- 综合排序
- 最热优先
- 最新优先
- 来自专栏韩曙亮的移动开发专栏
【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. -- 8.软件过程 定义 及 作用 软件过程 简介 : 软件过程 是 为了 开发高质量软件 所需要完成的 任务框架, 即形成软件产品的 一系列步骤, 包括 中间产品, 资源, 角色 及 在过程中采取的 : 有效的软件过程, 能降低软件的维护成本 ; 6.合理变更 : 有效的 需求变更过程, 能合理的管理变更, 减少变更带来的混乱; 7.规范开发 : 可以规范软件开发方式; 8.资产积累 : 有助于积累组织过程资产 , 都存在过程 ; 凡是过程, 都存在改进 ; 凡是改进, 都没有终点 ; ---- 五. : 组织的 一个关键的 永恒目标是 持续改进 总体业绩 ; 7.以事实为决策依据 : 有效的决策 是 建立在 数据 和 信息分析 的基础上的 ; 8.互利的供方关系 : 组织 与 供方是 相互依存的,
1.2K00编辑于 2023-03-28 - 来自专栏腾讯云TVP
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。 后来随着 Docker 和 K8S 的流行，以及 Jenkins 自身的快速进化，到2016年几乎是一夜之间所有招聘网站的相关职位JD里都增加了 Jenkins 技能要求。 再次回到 Jenkins ，云原生时代的 Jenkins 进化为了 Jenkin X，依赖 Git & K8S 来完成云上的超级 Pipeline ，Jenkins X 还在快速进化，笔者相信它在 KK
14.3K110发布于 2019-05-11 - 来自专栏AI智韵
YoloV8改进策略：Block改进|MBConv在YoloV8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YoloV8的BottleNeck模块，可以显著加快训练速度。 通过替换YoloV8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YoloV8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。
1.1K10编辑于 2024-12-06 - 来自专栏AI智韵
YoloV8改进策略：Block改进|RFE模块|即插即用
一些流行的人脸检测器，包括YOLO [7, 8, 9, 10]、Faster R-CNN [5]和RetinaNet [6]，都属于这一类。 因此，锚点框的尺度和比例设计非常重要，这可能极大地提高模型的准确性和收敛过程。 回归损失：回归损失用于衡量预测边界框和真实边界框之间的差异。 第三，为挖掘难样本，受自适应训练样本选择（ATSS）[33]的启发，我们设计了具有自适应阈值的滑动权重函数，使模型在训练过程中更加关注难样本。 当前的人脸检测算法主要通过继承通用目标检测算法（如SSD[4]、Faster R-CNN[5]、RetinaNet[6]等）的优点进行改进。 此外，我们添加了一个残差连接，以防止训练过程中出现梯度爆炸和消失的问题。收集和加权层用于从不同分支收集信息并为每个分支的特征加权。加权操作用于平衡不同分支的表示。
98110编辑于 2024-10-31 - 来自专栏全栈程序员必看
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。
40310编辑于 2022-07-08 - 来自专栏AI智韵
YoloV8改进策略：Hiera改进YoloV8，实现精度和速度的双提升！
在此过程中，我们创建了Hiera，这是一种极其简单的分层视觉转换器，它比以前的模型更准确，同时在推理和训练过程中速度更快。 我们在各种图像和视频识别任务上评估了Hiera。 spm=1001.2014.3001.5502 YoloV8的官方结果 YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients 0.995 0.831 Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image 改进一 测试结果 YOLOv8l summary: 364 layers, 35794608 parameters, 0 gradients, 144.6 GFLOPs Class 改进二 测试结果 YOLOv8l summary (fused): 277 layers, 46783152 parameters, 0 gradients, 172.5 GFLOPs
24010编辑于 2024-10-22 - 来自专栏YOLO大作战
YOLOv8创新改进专栏介绍
通过YOLOv8的红外弱小目标检测，进行问题点分析并提供魔改方案1. 专栏介绍：✨✨✨原创魔改网络、复现前沿论文，组合优化创新小目标、遮挡物、难样本性能提升持续更新中，定期更新不同数据集涨点情况本专栏提供每一步改进步骤和源码，开箱即用，在你的数据集下轻松涨点,通过注意力机制 、小目标检测、Backbone&Head优化、 IOU&Loss优化、优化器改进、卷积变体改进、轻量级网络结合yolov8等方面进行展开 23年最新优化点，创新十足：1. BiFormer,对小目标涨点明显11.渐近特征金字塔网络（AFPN）优化器改进：1.谷歌2023强势推出优化器Lion2.Adam该换了！ 斯坦福2023最新Sophia优化器，比Adam快2倍卷积变体改进：1.卷积变体DCNV22.SPD-Conv3.卷积块NCB和创新Transformer 块NTB4.CVPR2023 InternImage
