首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >openEuler、龙蜥Anolis、统信UOS系统下编译GreatSQL二进制包

openEuler、龙蜥Anolis、统信UOS系统下编译GreatSQL二进制包

作者头像
GreatSQL社区
发布于 2023-08-10 13:39:45
发布于 2023-08-10 13:39:45
63000
代码可运行
举报
运行总次数:0
代码可运行

GreatSQL社区原创内容未经授权不得随意使用,转载请联系小编并注明来源。

1. 背景介绍

为了能更好地支持更多操作系统及相关生态,我们决定发布openEuler、龙蜥Anolis、统信UOS三个操作系统下的GreatSQL二进制包。相应的二进制包可以访问gitee.com上的 GreatSQL项目 https://gitee.com/GreatSQL/GreatSQL/releases/tag/GreatSQL-8.0.25-17下载。

本文简要记录在这三个操作系统下编译GreatSQL二进制包的过程。

2. 编译环境

本次编译都是采用鲲鹏916这个型号的CPU(泰山2280服务器系列):

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ lscpu
    Architecture:          aarch64
    Byte Order:            Little Endian
    CPU(s):                64
    On-line CPU(s) list:   0-63
    Thread(s) per core:    1
    Core(s) per socket:    32
    Socket(s):             2
    NUMA node(s):          4
    Model:                 2
    BogoMIPS:              100.00
    L1d cache:             32K
    L1i cache:             48K
    L2 cache:              1024K
    L3 cache:              16384K
    NUMA node0 CPU(s):     0-15
    NUMA node1 CPU(s):     16-31
    NUMA node2 CPU(s):     32-47
    NUMA node3 CPU(s):     48-63
    Flags:                 fp asimd evtstrm aes pmull sha1 sha2 crc32 cpuid

上述 lscpu 是在物理机上执行的,实际编译环境则是在这个物理机上运行的虚机中,分配了8个CPU、16G内存。

查看操作系统发行版本

openEuler

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cat /etc/os-release

    NAME="openEuler"
    VERSION="22.03 LTS"
    ID="openEuler"
    VERSION_ID="22.03"
    PRETTY_NAME="openEuler 22.03 LTS"
    ANSI_COLOR="0;31"

龙蜥Anolis

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cat /etc/os-release
    NAME="Anolis OS"
    VERSION="8.6"
    ID="anolis"
    ID_LIKE="rhel fedora centos"
    VERSION_ID="8.6"
    PLATFORM_ID="platform:an8"
    PRETTY_NAME="Anolis OS 8.6"
    ANSI_COLOR="0;31"
    HOME_URL="https://openanolis.cn/"

统信UOS

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cat /etc/os-release
    PRETTY_NAME="UnionTech OS Server 20"
    NAME="UnionTech OS Server 20"
    VERSION_ID="20"
    VERSION="20"
    ID="uos"
    HOME_URL="https://www.chinauos.com/"
    BUG_REPORT_URL="https://bbs.chinauos.com/"
    VERSION_CODENAME="kongzi"
    PLATFORM_ID="platform:uelc20"
    [root@yejr-uos-aarch64 ~]#
    [root@yejr-uos-aarch64 ~]#
    $ cat /etc/uos-release
    UnionTech OS Server release 20 (kongzi)

并且都采用OS中预设的默认YUM

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cat openEuler.repo
    #generic-repos is licensed under the Mulan PSL v2.
    #You can use this software according to the terms and conditions of the Mulan PSL v2.
    #You may obtain a copy of Mulan PSL v2 at:
    #    http://license.coscl.org.cn/MulanPSL2
    #THIS SOFTWARE IS PROVIDED ON AN "AS IS" BASIS, WITHOUT WARRANTIES OF ANY KIND, EITHER EXPRESS OR
    #IMPLIED, INCLUDING BUT NOT LIMITED TO NON-INFRINGEMENT, MERCHANTABILITY OR FIT FOR A PARTICULAR
    #PURPOSE.
    #See the Mulan PSL v2 for more details.

