【软件过程改进 学习笔记】过程思维 ( 软件危机 | 软件过程 | 过程改进 | 过程思维 | 过程描述 | ISO 9000 | 6σ | PCM | CMMI )

5.公司能力 与 能力改进 ( 1 ) 公司能力 提出 ( 2 ) 能力改进作用 6.软件过程发展 7.以质量为中心的软件工程 8.软件过程 定义 及 作用 二. 过程改进的必要性 过程改进的必须要性 : 给出了以下 六个 必须要持续改进过程的 理由 ; 1.性能降低 : 过程经过一段时间后, 其性能就会趋于降低 ; 2.需求提高 : 客户的需求会越来越高 ; 3 , 都存在过程 ; 凡是过程, 都存在改进 ; 凡是改进, 都没有终点 ; ---- 五. - 质量管理必须坚持进行质量改进 质量改进 : 1.持续改进观点 : 质量管理 必须坚持进行 质量改进 ; 2.主动改进 : 质量改进工作 应该 致力于 经常寻求改进机会, 不能 等待问题暴露后再去抓机遇 模型 : ① CMMI-DEV 开发能力成熟度模型 ; ② CMMI-ACQ 采购能力成熟度模型 ; ③ CMMI-SVG 服务能力成熟度模型 ; 2.CMMI V1.3 版本 : 2010年 11

Yolo11改进策略：Block改进|MBConv在Yolo11中的应用

改进的渐进学习方法：为了进一步提高训练速度，本文提出了一种改进的渐进学习方法。该方法在训练过程中逐步增加图像尺寸，并自适应地调整正则化强度，以平衡不同图像尺寸下的网络容量和过拟合风险。 改进的效果 训练速度提升：通过使用EfficientNetV2中的MBConv模块替换Yolo11的BottleNeck模块，可以显著加快训练速度。 通过替换Yolo11中的BottleNeck模块为MBConv模块，可以显著加快训练速度并提高模型性能。这一改进为Yolo11的目标检测任务提供了更高效、更准确的解决方案。 这一见解促使我们在训练过程中根据图像尺寸自适应地调整正则化，从而提出了改进的渐进式学习方法。 4.2. 具有自适应正则化的渐进式学习 图4展示了我们改进的渐进式学习的训练过程：在训练早期，我们使用较小的图像和较弱的正则化来训练网络，这样网络可以容易且快速地学习简单的表示。

DevOps时代的软件过程改进探讨

建立可观测的指标，是过程改进非常重要的一个步骤！ 理念方面，需要在组织层面持续加强对过程改进的认可度，越是紧密的协作，越是需要更灵活的过程度量方法，过程改进工作的价值也就越容易得到体现。 常见的认识误区是，采用了DevOps就是引入了一个标准范式，无需过程改进；相反，DevOps对每一个过程的要求相对更高，能持续对瓶颈或薄弱过程进行改进，会让DevOps的价值更大。 可以认为，是 Jenkins 把过程改进相关的工作串联了起来。 此时的软件过程改进依然可以极大程度地参考 Jenkins X ，任何效率和质量瓶颈都值得去做改进！

YOLO算法改进 | YOLO11改进揭秘，前沿论文精华预览

作为其最新力作，YOLO11在2025年无疑将成为各大顶级会议的焦点。原因在于，一方面，YOLO系列的其他版本改进空间已趋于饱和，而YOLO11问世不久，尚有广阔的创新空间。 为让大家能够紧跟领域前沿，小编将分享多篇关于YOLO11改进的论文供大家参考学习。模型算法下载 在Coovally AI Hub公众号后台回复「模型算法」，即可获取！ 最后，引入 GSConv 模块，最大限度地减少船舶特征语义信息在传输过程中的损失。实验结果表明，所提出的方法具有结构轻巧、精度高的优点，船舶检测性能优于最先进的检测方法。 这些结果为工业界和学术界提供了重要启示，有助于为各种应用选择最合适的 YOLO 算法，并为未来的改进提供指导。 若您对YOLO11改进系列文章仍有浓厚兴趣，欢迎大家私信或评论，小编会继续努力帮大家寻找文章，为您探寻更多精彩内容。

