- 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? 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。 156 3 postgres 0x00000001045d64cc parserOpenTable + 124 4
10810编辑于 2026-07-09- 来自专栏SAP ERP管理实践
SAP 资产模块-4.资产转移调拨
SAP资产管理模块是SAP系统中的一个重要财务模块，包括资产的创建、采购、折旧计算、处置、转移、盘点等功能，主要用于跟踪、管理和计划企业的固定资产，帮助企业实现对固定资产的全面管理和控制。 对资产在不同单位间（不同利润中心）的调拨转移，一般可以分为如下几种场景： 一、AS02-资产在同一公司代码下，不同成本中心之间的调拨操作,通过资产调出方修改资产所属成本中心 操作步骤： 二、ABUMN -资产在同一公司代码下，不同资产之间的调拨操作 操作步骤： 1.输入事务代码 ABUMN，确认资产号、过账日期、转移到已有资产等信息 2.点“附加明细“，选择记账期间 、凭证类型（AA-资产过账）、往来变式（4-在公司代码内传送）等信息 3.点“部分转账“按钮，确定记账金额（可以部分转移）、百分比（可以按百分比转移）、数量（按数量转移）等信息 4. （AA-资产过账）、往来变式（1-总额方法）等信息 3.点“部分转账“按钮，确定记账金额（可以部分转移）、百分比（可以按百分比转移）、数量（按数量转移）等信息 4.
2.8K10编辑于 2024-07-31 - 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。 截止到 Linux 5.4 版本内核，64 位操作系统中大概有 547 个系统调用，具体参见syscall_64.tbl[4]。 ? 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。 glibc: https://www.gnu.org/software/libc/sources.html [3] mirror: https://github.com/bminor/glibc [4]
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。 但要实现又快又准的持续跟踪，往往面临被检目标多、相互遮挡、图像扭曲变形、背景杂乱、视角差异大、目标小且运动速度快等产业难题。 视频引用公开数据集[1][2][3][4] 那如何快速获得这个能力呢？ 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。 MOT16: A benchmark for multi-object tracking[J]. arXiv preprint arXiv:1603.00831, 2016. [4] Bai H, Cheng
2K21发布于 2021-11-29 - 来自专栏贾志刚-OpenCV学堂
多摄像头实时目标跟踪和计数，使用YOLOv4，Deep SORT和Flask
Deep SORT 和 YOLO v4 Check out我的Deep SORT repository：https://github.com/LeonLok/Deep-SORT-YOLOv4，查看我使用的跟踪算法 训练你自己的机动车跟踪模型 我使用DETRAC训练带有v3标注的数据集训练了YOLOv4和Deep SORT模型。 我提供了将DETRAC训练图像和v3标注转换为正确格式的脚本，用于训练YOLOv4模型和Deep SORT跟踪模型。 当然，这在很大程度上取决于流分辨率以及用于检测和跟踪的帧数。 YOLO v3 vs. YOLO v4 当我第一次开始目标计数项目时，我使用YOLOv3，跟踪帧率大约是10FPS，很难一次运行多个流。 使用YOLOv4可以更容易地运行具有更高分辨率的两个流，并提供更好的检测精度。
5.2K30发布于 2020-12-08 - 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SAP最佳业务实践
SAP最佳业务实践:FI–资产会计(162)-4资产购置
4.3 资产购置 外部资产购置是指因向业务合作伙伴购置资产而产生的业务事务（与内部购置 相反）。 请使用符合以下标准的固定资产： 资产分类 所有资产分类, 除了95020 资本化日期 无 交易代码 AS01 (细节可参见 业务情景 155.02 ). 4. 选择 回车。 5. 固定资产盘点：盘盈 请使用符合以下标准的固定资产： 资产分类 所有资产分类, 除了95020 资本化日期 无 交易代码 AS01 (细节可参见 业务情景 155.02 ).您也可以在本事务（ABZON） 借：固定资产 贷：固定资产购置结算 已用指定金额资本化资产。在资产主记录中，资本化和折旧开始日期在首次过帐购置时设置。
3.1K80发布于 2018-03-29 - 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。 4. 分别获取价格，店铺名，商品标题 1）价格获取并整理 通过前面第3步骤的时候看到的，表2中就带有价格，直接通过定位到39.5的那个位置即可。 也就简简单单地4，5步即可。 和之前获取价格时一样，把过程整理成自定义函数，方便后续批量处理。 通过4-7章，对比常用Excel函数操作的功能，更能快速上手。 理解： 通过8-13章，结合综合案例，对于工具及其函数的使用进一步地提升。
2.6K40编辑于 2023-03-08 - 来自专栏技术杂记
BattlEye逆向工程师跟踪（4）
handle_info->handles[handle_index].GrantedAccess; buffer_index = after_name_index + 4; *)&report_buffer[buffer_index] = process_entry.th32ProcessID; report_buffer[buffer_index + 4] process_entry.th32ProcessID); } while ( Process32Next(snapshot_handle, &process_entry) && buffer_index < 0x4EFB
15.6K480发布于 2021-02-09 - 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。 4. 故障检测与自动诊断YashanDB内置故障诊断架构，整合多线程健康监控与异常事件捕获：自动故障诊断模块生成黑匣子数据（进程堆栈、内存快照），配合告警日志与trace日志，实现定位内核异常的能力。 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
4.本文核心二：对于新引入的语义分支，本文进一步提出了通道注意力机制。 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。 橙色的表示语义网络，用的是预训练好的AlexNet，在训练和测试时固定所有参数，只提取最后conv4和conv5的特征，目标模板变为zs，zs和X一样大，和z有一样的中心，但包含了上下文信息，因为支路上加了通道注意力模型 4.语义分支中的Channel Attention机制 为什么要这么做：高维语义特征对目标的外观（图片的形变、旋转等）变化是鲁棒的，导致判别力低。 来自S-Net的conv4和conv5功能具有尺寸为24×24×384和22×22×256通道的zs和X。
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
可以使用--label参数跟踪其他类型的对象。 例如，要跟踪香蕉，可以运行： $ rpi-deep-pantilt track --label=banana 在Raspberry Pi 4（4 GB）上，以大约每秒8帧的速度对模型进行基准测试。 : 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 4.尝试使用带有选项的detect命令--edge-tpu。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
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