    [OS]
    name=OS
    baseurl=http://repo.openeuler.org/openEuler-22.03-LTS/OS/$basearch/
    enabled=1
    gpgcheck=1
    gpgkey=http://repo.openeuler.org/openEuler-22.03-LTS/OS/$basearch/RPM-GPG-KEY-openEuler

    [everything]
    name=everything
    baseurl=http://repo.openeuler.org/openEuler-22.03-LTS/everything/$basearch/
    enabled=1
    gpgcheck=1
    gpgkey=http://repo.openeuler.org/openEuler-22.03-LTS/everything/$basearch/RPM-GPG-KEY-openEuler
    ...

龙蜥Anolis

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cat AnolisOS-AppStream.repo
    [AppStream]
    name=AnolisOS-$releasever - AppStream
    baseurl=http://mirrors.openanolis.cn/anolis/$releasever/AppStream/$basearch/os
    enabled=1
    gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-ANOLIS
    gpgcheck=1

统信UOS

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cat UniontechOS.repo
    [UniontechOS-$releasever-AppStream]
    name = UniontechOS $releasever AppStream
    baseurl = https://enterprise-c-packages.chinauos.com/server-enterprise-c/kongzi/1050/AppStream/$basearch
    enabled = 1
    username=$auth_u
    password=$auth_p
    gpgkey = file:///etc/pki/rpm-gpg/RPM-GPG-KEY-uos-release
    gpgcheck = 0
    skip_if_unavailable = 1

    [UniontechOS-$releasever-BaseOS]
    name = UniontechOS $releasever BaseOS
    baseurl = https://enterprise-c-packages.chinauos.com/server-enterprise-c/kongzi/1050/BaseOS/$basearch
    enabled = 1
    username=$auth_u
    password=$auth_p
    gpgkey = file:///etc/pki/rpm-gpg/RPM-GPG-KEY-uos-release
    gpgcheck = 0
    skip_if_unavailable = 1
    ...

3. 编译前准备工作

参考文档 麒麟OS+龙芯环境编译GreatSQL,提前安装必要的一些基础包

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ dnf makecache
    $ dnf install --skip-broken -y automake bison bison-devel boost-devel bzip2 bzip2-devel clang \
    cmake cmake3 diffutils expat-devel file flex gcc gcc-c++ git jemalloc jemalloc-devel \
    graphviz libaio-devel libarchive libcurl-devel libevent libevent-devel libverto-libevent libevent-doc libffi-devel libicu-devel libssh \
    libtirpc libtirpc-devel libtool libxml2-devel libzstd libzstd-devel lz4-devel \
    lz4-static make ncurses-devel ncurses-libs net-tools numactl numactl-devel numactl-libs openldap-clients \
    openldap-devel openssl openssl-devel pam pam-devel perl perl-Env perl-JSON perl-Memoize \
    perl-Time-HiRes pkg-config psmisc re2-devel readline-devel \
    snappy-devel tar time unzip vim wget zlib-devel

openEuler下就可以根据安装文档麒麟OS+龙芯环境编译GreatSQL中列出的所有包,包括 jemalloc 包。

下载安装jemalloc rpm包(rpm包依赖glibc版本,可能无法直接使用,可以自行下载源码包编译)

  • https://fedora.pkgs.org/36/fedora-aarch64/jemalloc-5.2.1-7.fc36.aarch64.rpm.html
  • https://fedora.pkgs.org/36/fedora-aarch64/jemalloc-devel-5.2.1-7.fc36.aarch64.rpm.html
  • 源码包 https://sourceforge.net/projects/jemalloc.mirror/files/