YOLOv11 架构改进 & 常见指令

在之前的 YOLO 版本基础上，YOLO11 在架构和训练上提供了显著的改进。在保持速度的同时提高性能的最重要的架构变化是增加了 C3K2 块、SPFF 模块和 C2PSA 块。 这种结构使得在复杂场景中更精确的检测成为可能，并提高了 YOLOv11 的准确性。 除了这些架构变化，YOLOv11 像 YOLOv8 一样具有多模型能力。 颈部结构已经用 SPFF 模块改进，以捕获不同大小的物体并更好地检测小物体。 增加了 C2PSA 块，专注于更小或部分遮挡物体中的重要区域。 通过多模型能力增加了任务数量。 随着模型设计的改进，YOLO11m 在使用比 YOLOv8m 少 22% 参数的情况下，在 COCO 数据集上实现了更高的平均精度均值（mAP），使其在不牺牲准确性的情况下具有计算效率。 使用 YOLOv11 使用 PyTorch 构建 YOLOv11 模型及其与其他模式的使用简要如下。 步骤 1：首先，我们需要下载 Ultralytics 库。

轻量级过程改进之综述「建议收藏」

“软件过程改进方法和规范”。 而是一个从不及格到60分的过程。假设我们哪一天可以站在60分的角度去看问题了，那可能我们就会採用其它的模型来帮助我们做更高层次的过程改进。 二．改进域 轻量级过程改进不是一个完整模型。 研发团队主要角色和职责总结例如以下： 过程改进小组：依据团队的现状分析、计划和裁剪过程改进模型，并负责在团队中推广、实施详细的过程改进措施。过程改进小组类似CMMI中的SPEG。 过程改进是一项重要和长远的工作。一定要依据机构的实际情况（如发展战略、研发实力等）来梳理过程域和改进方案，并要充分考虑过程改进的成本和效益。 轻量级过程改进的宗旨是针对没有专设过程改进部门的中小型研发团队，通过比較低的代价有效地改进过程能力。目标是能达到适合团队发展的过程能力。过程改进的推行者应当具备一定的软件project和项目管理知识。

Yolo11改进策略：上采样改进|CARAFE，轻量级上采样|即插即用|附改进方法+代码

应用场景：CARAFE模块旨在改进图像处理和计算机视觉任务中的上采样过程，特别适用于目标检测、实例分割、语义分割和图像修复等任务。 在超分辨率和去噪领域，其他工作[27,16,11]也探索了在低级视觉任务中空间上使用可学习核。 Faster-RCNN[33]引入了区域提议网络（RPN）用于端到端训练，该网络通过引导锚定方案[37]得到了进一步改进。 动态滤波器和CARAFE都是内容感知算子，但它们之间的根本区别在于内核生成过程。具体来说，动态滤波器是一个两步卷积过程，其中额外的滤波器预测层和滤波层需要大量的计算。 遵循Detectron[8]和MMDetection[2]的1倍训练计划，我们总共训练12个周期，并在第8个和第11个周期将学习率降低0.1倍。 语义分割。

持续过程改进最高指导原则 v0.6

种瓜得瓜，种豆得豆，所以与其纠结实际结果，不如关注导致结果的原因——即过程； 常改进过程，多宽容同事：因为每个同事在主观上都想把工作搞好；但环境必然会变化，信息必然不全面，过程必然会过时，失误必然会发生 ；所以与其“防范失误发生”，不如“阻止失误蔓延”；与其追究主观原因，不如关注客观原因；客观原因主要由知识和工具的缺乏所导致； 日常工作本身就是做持续过程改进，就是发现和补充客观原因——所缺乏的知识和工具 ； 每个愿意改进的人都要找一位教练来一对一地学会如何做持续过程改进； 本着“公开、平等和易学”的原则，持续和小批量地分享失误的复盘报告。 “过程”与“流程”不同，“过程”指能产生成效（如流程、实践、框架等结果）的那些原因。）

