- 综合排序
- 最热优先
- 最新优先
U位级资产实时跟踪和盘点的价值
问题一：是否必要对IT资产采用实时跟踪技术？必要。针对现代数据中心的规模和复杂度场景，IT资产的实时跟踪是企业的核心需求。-提升效率：通过实时定位、大幅缩短人工查找与管理时间，优化整体运维流程。 -降低OPEX：精准监控资产位置状态，避免过度采购或闲置浪费，直接降低运营成本。-安全强化：实时监控关键IT设备的位置，有效防范资产被盗、非法移动或意外丢失风险。 在现代大型数据中心，实时跟踪技术是应对规模化运营挑战、实现降本增效的关键战略工具。问题二：是否必要用U位级的实时跟踪？必要。 U位级资产监控已是大型数据中心实现精细化资产管理的核心手段：-精确到U位级实时跟踪实现最大化资产可见度，消除资产管理最后一米的盲区。 对于部署了海量IT设备的大型数据中心，U位级跟踪不仅是资产管理工具，更是实现管理成本最小化、资产效能最大化的战略投资，对企业长期盈利目标的达成具有不可替代性。
16420编辑于 2026-02-02PG实时堆栈跟踪
使用开发者参数 backtrace_functions 对 Postgres 错误进行实时堆栈跟踪 当你在PostgreSQL中执行SQL出错时, 如何能跟踪导致出错的堆栈? 你可以用这个 GUC 让 Postgres 在发生错误时打印堆栈跟踪信息。这太有用了！ 我猜这是为了避免堆栈跟踪日志泛滥。也就是说，只有当日志来自某个函数（以逗号分隔的值命名）时，backtrace_functions 才会打印堆栈跟踪。 "nothere" does not exist at character 15 2025-07-31 13:46:42.657 EDT [84985] BACKTRACE: 2 0x00000001048003a8 exec_simple_query + 1024 11 postgres 0x00000001047fe2a8
10810编辑于 2026-07-09- 来自专栏云开发小程序1
python进阶——人工智能实时目标跟踪
前言 本程序主要实现了python的opencv人工智能视觉模块的目标跟踪功能。 若不知道怎么安装opencv或者使用的请看我的这篇文章（曾上过csdn综合热榜的top1）： python进阶——人工智能视觉识别_lqj_本人的博客-CSDN博客 项目介绍 区域性锁定目标实时动态跟踪 ，释放窗口 cap.release() cv2.destroyAllWindows() 结果演示 区域性全部实时动态目标跟踪（适用夜视跟踪，范围性观察等） 思路构建 1.先将实时摄像流或录制视频流，灰度转化并高斯模糊 cv2 将视频流转换并让其高斯模糊 gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray thresh,None,iterations=3) return dilated 读取视频流或实时摄像流 cap = cv2.VideoCapture('11.mp4') 读取第一帧 ret,frame1
83750编辑于 2023-10-14 - 来自专栏云原生实验室
使用 eBPF 实时持续跟踪进程文件记录
对于频繁创建销毁的进程也能够实现跟踪 能够基于更多维度进行跟踪，比如进程名或者特定的文件 Linux 内核中的 eBPF 技术，可通过跟踪内核中文件打开的系统调用通过编程的方式实现。 使用 eBPF 实时跟踪文件记录 在真正进入到 eBPF 环节之前，我们需要简单复习一些系统调用的基础知识。 系统调用（syscall） 在 Linux 的系统实现中，分为了用户态和内核态。 eBPF 系统调用跟踪 eBPF 对于系统调用的底层支持采用的是 kprobe 机制，kprobe 是针对内核函数跟踪的一种机制。 基于 kprobe 机制对于函数的入口进行了跟踪，还可以基于 kretporbe 对于函数返回的结果进行跟踪。 https://lwn.net/Articles/604515/ [18] open(2): https://man7.org/linux/man-pages/man2/open.2.html [19
