Jetson AGX Xavier开发套件使用方法

news2025/5/18 6:51:05

Jetson AGX Xavier是一款由NVIDIA推出的一款强大的嵌入式AI开发平台，适合边缘计算和目标检测任务。如果你手上有一台 Jetson AGX Xavier Developer Kit，就可以使用它进行明火烟雾目标检测实验。以此为例，为了使你能够从零开始设置设备并完成实验，下面是具体的操作步骤：

第1步：熟悉 Jetson AGX Xavier Developer Kit

Jetson AGX Xavier是一款嵌入式系统模块（System-on-Module, SoM），专为自主机器和边缘AI应用设计。它是NVIDIA Jetson TX2的升级版，性能比TX2高出20倍，而能源效率则高出10倍。它支持NVIDIA JetPack和DeepStream SDK以及CUDA®，cuDNN和TensorRT软件库，并提供一系列可立即上手的工具。使用Jetson AGX Xavier可以打造出 AI 助力的自主机器，其运行功率低至 10W，却能实现高达32 TOPS的峰值计算能力和 750 Gbps 的高速 I/O 性能。作为行业领先AI计算平台的一部分，Jetson AGX Xavier得益于NVIDIA整套丰富的 AI工具和工作流程，可帮助开发者快速训练和部署神经网络。
在这里插入图片描述

配备硬件：

  • GPU：512核Volta GPU，支持Tensor Cores，提供高达32 TOPS（万亿次运算/秒）的AI性能。
  • CPU：8核64位ARMv8.2处理器，8MB L2+4MB L3 Cache。
  • 内存：32GB 256-bit LPDDR4x (eMMC5.1)，带宽137 GB/s。
  • 功耗：可配置为10W、15W或30W。
  • 应用场景：适合机器人、智能城市、工业检测等任务。
    其它参见：https://ask.qcloudimg.com/http-save/yehe-1539448/8jt3lqtm5j.jpeg

第2步：开发前准备工作

使用这款设备前需要先完成硬件和软件的初始化配置。

硬件准备

硬件和配件需求：

  • Jetson AGX Xavier Developer Kit（包含充电器，原装type-c转usb数据线）。
  • microSD卡（建议32GB或更大容量，用于存储系统镜像）。
  • 电源适配器（Jetson AGX Xavier附带的电源，通常为19V 4.74A）。
  • 显示器（支持HDMI接口，用于初次设置）。
  • USB键盘和鼠标（用于交互）。
  • HDMI线（连接显示器）。
  • USB-C转USB-A线（用于连接主机和Jetson进行系统烧录）。
  • 一台主机电脑（运行Ubuntu或Windows，用于烧录系统镜像）。
  • 网络连接（以太网线或Wi-Fi，用于下载软件和数据集）。
  • 连接外设：
    • 将 Jetson AGX Xavier 连接到显示器（通过HDMI）、键盘、鼠标和电源适配器。
    • 确保电源适配器是开发套件提供的，因为设备在高负载下功耗较大。
    • 另外还需要一台运行Ubuntu的主机（比如您的笔记本电脑）来协助安装软件。

软件安装

软件需求：

  • NVIDIA SDK Manager：用于烧录Jetson的系统镜像和安装JetPack SDK。
  • JetPack SDK：包含Jetson的Linux操作系统（L4T，基于 Ubuntu）、CUDA、cuDNN、TensorRT等工具。推荐使用==JetPack 4.6.1==（最后一个支持Jetson AGX Xavier的版本）。
  • YOLOv5：目标检测模型。
  • 数据集：用于训练明火烟雾检测的数据集（可以从Roboflow获取公开数据集）。
  • 安装SDKManager
    在你自己的主机电脑上，访问 NVIDIA 开发者网站，进行注册或登陆。下载并安装SDK Manager，下载地址：https://developer.nvidia.com/nvidia-sdk-manager，下载.deb后缀的安装包。
# 在Ubuntu系统上安装SDKManager
# 以下示例<version = 1.81>、<build = 10392>
sudo apt install sdkmanager_1.8.1-10392_amd64.deb
# 启动运行SDKManager：
sdkmanager

