YOLO（You Only Look Once）是一种目标检测算法，其特点是速度快且准确率高。在进行YOLO的落地部署时，需要考虑以下几个方面： 1. 硬件选择：为了实现实时目标检测，需要选择适合的硬件设备。通常情况下，使用GPU可以加速YOLO的推理过程。 2. 模型训练与转换：首先，需要使用标注好的数据集对YOLO模型进行训练。训练完成后，将模型转换为适合部署的格式，如TensorRT、OpenVINO等。 3. 模型优化：为了提高YOLO的推理速度，可以进行模型优化。例如，使用剪枝技术减少模型参数量、使用量化技术减少模型的存储空间和计算量等。 4. 推理引擎选择：选择适合的推理引擎进行部署。常用的推理引擎有TensorRT、OpenVINO、NCNN等，它们可以针对不同硬件平台进行优化。 5. 输入数据预处理：在进行目标检测之前，需要对输入图像进行预处理，如图像缩放、归一化等操作。 6. 后处理与结果展示：在得到目标检测结果后，可以进行后处理操作，如非极大值抑制（NMS）来去除冗余的检测框。最后，将结果展示在图像或视频上。

主要讲述云计算服务模式的设计决策，包括SAAS、PAAS和IAAS。

流程优化风暴：企业流程数字化转型从战略到落地.docx

智能工厂落地解决方案（智慧工厂方案），从技术层面支撑中国制造2025既定的战略目标，以促进实现物联网、大数据、云计算等新一代信息技术与设计、生产、管理、服务等制造过程的融合，并充分应用自动化、智能化技术，最终促进实现缩短产品研发周期、提高生产效率及质量、降低能耗的目的。

ThingsBoard 3.4.4源码部署从零到落地 包含Navicat Premuim 12数据库连接工具、PostGres数据库、Maven-3.8.5（包含部署ThingsBoard可能遇到的Jar包和pom坐标问题报错）、Node.js以及yarn安装方法、OpenJdk11以及各种环境变量的配置方法，IDea请手动装载，只能上传1000MB，带上IDea就超了哈，抱歉，各位可以在网上自行找到IDea的资源，如有需要也可留言获取 整合了ThingsBoard源码落地绝大部分（常见错误），带你避坑ThingsBoard基于源码的二次开发体验 如有新的问题，欢迎留言讨论

敏捷项目管理在中国目前是喊声大，雨点小，真正能做到落地的并不多，作者给出了一套落地的方案，很具有参考价值！

1、阅读须知：《多端全栈项目实战，大型商业级代驾业务全流程落地》提供完整源码+电子书+数据库+群资料+软件下载！！！其中有2个源码（hxds-rule和hxds-workflow源码）需要icode和tcode验证码，现已成功破译提取出来可以直接运行使用，无需每次再使用验证码！！！ 2、适合人群：1-3年的Java工程师、缺乏项目经历的IT工作者、想从面试脱颖而出的应届毕业生或者求职者 3、代码体验：链接：https://pan.baidu.com/s/1cJt0h0rl4cULMkdArvXG5Q?pwd=ql0w 提取码：ql0w

flink-kafka-hbase 功能：实现kafka消息实时落地hbase，支持csv/json字符串两种格式的消息，支持自定义组合rowkey,列簇和列名，支持按照kafka消息流中不同字段join不同的hbase表，并自定义写入列簇和列(join时需评估一下性能) 支持at least once语义 外部依赖：apollo配置中心，本项目依靠配置驱动，配置存储在apollo配置中心 配置： { "indexColumnMapping": { --indexColumnMapping即CSV格式消息的key和value按照value里的分隔符拼接后再分割后下标及写入hbase列的对应关系 "0": "basic:time", --第0列始终是kafka消息的key，如果不需要可以不指定 "1": "basic:user_id",

本文来自于infoq，文章介绍了机器学习的各个业务方各个痛点，Kubeflow以及Kubeflow核心组件等相关知识。随着机器学习和人工智能的迅猛发展，业界出现了许多开源的机器学习平台。由于机器学习与大数据天然的紧密结合，基于 HadoopYarn的分布式任务调度仍是业界主流，但是随着容器化的发展，Docker+Kubernetes 的云原生组合，也展现出了很强的生命力。表1.互联网业界机器学习平台架构对比

2022中国AI商业落地研究报告-63页