- 综合排序
- 最热优先
- 最新优先
- 来自专栏DevOps时代的专栏
轻量化 Jenkins 最佳实践
前言 今天分享主题主要分成三个部分： 第一部分，Jenkins跟持续交付； 第二部分，Jenkins轻量化思路； 第三部分，Jenkins高可用实践。 二、Jenkins轻量化思路 2.1、使用jenkins的常见问题 接下来就是我今天所要谈的重点，刚才解释了为什么Jenkins所代表的CI/CD如此之重要，但现实里Jenkins还是会出现这样那样的问题 我们不希望Jenkins承载更多的东西，这也是为什么我提出轻量化Jenkins的概念，初衷在于给Jenkins减负。 ? 接下来我们看一看Jenkins的系统架构。 2.6、轻量化解决之道 那么轻量化的概念到底是什么意思呢？ 那么在实践Jenkins轻量化解决之道的过程中，我总结了一些套路和体系，其中以下八点内容希望可以帮助大家解决一些实际生产工作中Jenkins的性能问题，同时扩展大家的思路，共同探索Jenkins应用的最佳实践
4.9K90发布于 2018-02-02 基于yolov11使用FasterNet替换backbone用于轻量化网络的python源码+训练源码
【yolov11框架介绍】 2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。 与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？ Ultralytics YOLO11 与其前身相比引入了多项重大进步。 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n' # [depth, width, max_channels] n: [0.50 是0.25 YOLOv11S是0.5 YOLOv11M是1. YOLOv11l是1 YOLOv11是1.5大家根据自己训练的YOLO版本设定即可. # YOLO11n backbone backbone: # [from, repeats, module, args
40410编辑于 2025-07-22- 来自专栏集智书童
全新轻量化模型 | 轻量化沙漏网络助力视觉感知涨点
人体姿态估计（HPE）是计算机视觉中的一项经典任务，它主要通过识别人的关节的位置来表示人的方向。HPE可以用来理解和分析人类的几何和运动相关信息。Newell等人在Mask3D中提出的堆叠沙漏架构是第一个基于深度学习的HPE方法之一，因为经典方法在此之前主导了HPE文献。
1.4K30编辑于 2023-02-26 基于yolov11引入双卷积DualConv用于轻量化网络的python源码+训练源码
【yolov11框架介绍】 2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。 YOLO 是一种用于基于图像的人工智能的计算机模 Ultralytics YOLO11 概述 YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性 与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？ Ultralytics YOLO11 与其前身相比引入了多项重大进步。 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n' # [depth, width, max_channels] n: [0.50 【训练说明】 第一步：首先安装好yolov11必要模块，可以参考yolov11框架安装流程，然后卸载官方版本pip uninstall ultralytics，最后安装改进的源码pip install
38710编辑于 2025-07-18- 来自专栏SIGAI学习与实践平台
轻量化神经网络综述
目前工业级和学术界设计轻量化神经网络模型主要有4个方向：(1)人工设计轻量化神经网络模型、(2)基于神经网络架构搜索（Neural Architecture Search,NAS）的自动化设计神经网络； 1基本卷积运算 手工设计轻量化模型主要思想在于设计更高效的“网络计算方式”（主要针对卷积方式），从而使网络参数减少，并且不损失网络性能。 很多轻量化模型重复 block 架构，只改变滤波器尺寸和空间维度。论文提出的层级搜索空间允许模型的各个 block 包括不同的卷积层。 图 20 AMC引擎示意图 2、搜索空间 AMC对每一层t定义了11个特征表示st的状态： t是层序号，卷积核尺寸是n x c x k x k，输入特征尺寸是c x h x w，FLOPs[t]是Lt master/tensorflow/contrib/lite/tutorials/ [10]让算法解放算法工程师----NAS综述，https://zhuanlan.zhihu.com/p/44576620 [11
4.7K51发布于 2018-09-27 工厂端部署轻量化模型
在工厂端部署轻量化模型通过TensorRT加速的ResNet，是制造业实现实时物料追溯与质量检测的关键技术路径。以下从技术原理、实施步骤、应用场景及优化策略四个维度展开说明：一、为何选择轻量化模型？ 模型轻量化改造架构优化： 将ResNet-50替换为ResNet-18或MobileNetV3，参数量减少80%以上。 部署流程# 步骤1：PyTorch模型导出为ONNX格式torch.onnx.export(model, input_sample, "resnet18.onnx", opset_version=11) AI方案模型选型： 基础模型：ResNet-34（ImageNet预训练） 轻量化后：剪枝至ResNet-12，INT8量化，体积从85MB→12MB。