2.6K30发布于 2021-06-09 - 来自专栏PaddlePaddle
超强实时跟踪系统首次开源！支持跨镜头、多类别、小目标跟踪！
在琳琅满目的视觉应用中，对车辆、行人、飞行器等快速移动的物体进行实时跟踪及分析，可以说是突破安防、自动驾驶、智慧城市等炙手可热行业的利器。 视频引用公开数据集[2] 跨镜头跟踪 安防场景常常会涉及在多个镜头下对于目标物体的持续跟踪。 ，实现动态人流/车流的实时去重计数，并支持自定义流量统计时间间隔。 视频引用公开数据集[2] 人头跟踪 不仅如此，除了在日常跟踪任务中拥有极强的通用性，针对实际业务中常常出现目标遮挡严重等问题，PP-Tracking也进行了一系列优化，提供了基于FairMOT[8]训练的人头跟踪模型 产业场景快速融合 这么厉害的实时跟踪系统在实际落地中的表现如何呢？接下来，让我们看看PP-Tracking的实际业务落地效果吧。
2K21发布于 2021-11-29 - 来自专栏SAP ERP管理实践
全球供应链中的实时跟踪技术
实时跟踪技术对供应链管理的好处 在评估不同类型的实时跟踪解决方案之前，我们将重点介绍此类跟踪可以提供的好处： 提供更好的货物交接：跟踪技术使您能够准确了解任何特定时间的货物位置，使供应链合作伙伴之间的货物转移信息保持准确且最新 车队跟踪也可以与人工智能和机器学习相结合，根据天气或交通状况等外部因素进行即时路由优化。 2、货物跟踪技术 某些客户可能会选择跟踪货物本身，而不是跟踪与其关联的车辆。 3.2 用于定位跟踪的超宽带信标 超宽带（UWB）信标技术是仓库或存储位置内实时定位和跟踪的最准确解决方案之一。 UWB标记可以附加到特定产品或资产，UWB锚点将跟踪每个标记的位置，并在相关软件中快速、准确地报告位置。 UWB技术通常用在仓库环境中的叉车、手推车和其他设备上。 4、供应链跟踪软件 只有当企业能够对这些监测到的数据做出反应行动时，才能体现出数据的价值。因此，拥有一个数据集成的资产跟踪平台非常有必要，该平台可以整合来自所有设备的信息，并全面了解供应链中的商品。
1.7K11发布于 2020-11-26 - 来自专栏相约机器人
使用MediaPipe进行设备上的实时手部跟踪
该方法通过使用机器学习（ML）从单个帧推断出手的21个3D关键点来提供高保真的手和手指跟踪。虽然目前最先进的方法主要依靠强大的桌面环境进行推理，但方法可以在手机上实现实时性能，甚至可以扩展到多手。 通过MediaPipe在手机上实时3D手感知。解决方案使用机器学习从视频帧计算手的21个3D关键点。深度以灰度显示。 用于手部跟踪和手势识别 ML管道手部跟踪解决方案使用由多个模型组成的ML管道： 掌上探测器模型（称为BlazePalm），对整个图像进行操作并返回定向手边界框。 BlazePalm：实时手部/手掌检测 为了检测初始手部位置，采用名为BlazePalm 的单发探测器模型，以类似于BlazeFace的方式针对移动实时使用进行了优化，BlazeFace也可用在MediaPipe 高效的ML解决方案可以实时运行，并且可以跨越各种不同的平台和外形，与上述简化描述相比，具有更高的复杂性。
11.1K21发布于 2019-08-23 - 来自专栏AI科技大本营的专栏
业界首个实时多目标跟踪系统开源
作者 | CV君 来源 | 我爱计算机视觉（ID：aicvml） 相对业界研究比较多的单目标跟踪，多目标跟踪（Multi-Object Tracking，MOT）系统在实际项目中应用场景更多。 今天一篇多目标跟踪的论文Towards Real-Time Multi-Object Tracking，引起了不少人的关注，速度更快、精度更高、代码也已经开源了，非常值得参考。 作者称，该算法是第一个实时的多目标跟踪算法。 该文作者信息： ? 来自清华大学和澳大利亚国立大学。 多目标跟踪往往采用tracking-by-detection 流程，分为用于目标定位的检测模型和目标关联的表观嵌入模型，长久以来，这两大模块是分开的。 作者的想法就是在这两大模块共享特征。 作者在MOT-16多目标跟踪数据集上评估了算法精度和速度，结果如下： ? 该文提出的算法，MOTA接近state-of-the-art，比DeepSort精度高，速度快3-4倍。
