- 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? 或者用gdb提前跟踪将要出错的进程(那就太复杂了). 有没有什么更便捷的方式, 让SQL执行出错(但是数据库没有崩溃)时打印堆栈信息呢? 有个patch, 下面就看看怎么做? www.enterprisedb.com/blog/stack-traces-postgres-errors-backtracefunctions 开始吧 如果 Postgres 崩溃了，你可以用 gdb 获取堆栈跟踪 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。
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 (' '):#等待50毫秒或键盘按空格键退出 break # 释放视频流，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 2.用二值化算法将流中的物体轮廓扩充 3.分别先读到第一帧和第二帧，让其对比 4.寻找对比后，流的轮廓位置， 20,255,cv2.THRESH_BINARY) dilated = cv2.dilate(thresh,None,iterations=3) return dilated 读取视频流或实时摄像流
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。 此处我们只是为了展示如何使用 eBPF 进行功能开发，实现了对于 open 系统调用跟踪和基于 PID de 过滤，麻雀虽小五脏俱全，我们可以很容易基于此样例进行扩展，实现我们个性化定制的跟踪。
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。 单镜头跟踪 单镜头下的单类别目标跟踪是指在单个镜头下，对于同一种类别的多个目标进行连续跟踪，是跟踪任务的基础。 流量监测 与此同时，针对智慧城市中的高频场景—人/车流量监测，PP-Tracking也提供了完整的解决方案，应用服务器端轻量级版FairMOT[8]模型预测得到目标轨迹与ID信息，实现动态人流/车流的实时去重计数 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。 以人流量计数为例，在上海音智达公司的实际业务中，使用PP-Tracking中的服务端轻量化版FairMOT[8]，结合人流量计数功能，快速实现商圈出入口的实时人流量去重计数。
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
高效的供应链依赖于对原材料、产品、货物和车队的快速、准确、有效的跟踪。物联网（IoT）变革正在改变供应链的每个部分，值得我们探索其中可用于监测物品移动、存储和其他方面的不同实时跟踪技术。 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 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。
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。 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。 日志传输与回放监控：在主备复制架构中，专有线程实时感知redo日志传输延迟及备库日志回放进度，保障主备数据同步和高可用切换质量。 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
； 3.本文的目的是提升SiamFC在目标跟踪任务中的判别力。 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。 本文的语义特征+外观特征正是借鉴了集成跟踪器的思路。 在集成跟踪器，模型A,B,C相关度越低，跟踪效果越好，这个很好理解，如果他们三非常相关，那么用三个和用一个没啥区别，因为这个原因，本文的语义特征和外观特征网络在训练过程中是完全不相关的。
88952编辑于 2022-08-01 - 来自专栏相约机器人
TensorFlow，Raspberry Pi和Pan-Tilt HAT实时对象跟踪
采取以下步骤，使用Pan-Tilt HAT以大约8帧/秒的速度跟踪对象。 可以使用--label参数跟踪其他类型的对象。 : 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 ，并针对产业痛点、结合实际落地场景进行一系列拓展和优化，覆盖多类别跟踪、跨镜跟踪、流量统计等功能与应用，可谓是精度、性能、功能丰富样样俱全~ 单镜头跟踪 单镜头下的单类别目标跟踪是指在单个镜头下，对于同一种类别的多个目标进行连续跟踪 流量监测 与此同时，针对智慧城市中的高频场景—人/车流量监测，PP-Tracking也提供了完整的解决方案，应用服务器端轻量级版FairMOT[8]模型预测得到目标轨迹与ID信息，实现动态人流/车流的实时去重计数 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？ PP-Tracking的实际业务落地效果吧~ 以人流量计数为例，在上海音智达公司的实际业务中，使用PP-Tracking中的服务端轻量化版FairMOT[8]，结合人流量计数功能，快速实现商圈出入口的实时人流量去重计数
3K40发布于 2021-11-30 - 来自专栏数据派THU
用 YOLO v5+DeepSORT，打造实时多目标跟踪模型
目标跟踪 (Object Tracking) 是机器视觉领域的重要课题，根据跟踪目标的数量，可分为单目标跟踪 (Single Object Tracking，简称 SOT) 和多目标跟踪 (Multi 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。 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。 Towards Real-Time MOT 与 SDE 模型 Two-stage 模型以及 JDE 模型对比 与之前的 MOT 系统相比，这两个组件的计算成本都大大降低了，为实时 MOT 算法设计的后续工作 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 - 来自专栏HyperAI超神经
用 YOLO v5+DeepSORT，打造实时多目标跟踪模型
By 超神经 内容概要：目标跟踪作为一个非常有前景的研究方向，常常因为场景复杂导致目标跟丢的情况发生。本文按照跟踪目标数量的差异，分别介绍了单目标跟踪及多目标跟踪。 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。 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。 Towards Real-Time MOT 与 SDE 模型 Two-stage 模型以及 JDE 模型对比 与之前的 MOT 系统相比，这两个组件的计算成本都大大降低了，为实时 MOT 算法设计的后续工作 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。
2.2K11发布于 2021-08-25 - 来自专栏《C++与 AI：个人经验分享合集》
《C++ 实时视频流物体跟踪与行为分析全解析》
从安防监控到智能交通，从工业自动化到人机交互，利用 C++ 处理实时视频流中的物体跟踪和行为分析成为了热门且极具挑战性的研究与开发方向。本文将深入探讨其中涉及的关键技术要点与应用场景。 一、实时视频流处理基础 实时视频流的处理首先需要对视频数据进行高效的读取与解码。C++ 凭借其强大的性能和丰富的库支持，可以借助 OpenCV 等图像处理库来实现这一目标。 安防监控领域 C++ 实现的物体跟踪和行为分析系统能够实时监测监控区域内的人员和物体活动。例如，在银行、商场等场所，可以及时发现异常行为如盗窃、斗殴等，并发出警报。 但在高速行驶的车辆跟踪中，由于车辆速度快、视角变化大等因素，对 C++ 算法的实时性和准确性提出了更高的要求。 3. C++ 在处理实时视频流中的物体跟踪和行为分析方面有着广阔的应用前景和诸多技术要点需要深入研究和优化。
61710编辑于 2024-12-18
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