当然了,jemalloc并库不是必须的,用它的好处是可以优化内存管理性能等。有条件的话尽量启用,实在搞不定就放弃。

如果需要手动编译安装jemalloc,参考下面的方法即可:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ tar zxf jemalloc-5.2.1.tar.gz
    $ mv jemalloc-jemalloc-886e40b/
    $ ./autogen.sh
    $ ./configure --prefix=/usr && make && make install

分别下载几个编译过程中需要的依赖包:

  • boost, https://boostorg.jfrog.io/artifactory/main/release/1.73.0/source/boost_1_73_0.tar.gz
  • patchelf, https://github.com/NixOS/patchelf/archive/refs/tags/0.14.tar.gz, 下载后重命名为 patchelf-0.14.tar.gz
  • rpcsvc-proto, https://github.com/thkukuk/rpcsvc-proto/releases/download/v1.4/rpcsvc-proto-1.4.tar.gz

下载GreatSQL源码包:https://product.greatdb.com/GreatSQL-8.0.25-17/greatsql-8.0.25-17.tar.gz

将所有的源码包都放在 /opt 目录下。

编译安装patchelf:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cd /opt && tar zxvf patchelf-0.14.tar.gz && cd patchelf-0.14 && ./bootstrap.sh && ./configure && make && make install

编译安装rpcsvc-proto:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cd /opt && tar zxvf rpcsvc-proto-1.4.tar.gz && cd rpcsvc-proto-1.4/ && ./configure && make && make install

编译安装rpcsvc-proto:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    [root@ky10 ~]# cd /opt && tar zxvf rpcsvc-proto-1.4.tar.gz && cd rpcsvc-proto-1.4/ && ./configure && make && make install

确认glibc版本:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ ldd --version

    ldd (GNU libc) 2.28
    Copyright (C) 2018 Free Software Foundation, Inc.
    This is free software; see the source for copying conditions.  There is NO
    warranty; not even for MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.
    Written by Roland McGrath and Ulrich Drepper.

在本次编译过程中,openEuler 2203的glibc版本是2.34。

4. 编译GreatSQL

接下来编译GreatSQL二进制包

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ cat /opt/greatsql-build-tarball.sh

    #!/bin/bash
    MAJOR_VERSION=8
    MINOR_VERSION=0
    PATCH_VERSION=25
    RELEASE=17
    REVISION="4733775f703"
    GLIBC=`ldd --version | grep ldd | tail -n 1 | awk '{print $NF}'`
    ARCH=aarch64
    OS=openEuler
    PKG_NAME=GreatSQL-${MAJOR_VERSION}.${MINOR_VERSION}.${PATCH_VERSION}-${RELEASE}-${OS}-glibc${GLIBC}-${ARCH}BASE_DIR=/usr/local/${PKG_NAME}
    SRC_DIR=/opt
    BOOST_SOURCE_DIR=boost_1_73_0
    GREATSQL_SOURCE_DIR=greatsql-8.0.25-17
    JOBS=`nproc`

    # 如果你的OS环境下已安装jemalloc,建议也启用jemalloc编译选项
    # 如果没有安装jemalloc,则将本行参数注释掉
    CMAKE_EXE_LINKER_FLAGS=" -ljemalloc "

    cd ${SRC_DIR}/${GREATSQL_SOURCE_DIR} && \
    rm -fr bld && \
    mkdir bld && \
    cd bld && \
    cmake .. -DBOOST_INCLUDE_DIR=${SRC_DIR}/${BOOST_SOURCE_DIR} \
    -DLOCAL_BOOST_DIR=${SRC_DIR}/${BOOST_SOURCE_DIR} \
    -DCMAKE_INSTALL_PREFIX=${BASE_DIR} -DWITH_ZLIB=bundled \
    -DWITH_NUMA=ON -DCMAKE_EXE_LINKER_FLAGS="${CMAKE_EXE_LINKER_FLAGS}" \
    -DCMAKE_BUILD_TYPE=RelWithDebInfo -DBUILD_CONFIG=mysql_release \
    -DWITH_TOKUDB=OFF -DWITH_ROCKSDB=OFF \
    -DCOMPILATION_COMMENT="GreatSQL (GPL), Release ${RELEASE}, Revision ${REVISION}" \
    -DMAJOR_VERSION=${MAJOR_VERSION} -DMINOR_VERSION=${MINOR_VERSION} -DPATCH_VERSION=${PATCH_VERSION} \
    -DWITH_UNIT_TESTS=OFF -DWITH_NDBCLUSTER=OFF -DWITH_SSL=system -DWITH_SYSTEMD=ON \
    -DWITH_LIBEVENT=system \
    && make -j${JOBS} && make -j${JOBS} install