1.4K11发布于 2019-10-10 - 来自专栏FreeBuf
安全研究 | 使用CertEagle实现实时资产监控
在漏洞挖掘的过程中，网络侦察扮演着至关重要的角色，如果你能比其他人更早地发现/识别新添加的资产，那么你发现/报告该资产上的安全缺陷并因此获得奖励的几率就比其他人高。 我的计划是从实时CT日志feed中提取域信息，因此与其他人相比，我更早地找到新资产的可能性将会更高。 工作流 监视实时CT日志feed并从该feed中提取域名； 根据要匹配的域/关键字匹配提取的子域/域； 如果域名匹配，则发送一条Slack通知； 工具要求 一台虚拟专用服务器（Unix）； Python 比如说“.facebook.com”，从实时CT日志中提取出来的域名将跟关键词“.facebook.com”进行匹配，如果能匹配上，则会记录在我们的输出文件（found-domains.log）中。
65430发布于 2021-04-16 - 来自专栏我爱计算机视觉
业界首个实时多目标跟踪系统开源
相对业界研究比较多的单目标跟踪，多目标跟踪（Multi-Object Tracking，MOT）系统在实际项目中应用场景更多。 今天一篇多目标跟踪的论文Towards Real-Time Multi-Object Tracking，引起了不少人的关注，速度更快、精度更高、代码也已经开源了，非常值得参考。 作者称，该算法是第一个实时的多目标跟踪算法。 该文作者信息： ? 来自清华大学和澳大利亚国立大学。 多目标跟踪往往采用tracking-by-detection 流程，分为用于目标定位的检测模型和目标关联的表观嵌入模型，长久以来，这两大模块是分开的。 作者的想法就是在这两大模块共享特征。 作者在MOT-16多目标跟踪数据集上评估了算法精度和速度，结果如下： ? 该文提出的算法，MOTA接近state-of-the-art，比DeepSort精度高，速度快3-4倍。
82520发布于 2019-12-27 - 来自专栏数据技巧
如何利用Power Query实时跟踪商品价格？
对于想购买的商品可以同时对多个商家在售的同一个品加入购物车，这样想买的时候就可以在购物车里面进行比价，但是这个只能局限在个人的范围内，如果想要更多的人关注的话，加入购物车的操作就显然力不从心了，所以希望能得到如下效果的导航界面，并能实时刷新 Power Query作为一款便捷的数据获取及整理的工具，对于网站的商品价格进行实时抓取也是作为体现其价值的一个方面。 打开单个的商品链接，得到商品的链接地址 2. 在Power BI中使用从Web导入的方式。 3. 观察自动获取的数据信息 一个是表2，里面有价格可以直接获取；另外一个是HTML代码，以便于我们后期获取店铺名，商品标题等信息。 4. 2）店铺名称 除了导入进来的表2，我们还导入了一个HTML代码的数据，其导入到Power Query后如下所显示。 可以通过这些代码中找到我们所需要的内容并进行整理。
2.6K40编辑于 2023-03-08 - 来自专栏OpenFPGA
使用云台相机进行实时对象跟踪（肤色追踪）
使用云台相机进行实时对象跟踪（肤色追踪实验） IPC摄像头将跟踪对象保持在视频的中心。 硬件 FPGA Zybo AXIS V5915 50HZ PTZ 介绍 对象跟踪是在视频序列的每个连续帧中寻找感兴趣的区域，在许多应用中都很有用，例如汽车行业、自动视频监控系统和手势识别。 该项目展示了使用 Zybo Z7-20 SoC 的 FPGA 加速跟踪算法。该系统还包含 AXIS V5915 PTZ 摄像机，通过与摄像机服务器的 TCP 连接而进行控制达到我们的目的。 例如，如果我们想将相机绕垂直轴向右旋转 10 度，则应发送以下请求： 其他参数如下表所示： 系统架构设计 使用异构 Zynq-7000 SoC，可以将项目划分为两个子系统：在可编程逻辑中实现的肤色跟踪算法 ，负责计算跟踪对象位置并将其写入 AXI4 Lite 接口，以及负责从 AXI4 获取对象坐标的相机控制系统接口并通过 TCP 循环控制相机的速度。