Yolo11改进策略：Block改进|CBlock，Transformer式的卷积结构|即插即用

本文使用SparseViT的CBlock改进Yolo11，使用CBlock替换Yolo11中的Bottleneck结构，提升Yolo11的特征提取能力，实现涨点。 方法 改进说明：使用CBlock增强YoloV11的特征提取能力 背景 Yolo（You Only Look Once）系列模型在目标检测领域具有广泛的应用和显著的性能。 改进方法 在本改进中，我们将SparseViT中的CBlock模块引入YoloV11，以替换原有的Bottleneck结构。 为了提升YoloV11的特征提取能力，我们进行了以下改进： CBlock模块引入： 我们将CBlock模块引入到YoloV11的C3k2和C3k模块中，替换原有的Bottleneck结构。 完整的改进方法： https://blog.csdn.net/m0_47867638/article/details/145963057?spm=1001.2014.3001.5501

C++11较C++03的改进

例子： 3、初始化列表 C++03中的容器不能像C中的数组那样利用列表初始化，这个问题在C++11中得到改进。 例如： 列表初始化也可以运用在更复杂的结构中，如下所示： 4、C++数组 貌似这块儿是C++11添加的新的功能。 C++11提供了std::array，目的是来取代C中的数组。 例子： 5、少许修正 C++03中的一些小缺陷在C++11中得到了修正。 例如： 1 set<vector<int>>在C++11中可以编译了。 1.GNU C++ 编译器需要加入 -std=c++0x 来编译 C++11 代码。 2.Visual Studio 2010部分支持C++11特性。 3.Visual Studio 201X（V11）仍然只对C ++11的功能部分支持。

Yolo11改进策略：主干网络改进|FastVit与Yolo11完美融合，重参数重构Yolo11网络（全网首发）

通过将FastViT引入Yolo11，并替换其原有的主干网络，我们成功实现了一次突破性的改进。 这一融合不仅保留了Yolo11原有的高效性和准确性，更在此基础上实现了显著的涨点效果，为目标检测领域带来了新的活力。 将FastViT与Yolo11相结合，我们充分利用了FastViT在效率和准确性上的优势，进一步提升了Yolo11的检测性能。 实验结果表明，这一改进策略在多个数据集上都取得了显著的涨点效果，无论是在精度还是召回率上都有所提升。 这一改进策略不仅适用于Yolo11，还可为其他目标检测算法提供有益的借鉴和启示。我们期待在未来，能够见证更多基于FastViT等创新架构的改进策略，共同推动目标检测技术的不断发展和进步。

11-存储过程和函数

存储过程 # 存储过程和函数 /* 存储过程和函数：类似Java中的方法 好处： 1. 提高代码重用性 2. 减少数据库服务器的连接次数，提高效率 */ # 存储过程创建 CREATE PROCEDURE 存储过程名(参数列表) BEGIN 存储过程体(一组合法的SQL语句) END # 注意 1. 如果存储过程体中仅有一句话，BEGIN END 可以省略 4. 存储过程体中每条SQL语句结尾要求必须加分号 5. 存储过程的结尾可以用DELIMITER重新配置 语法： DELIMITER 结束标记 # 调用语法 CALL 存储过程名(实参列表); # 空参的存储过程 # 案例：插入到admin表中三条记录 DROP PROCEDURE p2; # 查看存储过程结构信息 SHOW CREATE PROCEDURE p3; # 存储过程一般不修改 函数 # 函数 /* 存储过程与函数区别： 存储过程可以有任意个返回值

Yolo11实战改进：一文读懂Yolo11到实战

关键特性： ❝1、增强的特征提取：采用改进的主干网络和颈部架构，提高了特征提取能力，以实现更精确的目标检测和更复杂的任务性能。 它支持一个可以多次叠加的PSA（金字塔切片注意力）模块，该模块是在SE（Squeeze-and-Excitation）注意力机制的基础上进行叠加和改进的。 例如 coco8.yaml epochs (int) 训练的总轮数 time (float, 可选) 训练的小时数，如果提供则覆盖 epochs patience (int) 早期停止训练的轮数（无显著改进时等待的轮数 model.val(split='val') # no arguments needed, dataset and settings remembered 参数 说明 val (bool) 在训练过程中进行验证 int) 每张图像的最大检测数量 half (bool) 是否使用半精度（FP16） dnn (bool) 是否使用 OpenCV DNN 进行 ONNX 推理 plots (bool) 在训练/验证过程中是否保存图表和图像