务必关注兼容性
在这里插入图片描述

  • 连接Jetson：
    • 用USB数据线将Jetson AGX Xavier连接到主机。开发套件的连接如下图，原装type-c转usb数据线需要连接到led灯旁边的接口。

在这里插入图片描述

在这里插入图片描述

连接检测：

  • 需要确保Jetson和主机通过USB-C数据线保持连接。
  • 主机命令行输入lsusb检测，有NVidia Crop表示连接成功（不成功检查线是否有问题以及usb接口是否正常），Target Hardware也连接成功。若是refresh不显示开发板信息，没有关系，后面刷机会重新识别。Host Machine默认勾选。
  • 进入恢复模式：
    • 关闭Jetson电源，按住“恢复”（Recovery）按钮，然后接通电源，松开按钮，使其进入恢复模式。
  • 需要登陆Nvidia账号，让sdk manager作为客户端软件连到NVIDIA的云服务器上去，为后面的下载安装软件做准备。
  • STEP01中选择最新版本的JetPack（选择==JetPack 4.6.1==作为目标硬件），勾选“Jetson OS”和“Jetson SDK Components”。
    在这里插入图片描述
  • STEP02中安装内容保持默认，点接受，我下载完就安装了，没有选择后面的以后安装，这样可以查看下载细节，检查是否全部下载成功。也可以勾选，下载完后第二天再次启动sdkmanager。CONTINUE后输入电脑密码。
    在这里插入图片描述
  • STEP03中选择手动安装（Manual Steup）进行JETSON AGX XAVIER的系统镜像烧录，自动安装会出现错误。
    在这里插入图片描述

手动安装步骤译文：

  • 选择手动安装
  • 确保设备（JETSON AGX XAVIER）已连接电源适配器，但处于关机状态；
  • 将主机与设备使用type-c转usb数据线进行连接；
  • 按住AGX中间的按键（Force Recovery）不松手；
  • 按住AGX左边的电源（Power）不松手；
  • 释放按钮，过一两秒，同时松手。
  • 此时这个画面中设备会显示连接成功，输入JETSON AGX XAVIER系统的登陆账号和密码，记住这个，后面用得上。此时要提前保证显示屏、键盘、鼠标和设备连接成功，后续系统安装过程会显示，可能需要操作，我是没有操作，直接安装成功进入了设备的Ubuntu系统，这里SDK给我烧录的是Ubuntu20.04系统。
  • （我已经flash成功，所以没有连接设备，图片只是提供参考）
    一定要保证你电脑上面我图片红色位置是显示绿色连接后再进行Flash。
  • STEP04中Flash成功后会弹出安装界面，保证主机和设备连接正常。此时设备显示屏进入Ubuntu系统，设备系统需要先更新，才能保证后续安装成功。

注意换源!!!
先换源，需要根据设备上的Ubuntu系统版本进行更换，清华，阿里，中科大的镜像源都可以。
以使用阿里云镜像源为例：

  1. 备份sources.list文件
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak
  1. 打开sources.list文件
sudo gedit /etc/apt/sources.list
  1. 删除原内容，添加以下内容
# 阿里云
deb http://mirrors.aliyun.com/ubuntu/ focal main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ focal-backports main restricted universe multiverse

# deb-src http://mirrors.aliyun.com/ubuntu/ focal main restricted universe multiverse
# deb-src http://mirrors.aliyun.com/ubuntu/ focal-security main restricted universe multiverse
# deb-src http://mirrors.aliyun.com/ubuntu/ focal-updates main restricted universe multiverse
# deb-src http://mirrors.aliyun.com/ubuntu/ focal-backports main restricted universe multiverse

## Pre-released source, not recommended.
# deb http://mirrors.aliyun.com/ubuntu/ focal-proposed main restricted universe multiverse
# deb-src http://mirrors.aliyun.com/ubuntu/ focal-proposed main restricted universe multiverse
  1. 保存sources.list文件后需要更新apt-get
sudo apt-get update