1.2K20编辑于 2021-12-31 YashanDB的监控功能：实时跟踪数据状态与性能
本文聚焦于YashanDB的监控功能，解析其架构内置的实时状态跟踪及性能监控体系。 2. 实时状态跟踪机制为实现精准的实时监控，YashanDB针对不同资源与运行状态设计专用监控线程，其中包括：数据缓存监控：数据缓存（DATA BUFFER）维护了近期使用数据的内存拷贝，监控线程跟踪缓存命中率 事务状态跟踪：主动监控活跃事务的执行状况及回滚情况，检测异常事务，结合回滚线程（ROLLBACK）自动完善事务恢复工作。 通过多线程实时监控模块与统一的数据汇聚体系，YashanDB能够实现对数据状态和系统性能的高精度跟踪。合理运用监控数据反馈的优化建议可以有效提升数据库的稳定性和性能表现。
33210编辑于 2025-08-18- 来自专栏代码的路
SA-Siam：用于实时目标跟踪的孪生网络
，因此本文方法可以简单概括为：SA-Siam=语义分支+外观分支； 2.Motivation：目标跟踪的特点是，我们想从众多背景中区分出变化的目标物体，其中难点为：背景和变化。 _3mcQ SiamRPN详细介绍：https://mp.weixin.qq.com/s/pmnip3LQtQIIm_9Po2SndA 1.SiamFC：对于A，B，C三个图片，假设C图片和A图片是一个物体 通过上述SiamFC的功能，自然地其可以用于目标跟踪算法中。SiamFC网络突出优点：无需在线fine-tune和end-to-end跟踪模式，使得其可以做到保证跟踪效果的前提下进行实时跟踪。 2.集成跟踪器：大多数跟踪是一个模型A，利用模型A对当前数据进行计算得到跟踪结果，集成跟踪器就是它有多个模型A,B,C，分别对当前数据进行分析，然后对结果融合得到最终的跟踪结果。 2.语义分支（橙色部分） 这篇文章的重点便是此。
88952编辑于 2022-08-01 - 来自专栏技术杂记
BattlEye逆向工程师跟踪（2）
该枚举例程检查在shellcode和手动映射的可移植可执行文件中经常出现的内存异常2。 2手动映射可执行文件是复制Windows图像加载器的过程 这是通过枚举所有进程及其各自的线程来完成的。 driver_folder_handle); } } battleye::send(&thread_report.pad, 0x2A 2 : 1; if ( search_index >= search_count ) break; // SEARCH CURRENT PROCESS BEFORE LSASS if report.pad = 0; report.id = 0xBEu; battleye::send(&v313, buffer_size + 2,
1.3K580发布于 2021-02-09 - 来自专栏相约机器人
TensorFlow，Raspberry Pi和Pan-Tilt HAT实时对象跟踪
第2部分-生成清单 必要 Raspberry Pi 4（建议4GB） Raspberry Pi相机V2 Pimoroni倾斜式HAT套件 Micro SD卡16+ GB Micro HDMI线 可选的 1.SSH进入Raspberry Pi 2.激活虚拟环境： $source .venv/bin/activate 3.运行以下命令： $ rpi-deep-pantilt track 默认情况下，这将跟踪带有标签的对象 : 7.861758172395542 INFO:root:FPS: 7.8549541944597 INFO:root:FPS: 7.907857699044301 第12部分-使用Edge TPU实时跟踪对象 应该能够实时检测物体！ PID控制器 平移/倾斜跟踪系统使用比例积分微分控制器（PID）控制器来平滑跟踪边界框的质心。
3.6K40发布于 2019-12-19 - 来自专栏OpenCV与AI深度学习
