- 综合排序
- 最热优先
- 最新优先
- 来自专栏johnhuster
使用zipkin追踪mysql8
zipkin是一种分布式调用追踪系统，通过该工具，我们可以清晰快速的定位问题，zipkin监控基础搭建过程可以参考笔者的另一篇博文https://blog.csdn.net/john1337/article /details/104178559，这篇文章主要集中mysql8.0的监控，之所以写这篇文章，一部分原因是现在搜索到的很多文章都是基于mysql-connector-java 8.x以前的老版本，现在开发使用的 mysql java驱动版本一般都是mysql-connector-java 8.x了，其实实现对mysql的追踪很简单，只需两步即可： 1、引入依赖 <dependency> > <groupId>io.zipkin.brave</groupId> <artifactId>brave-instrumentation-mysql8< 直接在最外层方法上添加@Transactional注解即可 参考文章：https://github.com/openzipkin/brave/tree/master/instrumentation/mysql8
61010编辑于 2022-03-29 - 来自专栏PyQt5
python3GUI--基于YOLOv8的行车追踪与可视化分析系统 By:PyQt5（详细分享、配套文档）
一．前言本篇将详细地向大家展示我开发的“基于YOLOv8的行车追踪与可视化分析系统”，这个系统包含了目标检测、目标分割、数据可视化等功能，是您学习、应用的不二之选！ 6.车辆追踪与统计通过对用户上传上来的视频文件里面运动的物体进行追踪，动态标记出目标物体的轨迹，分析结束后会产生一份分析结果数据，包括：track ID、X坐标、Y坐标、目标物体ID，我们可以将这份数据导出到本地支持 当用户选择“车辆追踪与统计”侧边栏后，能够跳转到车辆轨迹识别页面。 8.可视化分析这是本软件的特色部分，本页面通过将“车辆追踪与统计”或者对“导入的数据集”进行分析后，通过饼图、条形图、散点图可视化地展示分析结果，更能让用户一目了然地了解到数据。 五．总结本次和大家分享了我使用PyQt5开发的一款基于YOLOv8的行车追踪与可视化分析系统，写这篇博客用了一个多小时，因为我的读者的能力水平参差不一，我要照顾到所有水平的读者，本篇写的由浅入深，有简单的基础知识
52410编辑于 2025-07-23 - 来自专栏大大的小数据
行车数据分析2020.11.11
2、上午上班8点27停车，中午12点30回到家，下午2点31上班，晚上6点52回到家。 3、晚上回家受下班不匆忙和下班晚高峰影响，回到家时间相对不集中。 4、 5、 6、上午上班停车时间波峰尾，8点33，应该提早5分钟。 7、 8、下午上班停车时间波峰尾，2点36，应该提早10分钟。 9、 10、每天开车时间（时分）折线图。 11、上午上班时间8点02分，应该提前到7点55分出发。下午上班时间2点12分，应该提前到2点00出发。 12、 13、把时间分段，区分出上午上班、上午下班、下午上班、下午下班。
51000编辑于 2022-09-21 - 来自专栏Edward的专栏
基于 opencv+yolov8+easyocr的车牌追踪识别
实现效果 车牌识别 学习视频 使用 Python、Yolov8 和 EasyOCR 自动识别车牌 计算机视觉教程_哔哩哔哩_bilibili 大致思路 通过 opencv 将视频转换为帧 ，对帧应用车辆识别模型，并使用 model.track 或者 sort 追踪器进行追踪，给每个车辆一个唯一的 id ，然后进行车牌识别，对每一帧识别到的车牌，通过几何判断是否位于某个车辆中，是则将该车牌分配给该车辆 Sort() 这里由于我的环境问题，下载不了使用 sort 的库，即这几个： filterpy==1.4.5 scikit-image==0.17.2 lap==0.4.0 所以只能使用 yolo 自带的追踪器进行追踪 定义存储字典并解析视频： # 存储所有信息 results = {} # 加载模型 coco_model = YOLO('yolov8n.pt', task='detect') license_plate_detector 7] while ret: count += 1 ret, frame = cap.read() # print(frame) if ret and count < 8:
91910编辑于 2025-07-13 - 来自专栏大数据文摘
自行车赛2.0——大数据如何再造环法自行车赛
自行车赛这些年日子不好过。高科技能否拯救它？ 自行车这个运动正在发生一些非同寻常的变化。著名的环法自行车赛将于这周末开始，历时三周。它，正处于这些变化的核心。 新的环法自行车赛中心的门户网站可以(其制造商保证)接收反馈可靠的GPS数据，使粉丝们可以得到非常精确的答案。 在幕后，支持环法自行车赛2.0的大数据是由高科技公司Dimension Data开发的。其核心是一辆大卡车，外面印着公司的绿色标志，里面有约6-8名软件工程师。 作为一名自行车运动的发烧友，为全世界最大最好的自行车赛管理一个野心勃勃的大数据项目，这要么是世界上最好的工作，要么是压力山大乏善可陈的。 相比之下，数据导向的比赛则同时追踪每个人。 Foster说，Dimension Data公司去年还是个数家公司的拼凑品，而今年它提升了数据传输距离，现在成为承接所有数据的唯一枢纽。
88730发布于 2018-05-24 基于yolov8+deepsort+gradio实现目标追踪演示
torch==1.9.0+cu111 理论上支持最新ultralytics版本 【实现部分代码】 with gr.Blocks() as demo: with gr.Tab("追踪 介绍界面的功能 gr.Markdown( """ # 目标检测与跟踪 基于yolov8+ deepsort实现目标追踪 """ ) # 行容器，水平排列元素 with gr.Row():
31000编辑于 2025-07-22- 来自专栏石开之旅
图像处理笔记（8）---- OpenCV 获取追踪对象的HSV值
分享一种获取追踪对象HSV值得办法： import cv2 as cv import numpy as np green = np.uint8([[[0,255,0]]]) hsv_green = cv.cvtColor
1.8K00发布于 2020-09-21 - 来自专栏嵌入式Linux系统开发
行车记录仪主要方案公司
那么音视频技术应用较多的地方有安防行业、行车记录仪、运动相机等。今天就给大家介绍一下，行车记录仪主要的方案提供商。 但记录仪市场对这种大鳄来说太小了，前期投入力度不大，在经历了14年行车记录大暴发之后，现在正发力行车记录仪市场。 联咏在2013年初直推出1080P解决方案的芯片NT96650行车记录仪方案，挤入1080P俱乐部该芯片一出来就受到了广泛关注，联咏NT96650搭载镁光0330的行车记录仪，测试起来白天画质、细节、细腻度及清晰度非常好 在2014年中，为了弥补自己在前后双路行车记录仪方案便的不足，先后推出了NT96655 NT96660 NT96663主控芯片，目前推出单芯片主控内置DDR更有竞争优势的NT96658行车记录仪方案更迅速占领 80%中高的行车记录仪市场,是行车记录仪品牌客户首选的行车记录仪方案。
3.5K30发布于 2021-05-28 - 来自专栏智能时刻
Envoy架构概览(8):统计,运行时配置,追踪和TCP代理
追踪 概览 分布式跟踪使开发人员可以在大型面向服务的体系结构中获得调用流的可视化。在理解序列化，并行性和延迟来源方面，这是非常宝贵的。 特使自动发送跨度追踪收藏家。根据跟踪收集器的不同，使用通用信息（如全局唯一请求标识x-request-id（LightStep）或跟踪标识配置（Zipkin））将多个跨度拼接在一起。
2.7K50发布于 2018-04-09 用 YOLOv8 + DeepSORT 实现目标检测、追踪与速度估算
今天我们将带你一步步实现一个完整的项目，使用YOLOv8 + DeepSORT实现目标检测、追踪与速度估算。 技术选型：YOLOv8：最新一代 YOLO 模型，速度快、精度高；DeepSORT：强化版追踪算法，结合深度特征提高 ID 保持能力。 Coovally已集成YOLOv8和DeepSORT模型，可直接一键调用。且平台还内置1000+可一键调用的开源模型，覆盖目标检测、关键点检测、多模态3D检测、目标追踪等各类任务。 总结我们通过本项目实现了一个高效的目标检测 + 多目标追踪 + 速度估算系统，技术组合为：YOLOv8 → 高效检测；DeepSORT → 高精度追踪；简洁清晰的速度统计与车辆计数。 欢迎留言讨论：你觉得 YOLOv8 + DeepSORT 最适合用于哪些场景？你是否在用其他更轻量的追踪算法？关注我们，获取更多开源 AI 实战技巧与平台实测指南！