不出意外的话,就可以编译生成二进制文件了。

5. 初始化并启动GreatSQL数据库

GreatSQL初始化,my.cnf可以参考这份模板:https://gitee.com/GreatSQL/GreatSQL-Doc/blob/master/docs/my.cnf-example-greatsql-8.0.25-17

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    $ groupadd mysql && useradd -g mysql mysql -s /sbin/nologin -d /dev/null

    $ echo '/usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/lib/' > /etc/ld.so.conf.d/greatsql.conf

    $ ldconfig -p | grep -i percona
     libperconaserverclient.so.21 (libc6,AArch64) => /usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/lib/libperconaserverclient.so.21
     libperconaserverclient.so (libc6,AArch64) => /usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/lib/libperconaserverclient.so
     
     
    # 确保没有找不到的动态库
    $ ldd /usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/bin/mysqld | grep -i not

    $ ./bin/mysqld --defaults-file=/etc/my.cnf --initialize-insecure

    $ ./bin/mysqld --defaults-file=/etc/my.cnf &

    $ lsof -p `pidof mysqld` | grep -i jemalloc
    mysqld  85204 mysql  mem       REG                8,3     471696   3329101 /usr/lib64/libjemalloc.so.2

6. 运行sysbench测试

准备跑一轮sysbench测试

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    #先设置PATH
    $ export PATH=$PATH:/usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/bin

    $ mysqladmin create sbtest

    $ cd /usr/local/share/sysbench/
    $ sysbench /usr/local/share/sysbench/oltp_read_write.lua --mysql-host=localhost --mysql-user=root --mysql-password="" --mysql-socket=/usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/data/mysql.sock --mysql-db=sbtest --db-driver=mysql --tables=10 --table_size=10000 prepare

    $ for i in $(seq 1 3);do sysbench /usr/local/share/sysbench/oltp_read_write.lua --mysql-host=localhost --mysql-user=root --mysql-password="" --mysql-socket=/usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/data/mysql.sock --mysql-db=sbtest --db-driver=mysql --tables=10 --table_size=10000 --report-interval=1 --threads=8 --rand-type=uniform --db-ps-mode=disable  --time=900 run > greatsql-802517-$i.log; sleep 300; done

附录:编译sysbench

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    #先做个动态库软链接
    $ cd /usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/lib/
    $ ln -s libperconaserverclient.so libmysqlclient.so
    $ cd /tmp/sysbench/
    $ ./autogen.sh
    $ ./configure --with-mysql-includes=/usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/include/ --with-mysql-libs=/usr/local/GreatSQL-8.0.25-17-openEuler-glibc2.34-aarch64/lib/ && make && make install

全文完。

Enjoy GreatSQL :)