其他镜像源链接：

  • https://mirrors.tuna.tsinghua.edu.cn/help/ubuntu/
  • https://developer.aliyun.com/mirror/
  • http://t.csdn.cn/CMvQs

  • 点击“Download”开始下载系统镜像和组件。

    • 按照提示完成JetPack的安装（刷写过程），SDK Manager将自动烧录系统镜像到Jetson的内部eMMC存储，并安装SDK Components（包括CUDA、cuDNN、TensorRT等）。
    • 下载完成后，镜像会保存在指定目录（默认是 ~/nvidia/nvidia_sdk）。

  • 启动并初始化：

    • 刷写完成后，在主机电脑的SDK Manager中，输入Jetson的用户名和密码。
    • SDK Manager将继续安装剩余的SDK Components到Jetson上。
    • 启动Jetson，按照屏幕提示完成Ubuntu的初始设置（如选择语言、设置用户名和密码）。

第3步： 明火烟雾检测实验

Step 1：安装YOLOv5环境

  1. 访问Jetson终端：
    • 打开Jetson的终端（可以通过显示器直接操作，或通过SSH远程访问）：
ssh 用户名@Jetson的IP地址
  • 例如：
ssh jetson@192.168.1.100
  1. 更新系统并安装必要工具：
 sudo apt update 
 sudo apt install -y python3-pip 
 pip3 install --upgrade pip
  1. 克隆YOLOv5仓库：
git clone https://github.com/ultralytics/yolov5.git cd yolov5
  1. 安装YOLOv5依赖：
    • 编辑 requirements.txt 文件，注释掉不兼容的版本（Jetson的PyTorch版本需要匹配JetPack 提供的版本，通常是torch>=1.7.0和torchvision>=0.8.1）。
    • 运行：
pip3 install -r requirements.txt
  • 如果遇到依赖问题，可以手动安装PyTorch和torchvision（JetPack 4.6.1预装了PyTorch 1.8.0和torchvision 0.9.0）。

Step 2：准备明火烟雾数据集

为了检测明火和烟雾，我们需要一个标注好的数据集。推荐使用现成的公开数据集，以节省时间。

  1. 获取数据集：
    • 推荐使用 Roboflow平台的公开数据集，例如搜索“Fire and Smoke Detection”（火与烟检测）数据集。
    • 选择一个包含“火”和“烟”两种类别的标注数据集，并以YOLOv5 PyTorch格式 下载（这种格式与后续模型兼容）。
    • 下载数据集（选择YOLOv5格式），会包含train和val文件夹，以及data.yaml文件。
  2. 检查数据集：
    • 确保数据集包含明火和烟雾的图像，并已标注好目标位置。
  3. 将数据集传输到Jetson：
    • 使用SCP命令从主机电脑传输到Jetson：
scp -r /path/to/dataset 用户名@Jetson的IP地址:/home/用户名/
  • 例如：
scp -r ~/Downloads/wildfire-smoke-dataset jetson@192.168.1.100:/home/jetson/
  1. 调整数据集路径：
    • 假设数据集位于/home/jetson/wildfire-smoke-dataset，编辑data.yaml文件：
train: /home/jetson/wildfire-smoke-dataset/images/train
val: /home/jetson/wildfire-smoke-dataset/images/val 
nc: 2 
names: ['fire', 'smoke']
  • 如果数据集只包含烟雾（smoke），将nc设为 1，names设为 [‘smoke’]。

Step 3：训练YOLOv5模型

由于训练深度学习模型需要大量计算资源，建议使用Kaggle或者Google Colab（提供免费GPU）来完成训练，而不是直接在Jetson上训练（虽然Jetson也支持训练，但速度较慢）。
如果直接在Jetson上训练：

  1. 运行训练：
    • 在yolov5目录下，运行以下命令：
python3 train.py --img 640 --batch 16 --epochs 50 --data /home/jetson/wildfire-smoke-dataset/data.yaml --weights yolov5s.pt --cache --device 0