1.9K11编辑于 2025-07-02- 来自专栏全栈程序员必看
眼球追踪
眼球追踪类似于头部追踪，但是图像的呈现取决于使用者眼睛所看的方向。例如，人们可以用“眼神”完成一种镭射枪的瞄准。 眼球追踪技术很受VR专家们密切关注。 同时，由于眼球追踪技术可以获知人眼的真实注视点，从而得到虚拟物体上视点位置的景深。所以，眼球追踪技术被大部分VR从业者认为将成为解决虚拟现实头盔眩晕病问题的一个重要技术突破。 在VR设备上的眼球追踪，需要追踪的范围很大。可以无死角覆盖整个VR显示屏幕。 除了追踪范围，另一个关键点在于追踪的精确度和实时性。在VR设备的使用过程中，常常造成VR设备与头部的位移变化。 若能针对VR设备的眼球追踪方案增添防抖算法，这样在人们的头动并不会影响眼球追踪的精确度。 且眼球追踪还可被应用在减少眼睛不注视的地方的渲染量等场景。 眼动追踪（Eye Tracking），是指通过测量眼睛的注视点的位置或者眼球相对头部的运动而实现对眼球运动的追踪。
1.7K30编辑于 2022-09-20 - 来自专栏深度学习和计算机视觉
基于Python使用OpenCV进行车牌检测
将彩色图像转换为灰度图像，即代替3个通道（BGR），图像只有一个8位通道，其值范围为0–255，其中0对应于黑色，255对应于白色。我们这样做是为了为下一个过程准备图像。 步骤8 输出 最后，让我们将图像输入到我们的模型中。
2.2K20编辑于 2022-02-14 - 来自专栏数据科学和人工智能
数据集 | 自行车租赁数据集
下载数据集请登录爱数科(www.idatascience.cn) 自行车出租计划是主要城市减少污染和碳排放的一种方式，同时鼓励锻炼。 该数据集记录了华盛顿特区的一个自行车出租计划两年来每天每小时的数据。每小时都记录了天气状况，以及临时用户和注册用户租用自行车的数量。 1. 字段描述 2. 数据预览 3.
1K10编辑于 2022-03-30 - 来自专栏高速公路那点事儿
解决方案 | 雾天行车安全难题多，智能行车安全诱导系统能破局吗？
随着技术创新与行业应用发展，2016年交通运输部发布了《雾天公路行车安全诱导装置》（JTT 1032）交通行业标准，极大得促进了公路雾区行车安全智能诱导及防撞预警系统（以下简称：行车安全智能诱导系统）的发展 行车安全智能诱导系统利用设置在公路两侧的行车安全智能诱导设施（也称为智能诱导边缘标）为在途车辆提供安全引导，在控制系统的集中智能控制下，行车安全智能诱导设施会根据不同的能见度与车流情况，采用不同的发光亮度 ，不论环境照度条件，系统都将开发行车主动诱导功能，随着能见度条件的进一步降低，系统将自动切换至防止追尾警示模式，该模式下，无车辆通过时仍采用行车主动诱导工作模式。 灯光亮度及颜色：可以设定黄色或红色两种颜色，亮度等级不少于8档。 闪烁频率：智能雾灯的同步闪烁频率可根据需要进行调整，档位数不少于4档。 闪烁方式：红灯闪烁或黄灯闪烁可调。 05-设备构成 公路行车安全智能诱导系统主要由交通气象环境感知设备、行车安全智能诱导装置（智能诱导边缘标）、现场控制主机设备（数据预处理器）三大核心设备组成。
68900编辑于 2025-07-03 - 来自专栏云深之无迹
眼动追踪中的坐标+追踪原理
目前的追踪方案都是基于CV的，使用红外灯光打亮眼底，使用高帧率的相机来捕获光源在角膜上面的位置。 开源眼动pupil 开源眼动追踪：GazeTracking（上：效果） 开源眼动追踪：GazeTracking（下：实现） 眼动书籍免费看！ 追踪区域和前面的眼动有些不一样 HMD Tracking Area 是一个标准化的二维坐标系，其原点 (0, 0) 在右上角（从佩戴者的角度来看），而 (1, 1) 在左下角。 在眼动追踪会话期间记录瞳孔大小的变化。瞳孔直径数据分别为左眼和右眼提供，是对瞳孔大小的估计，以毫米为单位。 眼睛张开度定义为上下眼睑之间可以安装的最大球体的直径（以毫米为单位）。 结合上面的一些坐标空间的概念就可以看到这个东西的意思啦 我之前写过一个pupill的眼动仪，这个是单眼追踪的方案 （A）当以球形坐标表示地面真实注视方向dgt时，可以将其可视化为球体上的一个点（参见上下面板中的蓝色圆盘