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2023-04-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 GreatSQL社区 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
智慧课堂学生行为检测评估算法
智慧课堂学生行为检测评估算法通过yolov5系列图像识别和行为分析,智慧课堂学生行为检测评估算法评估学生的表情、是否交头接耳行为、课堂参与度以及互动质量,并提供相应的反馈和建议。智慧课堂学生行为检测评估算法能够实时监测学生的上课行为,及时掌握学生的表情和参与度,为教师提供及时的反馈。智慧课堂学生行为检测评估算法中Yolo模型采用一个单独的CNN模型实现end-to-end的目标检测。首先将输入图片resize到448x448,然后送入CNN网络,最后处理网络预测结果得到检测的目标。相比R-CNN算法,其是一个统一的框架,其速度更快,而且Yolo的训练过程也是end-to-end的。
燧机科技
2023/09/15
6680
智慧课堂学生行为检测评估算法
学生课堂行为识别教学质量评估算法
学生课堂行为识别教学质量评估算法利用教室安装的摄像头,学生课堂行为识别教学质量评估算法对学生的表情状态、课堂表现和互动行为进行全面监测。对学生的参与度、专注度、互动质量等进行评估,为教师提供有关教学效果的实时反馈。可以为教师提供个性化的教学建议和资源,使教学更加针对性和有效性。学生课堂行为识别教学质量评估算法使用到的YOLO框架模型,其全称是You Only Look Once: Unified, Real-Time Object Detection,其实个人觉得这个题目取得非常好,基本上把Yolo算法的特点概括全了:You Only Look Once说的是只需要一次CNN运算,Unified指的是这是一个统一的框架,提供end-to-end的预测,而Real-Time体现是Yolo算法速度快。这里我们谈的是Yolo-v1版本算法,其性能是差于后来的SSD算法的,但是Yolo后来也继续进行改进,产生了Yolo9000算法。本文主要讲述Yolo-v1算法的原理,特别是算法的训练与预测中详细细节,最后将给出如何使用TensorFlow实现Yolo算法。
燧机科技
2023/09/10
4760
学生课堂行为识别教学质量评估算法
明厨亮灶AI智能分析盒
明厨亮灶AI智能分析盒通过python+yolov5网络模型分析技术,明厨亮灶AI智能分析盒能够迅速高效的识别口罩穿戴、厨师服穿戴、吸烟、厨师帽穿戴、后厨鼠害、玩手机识别等。与C / C++等语言相比,Python速度较慢。也就是说,Python可以使用C / C++轻松扩展,这使我们可以在C / C++中编写计算密集型代码,并创建可用作Python模块的Python包装器。这给我们带来了两个好处:首先,代码与原始C / C++代码一样快(因为它是在后台工作的实际C++代码),其次,在Python中编写代码比使用C / C++更容易。OpenCV-Python是原始OpenCV C++实现的Python包装器。
燧机科技
2023/04/07
3280
明厨亮灶AI智能分析盒
皮带撕裂监测识别系统
皮带撕裂监测识别系统通过yolov5网络模型深度学习技术,皮带撕裂监测识别系统自动对运输机皮带状态进行全天候不间断实时检测,皮带撕裂监测识别系统检测到撕裂跑偏时,皮带撕裂监测识别系统立即抓拍告警及时同步信号给运输机停止运输机。YOLOv5是一个在COCO数据集上预训练的物体检测架构和模型系列,它代表了Ultralytics对未来视觉AI方法的开源研究,其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。YOLOv5是YOLO系列的一个延申,可以看作是基于YOLOv3、YOLOv4的改进作品。YOLOv5没有相应的论文说明,但是作者在Github上积极地开放源代码,通过对源码分析,我们也能很快地了解YOLOv5的网络架构和工作原理。
燧机科技
2023/02/16
6870
皮带撕裂监测识别系统
工作玩手机识别监测系统