- 参数说明：
    - --img 640：输入图像大小。
    - --batch 16：批大小（根据Jetson内存调整，16GB内存建议16）。
    - --epochs 50：训练轮数。
    - --data：数据集配置文件路径。
    - --weights yolov5s.pt：预训练权重（yolov5s是小型模型，适合Jetson）。
    - --device 0：使用GPU。
  1. 训练结果：
    • 训练完成后，模型权重会保存在 /home/jetson/yolov5/runs/train/exp/weights/best.pt。

[!example]+ 使用Google Colab训练

  • 打开 YOLOv5 Colab 训练笔记本。
  • 将从Roboflow下载的数据集上传到Colab。
  • 按照笔记本中的说明运行代码，训练YOLOv5模型（默认会使用YOLOv5s或YOLOv5m模型，您可以根据需要调整）。
  • 训练完成后，保存模型权重文件（如 best.pt），并下载到本地。

Step 4：推理（检测明火烟雾）

  1. 准备测试数据：
    • 将测试图片或视频放入Jetson，例如/home/jetson/test_images/。
  2. 运行推理：
python3 detect.py --weights /home/jetson/yolov5/runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source /home/jetson/test_images/

- 参数说明：
    - --weights：训练好的模型权重。
    - --img 640：推理图像大小。
    - --conf 0.25：置信度阈值。
    - --source：测试数据路径。
  1. 查看结果：
    • 检测结果会保存在/home/jetson/yolov5/runs/detect/exp/，包含带边界框的图片。

Step 5：保存和下载结果

  1. 打包结果：
zip -r /home/jetson/runs.zip /home/jetson/yolov5/runs
  1. 传输到主机电脑：
    • 从主机电脑运行：
scp jetson@192.168.1.100:/home/jetson/runs.zip ~/Downloads/

第4步：在Jetson上部署模型

训练好模型后，将其部署到Jetson AGX Xavier上，用于实时检测。

  • 传输模型：
    • 将训练好的模型权重文件（best.pt）通过SSH或U盘传输到Jetson。
  • 安装YOLOv5环境：
    • 在Jetson上打开终端，克隆YOLOv5仓库并安装依赖：
      git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt
    • JetPack已包含CUDA和cuDNN，安装过程通常会顺利完成。
  • 优化模型（可选但推荐）：
    • 为提升推理速度，将PyTorch模型转换为TensorRT格式：
      python export.py --weights best.pt --include engine --device 0
    • 转换后会生成best.engine文件，适用于Jetson的GPU优化。

第5步：真实目标检测测试

  • 实时检测：
    • 连接一个USB网络摄像头到Jetson，使用USB摄像头捕捉实时视频。
    • 运行detect.py脚本进行实时检测：
      python detect.py --weights best.engine --source 0  # “0”表示默认摄像头
    • 屏幕上将显示摄像头视频流， Jetson会处理视频流并检测明火和烟雾，并标注出检测到的明火和烟雾。
    • 如需调整检测效果，可修改detect.py中的参数（如置信度阈值--conf-thres）。
  • 可选评估：
    • 使用数据集的验证集运行YOLOv5的验证脚本，计算检测精度（如mAP）。
    • 在Jetson上运行tegrastats查看GPU使用率和功耗：
      sudo tegrastats