实时目标跟踪：基于DeepSORT和TorchVision检测器实现
导 读 本文主要介绍基于DeepSORT和TorchVision检测器实现实时目标跟踪实例。 背景介绍 在实际应用中，跟踪是对象检测中最重要的组成部分之一。 如果没有跟踪，实时监控和自动驾驶系统等应用就无法充分发挥其潜力。无论是人还是车辆，物体跟踪都起着重要作用。然而，测试大量的检测模型和重识别模型是很麻烦的。 使用Torchvision的实时Deep SORT代码 深度排序实时库将在内部处理跟踪详细信息。我们的目标是创建一个模块化代码库，用于多种检测和 Re-ID 模型的快速原型设计。 --show：一个布尔参数，指示我们是否要实时可视化输出。 --cls：这接受我们想要跟踪的类索引。默认情况下，它仅跟踪人员。 可以进一步采用这种解决方案，使用仅在车辆上进行训练的轻量级检测器来实时跟踪交通。
1.8K20编辑于 2023-09-11 - 来自专栏程序员小灰
出了一个Python实时目标跟踪系统神器！
在当下自动驾驶、智慧城市、安防等领域对车辆、行人、飞行器等快速移动的物体进行实时跟踪及分析的需求可谓比比皆是， 但单纯的目标检测算法只能输出目标的定位+分类，无法对移动的目标具体的运动行为及特征进行分析 视频引用公开数据集[2] 跨镜头跟踪 安防场景常常会涉及在多个镜头下对于目标物体的持续跟踪。 ，实现动态人流/车流的实时去重计数，并支持自定义流量统计时间间隔。 为了满足不同业务场景下的需求，如商场进出口人流监测、高速路口车流量监测等，PP-Tracking更是提供了出入口两侧流量统计方式~ 视频引用公开数据集[2] 2复杂场景覆盖全 行人、车辆跟踪 智慧交通中 4产业场景快速融合 这么厉害的实时跟踪系统在实际落地中的表现如何呢？
3K40发布于 2021-11-30 - 来自专栏SAP最佳业务实践
SAP最佳业务实践:FI–资产会计(162)-2资产主数据
4 流程步骤 4.1 主数据维护 固定资产是企业拥有的对象、权限或其他项目，旨在长期使用并可在资产负债表中个别标识。维护固定资产包含创建、更改和显示资产主记录。 选择资产分类和公司代码，修改相似资产的数量，默认为1，如果修改为2则系统会自动创建两个资产主数据。如果资产分类中设定的编码范围为内部编码，系统将自动为该资产分配流水码，否则需要手工指定资产编号。 2. 数量：如果使用一个资产主数据管理多个相同的资产，可以使用该字段，大部分情况下不需要设定数量。 资本化日期：即资产达到可使用状态，在资产负债表中将其认定为资产并开始计提折旧的日期。 您也可使用一下事务代码：AS03（显示资产），AS06（删除资产），AS05（冻结资产），AS11（删除次级编码） 您可创建主资产编号的资产子编号。
3.1K61发布于 2018-03-29 - 来自专栏数据派THU
用 YOLO v5+DeepSORT，打造实时多目标跟踪模型
多目标跟踪往往因为跟踪 ID 众多、遮挡频繁等，容易出现目标跟丢的现象。借助跟踪器 DeepSORT 与检测器 YOLO v5，可以打造一个高性能的实时多目标跟踪模型。 openaccess.thecvf.com/content_ECCV_2018/papers/Yunhua_Zhang_Structured_Siamese_Network_ECCV_2018_paper.pdf 2、 主流算法 1、SORT Simple Online and Realtime Tracking (SORT) 是一种专注简单高效算法的多目标跟踪方法，它非常实用，可以为在线和实时应用，有效地关联目标。 相关论文： https://arxiv.org/pdf/1602.00763.pdf 2、DeepSORT DeepSORT 是 SORT 的升级版，它整合了外观信息 (appearance information 这是业内第一个接近实时的 MOT 系统，它的运行速度更快、精度更高、代码也已开源，非常值得参考。
10.4K23编辑于 2023-03-29
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