Yolo11改进策略：Block改进|注意力改进|FCA，自适应细粒度通道注意|即插即用

具体来说，BCRF通过对比学习的方式，利用真实图像和生成图像之间的相似性来优化网络的学习过程，从而提高去雾效果。 2. (1,64,256,256) Attention= FCAttention(channel=64) y = Attention(input) print(y.size()) 改进方法 spm=1001.2014.3001.5502 测试结果 YOLO11l summary (fused): 688 layers, 25,671,896 parameters, 0 gradients, c130 20 85 0.986 0.988 0.995 0.697 f16 11

Yolo11改进策略：Block改进|细节增强注意力模块（DEAB）|即插即用

重参数化技术的应用：利用卷积层的线性属性，将五个并行卷积简化为一个普通卷积层，减少参数数量并加速训练和测试过程。 五、改进的效果（以Yolo11为例） 模块替换：使用细节增强注意力模块（DEAB）替换了Yolo11的Bottleneck模块，旨在提升特征提取和目标检测的能力。 这一改进为深度学习在图像处理和计算机视觉领域的应用提供了新的思路和方法。 除了上述改进外，我们还对并行卷积的学习核权重进行重新参数化，以减少参数数量并加速训练和测试过程。通过将核权重应用一些约束并利用卷积层的线性属性，五个并行卷积被简化为一个普通卷积层。 注意，由于正向传播阶段同时包含在训练和测试过程中，因此重参数化技术可以同时加速训练和测试过程。

EXPLAIN(ANALYZE)需要 BUFFERS 来改进 Postgres 查询优化过程

Planning Time: 0.183 ms Execution Time: 0.491 ms (7 rows) 只需 11 次缓冲区命中，即 88 KiB，即可读取 1000 行！ 精简克隆 – 扩展 SQL 优化过程的最佳方式 如前所述，Postgres 查询优化并不是一个微不足道的工程领域。 仅在开始和完成 optimization 过程时返回 timing numbers。在流程中，重点关注计划结构和缓冲区编号。是的，SQL 优化的最终目标是尽可能低的 TIMING 值。 在一台计算机上，我们可以运行多个 Postgres 实例，共享一个初始数据目录，并使用 ZFS提供的 Copy-on-Write，以允许同时独立执行多个实验过程。 当您在优化过程中时，不要考虑时间数字 - 这可能感觉有悖常理，但这就是让您忘记环境差异的原因。这就是允许使用精简克隆的原因 – 看看 Database Lab Engine 和其他公司是怎么用它的。

【C++11】 改进我们的设计模式---单例

C++11提供的新特性就可以帮助我们解决这些问题，尤其是实现一个通用的泛型单实例类就可以使用C++11中的可变参数模版消除这种重复，同时又可以使用完美转发避免不必要的内存复制，从而提升程序的性能也增加了代码的灵活性 下面就可以通过两段代码之间的对比来展示C++11新特性的便利和灵活之处。 1 C++11前实现一个泛型单例 一般情况下，构造函数形参不超过6个，如果要实现一个通用单实例模板类可以按照下面进行编写。 这种工作对于编码人员来说是非常繁琐的且不够灵活，下面的代码用C++11的新的特性进行实现，大家可以做个对比。 2 C++11新特性的泛型单例 template <class T> class SingleClass{ public: template <typename ...Args> static T &){}; SingleClass &operator = (const SingleClass&){}; static T *m_pInstance; }; 如上代码所示，代码中使用了C++11

11_博客管理系统_实现过程

Oracle 11g 安装过程

记录 Server 2012 安装 Oracle 11g 全过程

基于yolov11添加SE注意力机制python源码+训练源码+改进原理+改进流程

基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。 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。 主要改进包括： 增强的特征提取：YOLO11采用改进的主干和颈部架构，增强了特征提取能力，以实现更精确的目标检测。 【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 因为改进框架，实际是一种比较复杂流程，包括框架原理可行性，训练数据集是否合适，训练需要反正验证以及同类框架训练结果参数比较，这个是十分复杂且漫长的过程。