1.5K41编辑于 2023-11-08 - 来自专栏程序员吾真本
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。）
25820发布于 2018-08-20 - 来自专栏AI智韵
YoloV8改进策略：Block改进|EVC，提高小目标的检测能力|附代码+改进方法
五、改进的效果 将EVC模块加载到YoloV8的BackBone后面，可以预期以下改进效果： 性能提升：由于EVC模块能够捕获全局长距离依赖关系和保留局部角落区域信息，因此可以提高目标检测的准确性。 为此，提出了基于网络内特征金字塔的方法（例如SSD[6]和FFP[8]），这些方法有效且高效地取得了令人满意的结果。 上述过程可以表示为： 其中，是基于深度卷积的模块的输出。GN()表示组归一化，DConv()表示核大小为的深度卷积[57]。 主干网络是改进的跨阶段部分网络v5[56]和DarkNet53[53]，其中改进的跨阶段部分网络v5用于消融研究，DarkNet53用于与最先进方法的结果比较。颈部网络是FPN[17]。 改进的CSPNet v5[35]。为了公平比较，我们选择YOLOv5（即改进的CSPNet v5）作为我们的主干网络。
2.3K10编辑于 2024-12-05 - 来自专栏AI智韵
YoloV8改进策略：Block改进|MogaNet——高效的多阶门控聚合网络
摘要 本文尝试使用MogaNet改进YoloV8，使用MogaNet的Block替换YoloV8的Block，实现涨点。 YoloV8官方结果 YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs p3 230 105 0.99 1 0.995 0.801 p8 tu-22 230 98 0.984 1 0.995 0.831 测试结果 YOLOv8l p3 230 105 1 0.986 0.995 0.807 p8
23210编辑于 2024-10-22 - 来自专栏AI智韵
YoloV8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。 目标：通过引入内容感知的重新组装机制，CARAFE旨在提高上采样过程的准确性和效率。 表8中的实验结果表明，将压缩到64不会导致性能下降，反而更加高效。进一步减小会导致性能略有下降。 我们在8个GPU上使用16的批量大小（每个GPU 2张图像）。 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。
1.4K10编辑于 2024-11-07 - 来自专栏javathings
Java 8 对线程池有哪些改进？
Java8 中，默认创建线程池的方法多了一个——Executors.newWorkStealingPool(),newWorkStealingPool 的文档描述： “Creates a work-stealing
4.6K10发布于 2018-11-13 - 来自专栏AI智韵
YoloV8改进策略：BackBone改进|Swin Transformer赋能YoloV8，性能跃升的新篇章
这一改进使得YoloV8在检测不同大小物体时更加游刃有余，特别是对于小目标和遮挡目标的检测效果有了显著提升。 改进优点总结： 显著的性能提升：通过Swin Transformer的引入，YoloV8的检测精度和召回率均得到明显提升，特别是在复杂场景和多尺度目标检测中展现出更强的竞争力。 增强的鲁棒性：面对光照变化、遮挡、视角变化等挑战，改进后的YoloV8展现出更强的适应性和稳定性，确保了在不同环境下的可靠检测。 本次将Swin Transformer融入YoloV8的改进尝试，不仅是对传统目标检测模型的一次大胆革新，更是对深度学习技术在实际应用中潜力的一次深刻挖掘。 该过程重复两次，分别为“第 3 阶段”和“第 4 阶段”，输出分辨率分别为 和 。
1.6K10编辑于 2024-10-22 - 来自专栏AI智韵
YoloV8改进策略：RepViT改进YoloV8，轻量级的Block助力YoloV8实现更好的移动性
Yolov8官方结果 YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs 0.995 0.831 Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image 改进一 preprocess, 4.0ms inference, 0.0ms loss, 0.5ms postprocess per image Results saved to runs\detect\train15 改进二 0.995 0.805 Speed: 0.1ms preprocess, 3.8ms inference, 0.0ms loss, 0.6ms postprocess per image 改进三 0.783 Speed: 0.1ms preprocess, 3.6ms inference, 0.0ms loss, 0.6ms postprocess per image 总结 本文尝试了三种改进方法