附录

注意事项和优化建议

  1. 功耗模式：
    • 默认模式可能不是最高性能，切换到30W模式：
      sudo nvpmodel -m 0
sudo jetson_clocks
    • 适合计算密集型任务。
    • 这会提升GPU和CPU性能。
  2. 性能优化：
    • 若推理速度慢，可尝试：
      • 模型量化：转为INT8精度。
      • TensorRT加速：使用NVIDIA TensorRT优化模型。
      • 批处理：增加批次大小（视内存而定）。
  3. 散热管理：
    • 使用原装电源适配器，确保供电稳定。
    • 开发套件自带风扇，但需保持通风良好，避免过热。
    • 高负载下设备会发热，需通风良好。监控温度：
      sudo jetson_stats
    -GPU温度保持在80°C以下。
  4. 网络连接：
    • 可通过以太网或Wi-Fi连接Jetson到网络，便于文件传输或远程操作（如SSH）。
    • 确保稳定网络，建议使用以太网线。
  5. 软件更新：
    • 定期更新系统和YOLOv5：
      sudo apt update && sudo apt upgrade
git pull origin master
  6. 数据集扩展：
    • 若检测效果不佳，增加明火烟雾图像并使用数据增强（如旋转、缩放）。
  7. 模型选择：
    • YOLOv5s轻量，适合实验；需更高精度可试YOLOv5m或YOLOv5l。
  8. 摄像头选择：
  • 如果有CSI接口摄像头，也可以使用，但USB摄像头更简单，适合初次实验。

故障排除

如遇到问题，可访问NVIDIA 开发者论坛或YOLOv5的GitHub Issues页面寻求帮助。

  1. CUDA错误：
    • 检查 JetPack和PyTorch兼容性：
      python3 -c "import torch; print(torch.cuda.is_available())"
      输出应为True。
  2. 依赖安装失败：
    • 若pip install -r requirements.txt失败，手动安装或查找Jetson专用wheel文件。
  3. SSH连接问题：
    • 启用SSH：
      sudo systemctl enable ssh
sudo systemctl start ssh
    • 检查端口22是否开放。
  4. 摄像头无法识别：
    • 检查USB设备（lsusb）或安装CSI摄像头驱动。
  5. 训练内存不足：
    • 减小批次大小或关闭后台进程。

常用命令速查

  • 查看GPU状态：nvidia-smi
  • 查看系统资源：tegrastats
  • 重启Jetson：sudo reboot
  • 关闭Jetson：sudo shutdown -h now
  • 更新YOLOv5：git pull origin master
  • 清理训练日志：rm -rf runs/train/exp*

参考资料

  • [Jetson AGX Xavier Developer Kit 用户指南](嵌入式系统开发者套件、模块和 SDK | NVIDIA Jetson
  • YOLOv5 官方文档
  • NVIDIA TensorRT 文档
  • Roboflow 数据集

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2333003.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

数据可视化 —— 多边图应用（大全）

数据可视化 —— 多边图应用（大全）

一、介绍&#xff1a; 多边形图&#xff0c;也就是在数据可视化中使用多边形来呈现数据的图表&#xff0c;在多个领域都有广泛的应用场景&#xff0c;以下为你详细介绍&#xff1a; 金融领域 投资组合分析&#xff1a;在投资组合管理中&#xff0c;多边形图可用于展示不同资…
阅读更多...
小张的工厂进化史——工厂模式

小张的工厂进化史——工厂模式

小张的工厂进化史——工厂模式 一、简单工厂模式&#xff1a;全能生产线二、工厂方法模式&#xff1a;分品牌代工三、抽象工厂模式&#xff1a;生态产品族四、三种模式核心对比表五、结合Spring实现简单工厂&#xff08;实践&#xff09; 小张从华强北起家&#xff0c;最初只有…
阅读更多...
C语言，原码、补码、反码

C语言，原码、补码、反码

计算机是以补码来存储的 原码&#xff1a;正数最高位为&#xff1a;0&#xff1b;负数最高位为&#xff1a;1 &#xff08;最高位是符号位&#xff09; 正数&#xff1a;三码合一 如&#xff1a;2&#xff1a; 原码&#xff1a;0000 0000 0000 0000 0000 0000 0000 0010&#…
阅读更多...
2025年智能合约玩法创新白皮书：九大核心模块与收益模型重构Web3经济范式