工作玩手机识别监测系统通过YOLOV5网络深度学习算法模型对画面中人员玩手机行为进行实时监测,当工作玩手机识别监测系统识别到有人在玩手机行为时,无需人为干预工作玩手机识别监测系统立即抓拍存档触发告警。YOLO算法- YOLO算法是一种基于回归的算法,它不是选择图像中有趣的部分,而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法,我们首先需要了解实际预测的是什么。最终,我们的目标是预测一类对象和指定对象位置的边界框。
燧机科技
2023/01/21
1.1K0
工人规范操作识别检测 yolov5
工人规范操作识别检测通过yolov5+python网络模型技术,工人规范操作识别检测对工人的操作进行实时监测,当工人规范操作识别系统检测到工人操作不符合规范时,将自动发出警报提示相关人员采取措施。行为检测合规算法中应用到的YOLOv5中在训练模型阶段仍然使用了Mosaic数据增强方法,该算法是在CutMix数据增强方法的基础上改进而来的。CutMix仅仅利用了两张图片进行拼接,而Mosaic数据增强方法则采用了4张图片,并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成。这种增强方法可以将几张图片组合成一张,这样不仅可以丰富数据集的同时极大的提升网络的训练速度,而且可以降低模型的内存需求。
燧机科技
2023/09/08
4520
工人规范操作识别检测 yolov5
河道非法采砂识别系统
河道非法采砂识别系统通过yolov5网络架构深度学习技术对指定区域进行实时检测,一旦河道非法采砂识别系统检测到人员非法采砂时,无需人工干预系统会自动告警,同步回传监控管理中心,提醒后台相关人员及时处理。YOLO算法- YOLO算法是一种基于回归的算法,它不是选择图像中有趣的部分,而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法,我们首先需要了解实际预测的是什么。最终,我们的目标是预测一类对象和指定对象位置的边界框。
燧机科技
2022/12/29
6670
河道非法采砂识别系统
电子封条监控系统 yolov5
电子封条监控系统算法模型利用yoloov5+python 深度学习训练模型技术,电子封条监控系统算法模型实现对画面内外的出入人员、人数变化及非煤矿山生产作业状态等情况的实时监测和分析,及时发现异常动态,减少了人为介入的过程。介绍电子封条监控系统算法模型Yolo算法之前,首先先介绍一下滑动窗口技术,这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单,它将检测问题转化为了图像分类问题。电子封条监控系统算法模型基本原理就是采用不同大小和比例(宽高比)的窗口在整张图片上以一定的步长进行滑动,然后对这些窗口对应的区域做图像分类,这样就可以实现对整张图片的检测了,如下图3所示,如DPM就是采用这种思路。但是这个方法有致命的缺点,就是你并不知道要检测的目标大小是什么规模,所以你要设置不同大小和比例的窗口去滑动,而且还要选取合适的步长。
燧机科技
2023/09/14
3010
电子封条监控系统 yolov5
渣土车智能识别系统
渣土车智能识别系统通过yolov5网络模型深度学习技术,渣土车智能识别系统对禁止渣土车通行现场画面中含有渣土车时进行自动识别监测,渣土车智能识别系统并自动抓拍告警。YOLOv5是一种单阶段目标检测算法,该算法在YOLOv4的基础上添加了一些新的改进思路,使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示:输入端,在模型训练阶段,提出了一些改进思路,主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放;Mosaic数据增强:Mosaic数据增强的作者也是来自YOLOv5团队的成员,通过随机缩放、随机裁剪、随机排布的方式进行拼接,对小目标的检测效果很不错。
燧机科技
2023/02/13
1.3K0
渣土车智能识别系统
渣土车空车未盖盖识别系统
