量级专题
彼长技以助己（5）量级思维
彼长技以助己（5）量级思维 数字感性与理性测试 我先讲一个可能发生在我们身边的故事：一个程序员在一个项目开发中使用了考虑到目前业务量少，快速写了一个冒泡排序，结果被经理批评了，然后他跑来找你诉苦，请问你会怎么和他说？ 正确观点大致是这样的：首先不管目前业务量多少都不应该自己去些冒泡排序来做，如果真赶时间，可以采用现成的解决方案，而不是自己实现一个冒泡排序；如果是核心业务，一个程序员怎么能预估
【文件增量备份系统】使用Mysql的流式查询优化数据清理性能（针对百万量级数据）
文章目录 功能介绍原始方案测试 流式处理测试 功能可用性测试 功能介绍 清理功能的作用是：扫描数据库中已经备份过的文件，查看数据源中是否还有相应的文件，如果没有，说明该文件被删除了，那相应的，也需要将备份目标目录的文件以及相关的备份记录都一并删除掉 原始方案 使用分批处理，避免单次加载表中的所有数据，导致发现内存溢出，每次从备份文件表中查询出2000条备份文件记录，然后对查出
基于InceptionV2/InceptionV3/Xception不同参数量级模型开发构建中草药图像识别分析系统，实验量化对比不同模型性能
最近正好项目中在做一些识别相关的内容，我也陆陆续续写了一些实验性质的博文用于对自己使用过的模型进行真实数据的评测对比分析，感兴趣的话可以自行移步阅读即可： 《移动端轻量级模型开发谁更胜一筹，efficientnet、mobilenetv2、mobilenetv3、ghostnet、mnasnet、shufflenetv2驾驶危险行为识别模型对比开发测试》 《图像识别模型哪家强？19款经典CNN
千万量级WiFi模块市场背后的芯片企业与核心技术
2015年应用于物联网的WiFi芯片已经有每个月300-400万的出货量，预计2016年出货量将突破1亿颗。起量背后的原因是什么?演变过程是怎么样的呢? 在物联网市场的持续刺激下，2015年国内应用于物联网的WiFi芯片迎来了第一次“爆发式”增长。据《智慧产品圈》统计数据显示，2014年物联网WiFi芯片出货量情况并不乐观，仅有1000万颗左右，到2015年时，WiFi芯片基本成为许多智能硬件产
纳米量级晶圆表面微观检测技术
持续更新 背景：晶圆表面形状偏差分为：宏观几何误差，中间几何误差，微观几何误差，跟别用表面形状误差，表面波纹度，表面粗度来描述。 主要技术：微分剪切干涩显微技术，五步相移算法 原理：用光学微分剪切干涩显微技术来测量表面的粗糙度，利用晶体的各项异性，通过晶体的光产生一定横向的剪切量，分开的两束振动相互垂直的偏振光通过显微物镜投射样品表面并被反射，反射光由于被样品形貌调制而被携带有表面形貌信息，
基于轻量级yolov5-seg全系列【n/s/m/l/x】参数模型开发构建工业场景下不同参数量级的滚珠丝杠传动表面缺陷分割检测系统
工业场景下的滚珠丝杠传动表面缺陷分割检测系统在我们前面的博文中已经有了相关的开发实践了，感兴趣的话可以自行阅读即可： 《助力工业生产质检，基于轻量级yolov5-seg开发构建工业场景下滚珠丝杠传动表面缺陷分割检测系统》 前文主要是以seg系列最为轻量级的模型作为基准开发模型来进行模型的开发构建的，本文的主要目的是想要应用开发seg全系列不同参数量级的模型来综合对比不同量级参数模型的性能结果，
单日30PB量级！火山引擎ByteHouse云原生的数据导入这么做
更多技术交流、求职机会，欢迎关注字节跳动数据平台微信公众号，回复【1】进入官方交流群 近期，火山引擎ByteHouse技术专家受邀参加DataFunCon2023（深圳站）活动，并以“火山引擎ByteHouse基于云原生架构的实时导入探索与实践”为题进行了技术分享。在分享中，火山引擎ByteHouse技术专家以Kafka和物化MySQL两种实时导入技术为例，介绍了ByteHouse的整
大数据量级关系型数据库分页优化方案
1.缘起～ 相信大多程序员在经历的工作中都会遇到 大数据表（mysql）的分页慢查询问题。在一家b2b做院线与影院系统时，单表影片以及单表订单量两千万+（沉淀了两年的数据）。在当时现有的技术架构上做查询分页优化十分艰难。下面说说 当时的优化经历以及尝试的方案。补充说明下架构实现方面的手段。 2.为什么大数据表的分页越往后越慢？ 究其原因 要从根源说起，mysql 分页通常使用的是lim
AI助力智慧农业，基于YOLOv4开发构建不同参数量级农田场景下庄稼作物、杂草智能检测识别系统
智慧农业随着数字化信息化浪潮的演变有了新的定义，在前面的系列博文中，我们从一些现实世界里面的所见所想所感进行了很多对应的实践，感兴趣的话可以自行移步阅读即可： 《自建数据集，基于YOLOv7开发构建农田场景下杂草检测识别系统》 《轻量级目标检测模型实战——杂草检测》 《激光除草距离我们实际的农业生活还有多远，结合近期所见所感基于yolov8开发构建田间作物杂草检测识别系统》 《基于yol
AI助力智慧农业，基于YOLOv6最新版本模型开发构建不同参数量级农田场景下庄稼作物、杂草智能检测识别系统
智慧农业随着数字化信息化浪潮的演变有了新的定义，在前面的系列博文中，我们从一些现实世界里面的所见所想所感进行了很多对应的实践，感兴趣的话可以自行移步阅读即可： 《自建数据集，基于YOLOv7开发构建农田场景下杂草检测识别系统》 《轻量级目标检测模型实战——杂草检测》 《激光除草距离我们实际的农业生活还有多远，结合近期所见所感基于yolov8开发构建田间作物杂草检测识别系统》 《基于yol
AI助力智慧农业，基于YOLOv5全系列模型【n/s/m/l/x】开发构建不同参数量级农田场景下庄稼作物、杂草智能检测识别系统
紧接前文，本文是农田场景下庄稼作物、杂草检测识别的第二篇文章，前文是基于YOLOv3这一网络模型实现的目标检测，v3相对来说比较早期的网络模型了，本文是基于最为经典的YOLOv5来开发不同参数量级的检测端模型。 首先看下实例效果： YOLOv3（You Only Look Once version 3）是一种基于深度学习的快速目标检测算法，由Joseph Redmon等人于2018年提出。
面试题：千万量级数据中查询 10W 量级的数据有什么方案？
文章目录 前言初版设计方案整体方案设计为：技术方案如下：CK 分页查询使用 ES Scroll Scan 优化深翻页耗时数据 ES+Hbase 组合查询方案ES 查询的两个阶段组合使用 Hbase RediSearch+RedisJSON 优化方案RediSearch 性能数据RedisJSON 性能数据 总结 前言 在开发中遇到一个业务诉求，需要在千万量级的底池数据中筛选