2025年智能合约玩法创新白皮书：九大核心模块与收益模型重构Web3经济范式

——从国库管理到动态激励的加密生态全栈解决方案 一、核心智能合约架构解析 1. 国库合约&#xff1a;生态财政中枢 作为协议的金库守卫者&#xff0c;国库合约通过多签冷钱包与跨链资产池实现资金沉淀。其创新点包括&#xff1a; 储备资产动态再平衡&#xff1a;采用预言机实…
阅读更多...
【Android】Android 打包 Release 崩溃问题全解析：Lint 错误、混淆类丢失及解决方法大全

【Android】Android 打包 Release 崩溃问题全解析：Lint 错误、混淆类丢失及解决方法大全

摘要&#xff1a; 在 Android 项目的 Release 打包过程中&#xff0c;经常遇到诸如 Lint 校验失败、程序闪退、类找不到等问题。本文将详细分析 Android 打包时常见的崩溃原因&#xff0c;特别是如何应对 Lint 报错、混淆引发的类丢失&#xff08;NoClassDefFoundError&#xf…
阅读更多...
热门面试题第15天|最大二叉树 合并二叉树 验证二叉搜索树 二叉搜索树中的搜索

热门面试题第15天|最大二叉树 合并二叉树 验证二叉搜索树 二叉搜索树中的搜索

654.最大二叉树 力扣题目地址(opens new window) 给定一个不含重复元素的整数数组。一个以此数组构建的最大二叉树定义如下&#xff1a; 二叉树的根是数组中的最大元素。左子树是通过数组中最大值左边部分构造出的最大二叉树。右子树是通过数组中最大值右边部分构造出的最大…
阅读更多...
【前缀和】矩阵区域和（medium）

【前缀和】矩阵区域和（medium）

矩阵区域和&#xff08;medium&#xff09; 题⽬描述&#xff1a;解法&#xff1a;代码Java 算法代码&#xff1a;C 算法代码&#xff1a; 题⽬描述&#xff1a; 题⽬链接&#xff1a;1314. 矩阵区域和 给你⼀个 m x n 的矩阵 mat 和⼀个整数 k &#xff0c;请你返回⼀个矩阵 …
阅读更多...
一周学会Pandas2 Python数据处理与分析-Pandas2读取Excel

一周学会Pandas2 Python数据处理与分析-Pandas2读取Excel

锋哥原创的Pandas2 Python数据处理与分析 视频教程&#xff1a; 2025版 Pandas2 Python数据处理与分析 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili Excel格式文件是办公使用和处理最多的文件格式之一&#xff0c;相比CSV文件&#xff0c;Excel是有样式的。Pandas2提…
阅读更多...
【MySQL】002.MySQL数据库基础

【MySQL】002.MySQL数据库基础

文章目录 数据库基础1.1 什么是数据库1.2 基本使用创建数据库创建数据表表中插入数据查询表中的数据 1.3 主流数据库1.4 服务器&#xff0c;数据库&#xff0c;表关系1.5 MySQL架构1.6 SQL分类1.7 存储引擎1.7.1 存储引擎1.7.2 查看存储引擎1.7.3 存储引擎对比 前言&#xff1a…
阅读更多...
02-redis-源码下载

02-redis-源码下载

1、进入到官网 redis官网地址https://redis.io/ 2 进入到download页面 官网页面往最底下滑动&#xff0c;找到如下页面 点击【download】跳转如下页面&#xff0c;直接访问&#xff1a;【https://redis.io/downloads/#stack】到如下页面 ​ 3 找到对应版本的源码 https…
阅读更多...
大模型上下文协议MCP详解（1）—技术架构与核心机制

大模型上下文协议MCP详解（1）—技术架构与核心机制

版权声明 本文原创作者：谷哥的小弟作者博客地址：http://blog.csdn.net/lfdfhl1. MCP概述 1.1 定义与目标 MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司于2024年11月推出的开放标准协议。它旨在解决AI大模型与外部工具、数据源及API之间的标准化交互问题…
阅读更多...
Windows下安装depot_tools