渣土车空车未盖盖识别系统通过OpenCv+yolo网络实时监控路过的渣土车情况,渣土车空车未盖盖识别系统对没有盖盖或者空车的渣土车进行抓拍。渣土车空车未盖盖识别系统利用城市道路两旁的监控摄像头对交通来往车辆进行识别抓拍,若是空车或者没有盖盖,即会抓拍同步将截图发给后台监控系统平台,提醒后台人员及时处理,避免更大的损失发生。YOLO算法- YOLO算法是一种基于回归的算法,它不是选择图像中有趣的部分,而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法,我们首先需要了解实际预测的是什么。最终,我们的目标是预测一类对象和指定对象位置的边界框。
燧机科技
2022/12/29
5110
渣土车空车未盖盖识别系统
目标检测算法之YOLO
先假设一个场景,幼儿园老师给小朋友们出了一个题目,看谁能最快的找出笑的最美的那张脸?各位SIGAIer也可以试验下,和小朋友们比比测试下自己的辨识能力。
SIGAI学习与实践平台
2018/08/07
7240
目标检测算法之YOLO
AI课堂教学质量评估系统算法
AI课堂教学质量评估系统算法通过yolov7网络模型框架利用摄像头和人脸识别技术,AI课堂教学质量评估系统算法实时监测学生的上课表情和课堂行为。同时,还结合语音识别技术和听课专注度分析算法,对学生的听课专注度进行评估,生成教学质量报告,并提供针对性的改进建议,帮助教师发现问题并进行针对性的改进,提升教学效果。AI课堂教学质量评估系统算法之所以选择yolov7框架模型,相对于其他类型的工具,YOLOv7-E6 目标检测器(56 FPS V100,55.9% AP)比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN(9.2 FPS A100,53.9% AP)速度上高出 509%,精度高出 2%,比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%,精度高出 0.7%。
燧机科技
2023/09/10
8110
AI课堂教学质量评估系统算法
AI智能工服识别算法
AI智能工服识别算法通过yolov5+python网络深度学习算法模型,AI智能工服识别算法通过摄像头对现场区域利用算法分析图像中的工服特征进行分析实时监测工作人员的工服穿戴情况,识别出是否规范穿戴工服,及时发现不规范穿戴行为,提醒相关人员进行调整。AI智能工服识别算法中使用到的语言Python是一种由Guido van Rossum开发的通用编程语言,它很快就变得非常流行,主要是因为它的简单性和代码可读性。它使程序员能够用更少的代码行表达思想,而不会降低可读性。与C / C++等语言相比,Python速度较慢。也就是说,Python可以使用C / C++轻松扩展,这使AI智能工服识别算法可以在C / C++中编写计算密集型代码,并创建可用作Python模块的Python包装器。这给我们带来了两个好处:首先,代码与原始C / C++代码一样快(因为它是在后台工作的实际C++代码),其次,在Python中编写代码比使用C / C++更容易。OpenCV-Python是原始OpenCV C++实现的Python包装器。
燧机科技
2023/09/14
3250
AI智能工服识别算法
泥石流山体滑坡监控视觉识别检测
泥石流山体滑坡监控视觉识别检测算法通过yolov8+python深度学习框架模型,泥石流山体滑坡监控视觉识别检测算法识别到泥石流及山体滑坡灾害事件的发生,算法会立即进行图像抓拍,并及时进行预警。泥石流山体滑坡监控视觉识别检测算法Yolo的源码是用C实现的,但是好在Github上有很多开源的TF复现。这里我们参考gliese581gg的实现来分析Yolo的Inference实现细节。泥石流山体滑坡监控视觉识别检测算法代码将构建一个end-to-end的Yolo的预测模型,泥石流山体滑坡监控视觉识别检测算法利用的已经训练好的权重文件,你将可以用自然的图片去测试检测效果。泥石流山体滑坡监控视觉识别检测算法采用卷积网络来提取特征,然后使用全连接层来得到预测值。网络结构参考GooLeNet模型,包含24个卷积层和2个全连接层。对于卷积层,主要使用1x1卷积来做channle reduction,然后紧跟3x3卷积。对于卷积层和全连接层,采用Leaky ReLU激活函数:max(x,0.1x)max(x,0.1x)。但是最后一层却采用线性激活函数。
燧机科技
2023/09/24
7990
泥石流山体滑坡监控视觉识别检测
校园安全Ai视频分析预警算法