37810编辑于 2024-10-22 - 来自专栏Greenplum
EXPLAIN(ANALYZE)需要 BUFFERS 来改进 Postgres 查询优化过程
我们的表格有两个 8 字节的列，每个元组加上一个 23 字节的标头（填充到 24 字节）——它为每个元组提供 36 字节（换句话说，对于每个行版本）。 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。 如果您开始将缓冲区编号转换为字节，那就更好了——只需将它们乘以区块大小（大多数情况下为 8 KiB）。 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。
32810编辑于 2025-09-11 - 来自专栏AI智韵
YoloV8改进策略：BackBone改进|CAFormer在YoloV8中的创新应用，显著提升目标检测性能
近期，我们尝试将CAFormer模块引入YoloV8模型中，以替换其原有的主干网络，这一创新性的改进带来了显著的性能提升。 将CAFormer应用于YoloV8模型中，我们惊喜地发现，这一改进不仅大幅提升了模型的准确率，还增强了其对于复杂场景的适应能力。 通过替换原有的主干网络，CAFormer为YoloV8提供了更为强大的特征提取能力，使得模型在检测小目标和复杂背景中的目标时更加准确和鲁棒。 与传统的目标检测模型相比，采用CAFormer的YoloV8具有以下显著优点： 性能卓越：CAFormer的引入使得YoloV8在目标检测任务上实现了更高的准确率，为实际应用提供了更为可靠的保障。 这意味着，采用CAFormer的YoloV8在面对不同场景和数据集时，都能保持稳定的性能。
96310编辑于 2024-10-22 - 来自专栏AI智韵
YoloV8改进策略：BackBone改进|PoolFormer赋能YoloV8，视觉检测性能显著提升的创新尝试
近期，我们大胆尝试将前沿的PoolFormer主干网络引入经典的目标检测框架YoloV8中，这一创新性融合不仅为YoloV8注入了新的活力，更在检测精度与效率上实现了双重飞跃，成为目标检测领域的一股强劲新风 融合之美：PoolFormer+YoloV8 本次研究中，我们创新性地将PoolFormer作为主干网络引入YoloV8，通过替换原有的主干结构，实现了对图像特征的高效提取与表征。 此外，得益于PoolFormer的轻量高效特性，改进后的YoloV8在保持原有实时检测速度的基础上，进一步降低了计算成本和内存占用，提升了整体模型的部署友好性。 易于部署：轻量级的设计使得改进后的YoloV8更加便于在边缘设备和移动端等硬件上部署，拓宽了模型的应用范围。 我们希望我们的发现能够激发未来更多致力于改进MetaFormer而非专注于令牌混合器模块的研究。
79110编辑于 2024-10-22 浅谈Elastic SearchV8的重大改进
首先说明下本文只阐述一些对我们日常使用影响比较大的更改，比如学的时候是Elastic Search v7.x及其以下的版本，但是用的时候却是Elastic Search v8.x，还有一种情况就是从低版本迁移到高版本 为了简化此过程，Elasticsearch官方在 REST API 中添加了对 7.x 兼容性标头的支持。 /_count<target>/_count Delete 删除<index>/<type>/<_id> <index>/_doc/<_id> 3 总结综上就是Elastic Search v8相对低版本做出的相对较大的改动 ，当然最详细的内容还是要仔细的阅读官方文档，上面这些也是本人在使用过程中遇到问题的时候做出的排查进而总结出来的点，希望能给到大家帮助。
74120编辑于 2024-01-27- 来自专栏AI智韵
YoloV8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 YOLOv8l summary (fused): 478 layers, 44,976,798 parameters, 0 gradients, p3 6 105 1 0.975 0.995 0.789 p8 70 1 2 0.917 1 0.995 0.825 tu-22 8
41710编辑于 2025-01-22 - 来自专栏AI智韵
YoloV8改进策略：BackBone改进|DCNv4最新实践|高效涨点|多种改进教程|完整论文翻译
如果在使用过程遇到编译的问题，请严格按照我写的环境配置。 https://jingjing.blog.csdn.net/article/details/135887134? spm=1001.2014.3001.5502 YoloV8官方结果 YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients 0.984 1 0.995 0.831 编译安装DCNv4 环境 系统：ubuntu22.04 CUDA：12.1 python：3.11 显卡驱动：545 安装过程 系统、CUDA和python的安装过程忽略，这些都能找到。 测试结果 YOLOv8l summary: 649 layers, 54142104 parameters, 0 gradients Class Images
54410编辑于 2024-10-22
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