2.3 聚合关系 聚合关系是关联关系的一种，是强关联关系，是整体和部分之间的关系。 下图所示是头和嘴的关系图： 2.4 依赖关系 依赖关系是一种使用关系，它是对象之间耦合度最弱的一种关联方式，是临时性的关联。
1.7K10编辑于 2025-01-21 基于yolov8+gradio目标检测演示系统设计
今天，就让我们一起探讨如何利用YOLOv8与Gradio，实现图片、视频和摄像头目标检测的可视化展示，开启目标检测的新篇章。 一、YOLOv8：目标检测的佼佼者 YOLOv8作为YOLO系列算法的最新成员，继承了前代算法的优点，并在性能和速度上进行了全面的优化。 三、YOLOv8与Gradio的结合：目标检测的可视化展示 图片目标检测的可视化 通过将YOLOv8模型与Gradio结合，我们可以轻松实现图片目标检测的可视化展示。 使用yolov8框架结合gradio==4.26.0模块实现一个目标检测系统演示。 [目标检测][重制版]人员持刀数据集VOC+YOLO格式6923张1类别，将yolov8封装成一个类几行代码完成语义分割任务，C#实现全网yolov7目前最快winform目标检测，YOLOv8实验画图
36100编辑于 2025-07-20- 来自专栏学海无涯
iOS开发之集成目标检测模型YOLOv8
介绍 YOLO（You Only Look Once）是一种使用卷积神经网络进行目标检测的算法。YOLO 系列模型集成度很高、使用简单，是实际开发中常用的目标检测模型。 下载YOLO模型 在 huggingface 或者 Ultralytics 网站下载 YOLOv8 模型。 根据需要下载不同精度的模型，共有 5 种不同精度的模型。 YOLO模型.png 注意：由于是在端侧使用，因此本文以yolov8n.pt为例进行讲解。 训练YOLO模型 准备自定义目标检测数据集。 打开终端，使用如下命令训练模型。 创建VNImageRequestHandler，传入目标照片或者通过摄像头捕获需要检测的目标。 检测到目标之后，通过VNRecognizedObjectObservation获取目标检测的内容与位置信息。
1.3K11编辑于 2024-05-21 - 来自专栏叶子的开发者社区
yolov8训练自定义目标检测模型
然后我们开始准备yolov8，使用python的API的话就比较简单，首先安装一下yolov8 用pip的话安装的话 pip install ultralytics 使用pycharm安装的话 配置yaml 、yolov8n.pt和coco128.yaml这几个文件，yolov8n.yaml是yolov8的配置，yolov8n.pt是预训练的模型，coco128.yaml是coco数据集的配置参数 因此如果我们想要训练自己的模型的话 yolov8n.yaml # Ultralytics YOLO , AGPL-3.0 license # YOLOv8 object detection model with P3-P5 outputs 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n' # [depth, width, max_channels] n: [0.33 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n' # [depth, width, max_channels] n: [0.33
2.7K31编辑于 2023-10-19 - 来自专栏懂点编程的数据分析师
关联分析
这种用于发现隐藏在大型数据集中的有意义联系的分析方法即是关联分析association analysis，所发现的规则可以用关联规则association rule或频繁项集的形式表示： ? 5.关联规则：支持度与置信度 关联规则association rule指的是形如 ? 的蕴涵表达式，其中 ? 。 6.关联规则发现 给定事务的集合 ? ，关联规则发现指的是找出支持度大于等于minsup并且置信度大于等于minconf的所有规则。 挖掘关联规则的原始做法是：计算每个可能规则的支持度和置信度。 一种可靠的提高关联规则算法性能的方法将关联规则挖掘任务拆分为如下的两个子任务： 频繁项集产生：发现满足最小支持度阈值的所有项集，这些项集被称为频繁项集frequent itemset 规则的产生：目标是从上一步中发现的频繁项集中提取所有高置信度的规则 个关联规则。关联规则可以这样提取：将项集 ? 划分为两个非空的子集 ? 和 ? ，使得 ? 满足置信度阈值即可。 如果规则 ? 不满足置信度阈值，则形如 ? 的规则也一定不满足置信度阈值，其中 ?
1.6K40发布于 2020-06-09 - 来自专栏yuyy.info技术专栏
关联账户
main() { int m[N]; int i; for(i=0; i<N; i++) m[i] = i; //初始状态，每个节点自成一个连通域 link(m,0,1); //添加两个账户间的转账关联 link(m,1,2); link(m,3,4); link(m,5,6); link(m,6,7); link(m,8,9); link(m,3,7); printf(
2.3K10编辑于 2022-06-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号