校园安全Ai视频分析预警算法通过yolov5+python深度学习算法网络模型,校园安全Ai视频分析预警算法对学生的行为进行智能监测和预警如识别学生打架斗殴、抽烟、翻墙、倒地以及异常聚集等行为,及时发出预警通知。校园安全Ai视频分析预警算法YOLO模型的结构非常简单,就是单纯的卷积、池化最后加了两层全连接,从网络结构上看,与前面介绍的CNN分类网络没有本质的区别,最大的差异是输出层用线性函数做激活函数,因为需要预测bounding box的位置(数值型),而不仅仅是对象的概率。所以粗略来说,YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出的张量。
燧机科技
2023/09/15
3930
校园安全Ai视频分析预警算法
目标检测 | YOLOv1,经典单阶段Anchor-Free目标检测模型
作者认为人可以一眼看到目标在哪,并且能立即知道是什么,并且对于很多实际场景而言,如自动驾驶,实时性和准确性都是非常重要的。
Justlovesmile
2022/03/30
1.3K0
目标检测 | YOLOv1,经典单阶段Anchor-Free目标检测模型
【深度学习】目标检测
目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。
杨丝儿
2022/03/01
3K0
【深度学习】目标检测
yolov1 模型理解
yolov1 直接采用 regression(回归)的方法进行坐标框的检测以及分类,使用一个end-to-end的简单网络,直接实现坐标回归与分类。Yolo的CNN网络将输入的\(448*448\)图片分割成 S∗S 网格,然后每个单元格负责去检测那些中心点落在该格子内的目标,如图下图所示,可以看到狗这个目标的中心落在左下角一个单元格内,那么该单元格负责预测这个狗。每个单元格会预测 B 个边界框(bounding box)以及边界框的置信度(confidence score)。 
嵌入式视觉
2022/09/05
6490
yolov1 模型理解
政务大厅人员睡岗离岗玩手机识别算法
人员睡岗离岗玩手机识别算法通过python+yolo系列网络框架算法模型,人员睡岗离岗玩手机识别算法利用图像识别和行为分析,识别出睡岗、离岗和玩手机等不符合规定的行为,并发出告警信号以提醒相关人员。人员睡岗离岗玩手机识别算法中Python是一种由Guido van Rossum开发的通用编程语言,它很快就变得非常流行,主要是因为它的简单性和代码可读性。它使程序员能够用更少的代码行表达思想,而不会降低可读性。与C / C++等语言相比,Python速度较慢。也就是说,Python可以使用C / C++轻松扩展,这使人员睡岗离岗玩手机识别算法可以在C / C++中编写计算密集型代码,并创建可用作Python模块的Python包装器。这给我们带来了两个好处:首先,代码与原始C / C++代码一样快(因为它是在后台工作的实际C++代码),其次,在Python中编写代码比使用C / C++更容易。OpenCV-Python是原始OpenCV C++实现的Python包装器。
燧机科技
2023/09/14
4920
政务大厅人员睡岗离岗玩手机识别算法
【目标检测】从YOLOv1到YOLOX(理论梳理)
YOLO系列应该是目标领域知名度最高的算法,其凭借出色的实时检测性能在不同的领域均有广泛应用。 目前,YOLO共有6个版本,YOLOv1-v5和YOLOX,除了YOLOv5外,其它都有相应的论文,5篇论文我已上传到资源中,可自行下载:https://www.aliyundrive.com/s/ofcnrxjzsFE 工程上使用最多的版本是YOLOv3和YOLOv5,Pytorch版本均由ultralytics公司开发,YOLOv5仍在进行维护,截至目前,已经更新到YOLOv5-6.1版本。 项目地址:https://github.com/ultralytics/yolov5 在上篇博文中,详细记录了如何用YOLOv5来跑通VOC2007数据集,本篇博文旨在对YOLO系列算法的演化进行简单梳理,更多详细的内容可以看文末的参考资料。
zstar
2022/09/08
2.4K0
相关推荐
智慧课堂学生行为检测评估算法
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验