Windows下安装depot_tools

一、引言 Chromium和Chromium OS使用名为depot_tools的脚本包来管理检出和审查代码。depot_tools工具集包括gclient、gcl、git-cl、repo等。它也是WebRTC开发者所需的工具集&#xff0c;用于构建和管理WebRTC项目。本文介绍Windows系统下安装depot_tools的方法。 二、下载depo…
阅读更多...
解决 vite.config.ts 引入scss 预处理报错

解决 vite.config.ts 引入scss 预处理报错

版本号&#xff1a; "sass": "^1.86.3","sass-loader": "^16.0.5","vite": "^6.2.0" 报错1&#xff1a;[plugin:vite:css] [SASS] Error&#xff1a;Cant find stylesheet to import vite.config.ts 开始文件错…
阅读更多...
MySQL学习笔记7【InnoDB】

MySQL学习笔记7【InnoDB】

Innodb 1. 架构 1.1 内存部分 buffer pool 缓冲池是主存中的第一个区域&#xff0c;里面可以缓存磁盘上经常操作的真实数据&#xff0c;在执行增删查改操作时&#xff0c;先操作缓冲池中的数据&#xff0c;然后以一定频率刷新到磁盘&#xff0c;这样操作明显提升了速度。 …
阅读更多...
分布式锁和事务注解结合使用

分布式锁和事务注解结合使用

在分布式系统中&#xff0c;事务注解&#xff08;如 Transactional&#xff09;与分布式锁的结合使用是保障数据一致性和高并发安全的核心手段。以下是两者的协同使用场景及技术实现要点&#xff1a; 一、事务注解的局限性及分布式锁的互补性 维度事务注解&#xff08;Transac…
阅读更多...
全国产压力传感器常见的故障有哪些？

全国产压力传感器常见的故障有哪些？

全国产压力传感器常见的故障如哪些呢&#xff1f;来和武汉利又德的小编一起了解一下&#xff0c;主要包括以下几类&#xff1a; 零点漂移 表现&#xff1a;在没有施加压力或处于初始状态时&#xff0c;传感器的输出值偏离了设定的零点。例如&#xff0c;压力为零时&#xff0c…
阅读更多...
使用nhdeep档案目录打印工具生成干部人事档案目录打印文件

使用nhdeep档案目录打印工具生成干部人事档案目录打印文件

打开nhdeep档案目录打印工具&#xff0c;在左侧的模版列表中选中"干部人事档案目录"模版。 然后点击右下角“批量导入行”按钮&#xff0c;选择事先准备好的人事目录数据excel文件完成导入。 人事目录数据excel文件的结构和内容如下&#xff1a; 导入完成后&#xf…
阅读更多...
工作记录 2015-08-24

工作记录 2015-08-24

工作记录 2015-08-24 序号 工作 相关人员 1 更新76.19的D:\FNEHRRD&#xff0c;更新的差不多了&#xff0c;还在测试中。具体情况见附件。 郝 识别引擎监控 Ps (iCDA LOG :剔除了204篇ASG_BLANK之后的结果): LOG_File 20150823.txt BLANK_CDA/ALL 102/947 (10.8%) TIME…
阅读更多...
在 Dev-C++中编译运行GUI 程序介绍（三）有趣示例一组

在 Dev-C++中编译运行GUI 程序介绍（三）有趣示例一组

在 Dev-C中编译运行GUI程序介绍&#xff08;三&#xff09;有趣示例一组 前期见 在 Dev-C中编译运行GUI 程序介绍&#xff08;一&#xff09;基础 https://blog.csdn.net/cnds123/article/details/147019078 在 Dev-C中编译运行GUI 程序介绍&#xff08;二&#xff09;示例&a…
阅读更多...
Compose 适配 - 响应式排版 自适应布局

Compose 适配 - 响应式排版 自适应布局

一、概念 基于可用空间而非设备类型来设计自适应布局&#xff0c;实现设备无关性和动态适配性&#xff0c;避免硬编码&#xff0c;以不同形态布局更好的展示内容。 二、区分可用空间 WindowSizeClasses 传统根据屏幕大小和方向做适配的方式已不再适用&#xff0c;APP的显示方式…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023