3K50编辑于 2022-11-29 - 来自专栏大大的小数据
采集行车记录GPS轨迹并推送邮件2020.11.13
1、登录行车PGS记录页面。 2、跳转到轨迹页面。 3、把轨迹页面截图。 4、把截图发送到邮箱。
1K20编辑于 2022-09-22 - 来自专栏微言码道
走马观花云原生技术（8）：分布式链路追踪Jaeger
而可观测性又主要分为日志，度量以及链路追踪三个方面的工作。 今天我要讲的就属于可测试性的其中一个方面，也就是链路追踪技术Jaeger。 链路追踪要解决什么问题，在架构中的作用 2. 这就是链路追踪要解决的问题。 关于Jaeger Jaeger是一个分布式链路追踪技术，由Uber公司创建的一个技术，后捐献给了CNCF，在19年10月正式成为毕业项目。 在分布式链接追踪技术中，在云原生未兴起而微服务盛行的时期，可能另一个技术更为人所关注，那就是zipkin。zipkin也是一个分布式链接追踪技术。 它们都是分布式链路追踪的技术实现，在实现链接追踪的可观测性上，两个技术都是非常好的选择。 Jaeger具有以下一些特点： • 云原生CNCF的支持，隶属于CNCF毕业项目。
1.9K20编辑于 2022-11-18 - 来自专栏燧机科技-视频AI智能分析
行车作业区域人员闯入检测系统
： 行车轨道沿线：立杆安装（高度6-8m，俯角30°），覆盖“轨道两侧5m警戒区”，支持ROI动态聚焦（当人员进入警戒区时自动放大跟踪）； 行车驾驶室视角盲区：壁装补盲摄像机（广角120°），结合激光测距模块 边缘计算节点：采用华为Atlas 200I A2（算力22TOPS，INT8精度），部署MindSpore Lite框架，支持单卡并发处理16路1080P视频流，内置防尘散热模块（IP65防护，适配钢厂高温高尘环境 __init__() # 视觉特征提取（YOLOv8骨干网络简化版） self.backbone = nn.Sequential( # 输入：[B, 3, H 引入特征金字塔网络（FPN）（实测数据：50m外人员（像素＜32×32）检出率从58%提升至85%）； 多目标重叠分离：基于DeepSORT算法（结合外观特征与运动模型），实测数据：5人重叠场景闯入目标追踪准确率 （三）轻量化与国产化适配 模型压缩：通过通道剪枝+量化（FP32→INT8），模型体积从156MB压缩至32MB，支持Atlas 200I A2单卡并发处理20路视频流； 国产化兼容：完成与昇腾310芯片
42410编辑于 2026-01-15 - 来自专栏机器学习AI算法工程
行车环境实时语义分割与深度估计
本项目旨在实现车辆前方行车环境的实时解析。具体通过对行车记录仪的图像、视频数据的语义分割和深度估计实现。要实现的目标如下图所示： ? 2. 模型 本项目在实现行车环境场景语义分割和深度估计实时解析的过程中，尝试使用了不同的模型，有复现文献中提出的网络框架TRL、也有在语义分割ICNet的基础上增加深度分支，最后自己搭建了一个轻量化的模型。
95720发布于 2019-10-28 - 来自专栏全栈程序员必看
怎么提高开车技术_全日行车计划
现在有n个城市，每个城市有它的高度 Hi H_i，保证每个 Hi H_i互不相同。我们定义两个城市之间的距离 disi,j=|Hi−Hj| dis_{i,j}=|H_i-H_j|，并且只能从编号小的城市去到编号大的城市。现在有两个人，小A和小B要开车（雾）去旅行。小A先开一天，小B再开一天。每一天都可以从一个开到另一个城市。小A会选择去离当前城市第二近的城市，小B会选择去离当前城市最近的那个城市。如果他们行驶的总路程将会超过给定的X就会不继续开车(∩_∩)，结束旅行。求： 1：给定一个X，求从哪一个城市出发，小A行驶的路程/小B行驶的路程最小。（认为一个数/0=∞）。若有多个城市相等，选择高度最高的那个。 2：给出m个询问，每次询问从S出发，限制为X，小A走的路程和小B走的路程。
32320编辑于 2022-09-23
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