99710编辑于 2025-04-10- 来自专栏1996
轻量化网络 | MobileNet论文解析
但其使用深度可分离卷积层替换之前的全卷积层，以达到压缩参数数量并轻量化网络这一目标。 MobileNet除了第一层为全卷积层，其余层均为深度可分离卷积。 不同于Deep Compression，因为网络在定义时结构简单，因此我们可以简单地搜索网络的拓扑结构，从头直接训练出一个效果很好的轻量化网络。
1.1K10编辑于 2022-09-23 - 来自专栏SIGAI学习与实践平台
轻量化神经网络综述
目前工业级和学术界设计轻量化神经网络模型主要有4个方向： (1)人工设计轻量化神经网络模型； (2)基于神经网络架构搜索（Neural Architecture Search,NAS）的自动化设计神经网络 1、基本卷积运算 手工设计轻量化模型主要思想在于设计更高效的“网络计算方式”（主要针对卷积方式），从而使网络参数减少，并且不损失网络性能。 图11 Channel shuffle：标准卷积和深度和分离卷积架构对比 ? 很多轻量化模型重复 block 架构，只改变滤波器尺寸和空间维度。论文提出的层级搜索空间允许模型的各个 block 包括不同的卷积层。 图 20 AMC引擎示意图 2、搜索空间 AMC对每一层t定义了11个特征表示st的状态： ?
1.3K20发布于 2018-10-18 - 来自专栏为了不折腾而去折腾的那些事
GitLab 14 轻量化运行方案
│ └─{ruby} │ └─svlogd ├─runsv─┬─gitlab-workhors───11 ───7*[{gitaly-wrapper}] │ └─svlogd ├─runsv─┬─postgres───11
5.7K21发布于 2021-07-14 基于yolov11轻量化下采样操作ADown改进Conv卷积减少参数量python源码+训练源码
轻量化设计 采用分组卷积（Group Convolution）、深度可分离卷积（Depthwise Separable Convolution）或通道混洗（Channel Shuffle）等技术，减少计算量和参数量 计算效率高 通过轻量化设计，ADown在降低特征图分辨率的同时，显著减少计算量和参数量，适合资源受限的设备（如移动端或嵌入式设备）。例如，在无人机或机器人视觉任务中，能实现实时检测。 总结 YOLOv9的ADown模块通过自适应空间压缩、多尺度特征融合和轻量化设计，在降低特征图分辨率的同时，显著提升了模型的检测精度和效率，尤其适合小目标检测和资源受限场景。 【yolov11框架介绍】 2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。 与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？ Ultralytics YOLO11 与其前身相比引入了多项重大进步。
1.3K11编辑于 2025-07-18- 来自专栏集智书童
最新轻量化Backbone | FalconNet汇聚所有轻量化模块的优点，成就最强最轻Backbone
设计具有小参数和Flops的轻量化CNN模型是一个突出的研究问题。 占了参数和Flops的很大比例，但缺乏使其轻量化的有效方法。 为了解决这些问题，本文将轻量化CNNs的4个重要组成部分从粗到细分解并重新设计： 设计了一个称为LightNet的轻量化整体架构，该架构通过简单地实现其他轻量化CNN的BasicBlock来获得更好的性能 基于以上4个重要组成部分，作者提出了一个新的轻量化CNN模型FalconNet。实验结果表明，与现有的轻量化神经网络相比，FalconNet可以以更低的参数和浮点数实现更高的精度。 （轻量化ConvNet的因子分解）。
1.6K20编辑于 2023-09-04 - 来自专栏为了不折腾而去折腾的那些事
GitLab 14 轻量化运行方案
│ └─{ruby} │ └─svlogd ├─runsv─┬─gitlab-workhors───11 ───7*[{gitaly-wrapper}] │ └─svlogd ├─runsv─┬─postgres───11
3.8K40发布于 2021-07-16 - 来自专栏大侠之运维
轻量化的远控工具
在今天的数字化时代，远程控制工具变得越来越重要，无论是用于远程技术支持、服务器管理还是其他远程操作。natpass是一款轻量级的远程控制工具，它提供了强大的功能和安全性，使您能够轻松地远程管理您的计算机和服务器。本文将介绍natpass的功能、部署过程以及如何使用它，帮助您充分了解这个有用的工具。
71110编辑于 2024-10-09 基于yolov11的骨干轻量化更换backbone为shufflenetv2网络python源码+训练源码
【yolov11框架介绍】 2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。 YOLO 是一种用于基于图像的人工智能的计算机模 Ultralytics YOLO11 概述 YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性 与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？ Ultralytics YOLO11 与其前身相比引入了多项重大进步。 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n' # [depth, width, max_channels] n: [0.50 【训练说明】 第一步：首先安装好yolov11必要模块，可以参考yolov11框架安装流程，然后卸载官方版本pip uninstall ultralytics，最后安装改进的源码pip install
77410编辑于 2025-07-18- 来自专栏全栈程序员必看
mobilenet改进_常用的轻量化网络
MobilenetV1/Conv2d_10_pointwise/Conv2D: 262,144 51,380,224 MobilenetV1/Conv2d_11 _depthwise/depthwise: 4,608 903,168 MobilenetV1/Conv2d_11_pointwise/Conv2D: width_multiplier, sc='conv_ds_10') net = _depthwise_separable_conv(net, 512, width_multiplier, sc='conv_ds_11 这里给大家指出一下，就是上图 Figure2 的 1×11×1 GConv 跟 ResNeXt 的并不一样，ResNeXt 的输入卷积组可以等效成一个常规的 1×11×1 卷积，但1×11×1 GConv
1.2K10编辑于 2022-10-03 - 来自专栏Android群英传
Flutter混编工程之轻量化改造
轻量化改造的意义 轻量级Flutter渲染引擎的核心是将Flutter作为一个「渲染器」，它的唯一功能就是将Native端传来的数据绘制成相应的界面，其它所有交互操作，都通过Channel桥接到Native 所以，Flutter轻量化改造重要原因，就是需要「尽可能多的复用原生已有的逻辑」，例如图片框架、网络、埋点，而不是在Flutter中去全部再实现一遍。 同时，Flutter轻量化改造也是对EngineGroup架构的最佳实践，在EngineGroup架构下，我们需要将数据源放到原生侧，从而保证多Engine的数据共享。 轻量化改造实践 首先，我们通过Pigeon生成接口协议和调用代码，原生侧分别基于当前协议来进行开发。 不过，我们需要解决Pigeon CLI脚本只能有一个协议文件的问题。 所以，我们需要对轻量化Flutter框架做进一步改造。
93610编辑于 2022-03-31 - 来自专栏AI科技评论
砖家：轻量化网络利好红米
为此，研究人员提出了一个叫做 Lite-Web（轻量化网页）的解决方案，可使网页在低端手机上加载速度更快，处理起来更容易。
55320编辑于 2023-02-23 桥梁轻量化监测有几种类型?
轻量化监测系统是近年来交通基础设施智慧化领域的热点概念，已密集出现在国家级政策文件中。 实践中，桥梁轻量化监测并未形成统一范式，而是随着政策导向与技术发展呈现出明显的类型分化，不同类型的设计理念、技术路径与应用场景各有侧重：一、早期针对性轻量化监测(江苏先行模式)这一类型是轻量化监测概念的雏形 三、养护数字化导向型轻量化监测(全覆盖赋能模式)随着政策要求从 “重点监测” 向 “全面覆盖” 演进，多地开始推动轻量化监测系统的全域部署 —— 不仅包括高风险桥梁，也逐步延伸至普通服役桥梁。 这类轻量化监测的核心诉求是数据的实用性与连续性，需要通过多维度参数采集、智能化数据分析，为桥梁全生命周期养护提供科学依据。 结语桥梁轻量化监测的类型分化，本质上是政策需求、技术发展与管理目标三者动态适配的结果。
32610编辑于 2025-11-06基于yolov11的骨干轻量化更换backbone为shufflenetv1网络python源码+训练源码
网络结构： 【yolov11框架介绍】 2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。 YOLO 是一种用于基于图像的人工智能的计算机模 Ultralytics YOLO11 概述 YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性 与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？ Ultralytics YOLO11 与其前身相比引入了多项重大进步。 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n' # [depth, width, max_channels] n: [0.50 【训练说明】 第一步：首先安装好yolov11必要模块，可以参考yolov11框架安装流程，然后卸载官方版本pip uninstall ultralytics，最后安装改进的源码pip install
25900编辑于 2025-07-18- 来自专栏xwc1125
Sealos+tkeauth 轻量化安装TKEStack
Sealos+tkeauth 轻量化安装TKEStackSealos安装k8s参考文档：https://www.sealos.io/zh-Hans/docs/Intro安装sealoswget http
78320编辑于 2022-08-12
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