ORB-SLAM2学习笔记：ComputeKeyPointsOctTree分析过程记录

ComputeKeyPointsOctTree是ORB特征提取器中计算关键点的部分，特别是使用八叉树（OctTree）方法进行关键点分布。

首先，函数参数是vector<vector的引用allKeypoints，用来存储各层的关键点。代码开头调整了allKeypoints的大小为nlevels，即金字塔层数。接下来，循环处理每一层图像金字塔。

在循环内部，首先定义了边界minBorderX和minBorderY，可能是为了避开边缘区域，因为边缘附近的关键点可能不完整。然后计算了maxBorderX和maxBorderY，确定当前层的有效区域。接着初始化vToDistributeKeys，预留空间用于存储待分配的关键点。

然后根据宽度和高度划分网格，每个网格大小为W（30）。这里计算了nCols和nRows，即网格的行列数。wCell和hCell是每个网格的实际大小，可能因为不能整除而向上取整。

接下来是双重循环遍历每个网格。对于每个网格，计算初始坐标iniY和iniX，以及最大坐标maxY和maxX。这里有一些条件判断，确保网格不超过最大边界。然后在每个网格内使用FAST算法检测关键点，首先使用iniThFAST阈值，如果没检测到则改用minThFAST阈值。

检测到关键点后，调整它们的坐标，加上网格的偏移量，并存入vToDistributeKeys。这一步是因为FAST检测是在网格的子图像上进行的，所以需要将坐标转换回原图的坐标。

之后，调用DistributeOctTree函数，将关键点按八叉树分布，筛选出符合数量要求的关键点，并存入当前层的keypoints。这里可能涉及到关键点的均匀分布和响应值排序，确保每层的关键点数量符合mnFeaturesPerLevel的设置。

接着处理每个关键点的坐标，加上minBorderX和minBorderY的偏移，设置octave（金字塔层）和size（根据缩放因子调整的尺寸）。最后，循环结束后，计算每个关键点的方向，使用computeOrientation函数。

需要注意的是，代码中的EDGE_THRESHOLD、mvImagePyramid、PATCH_SIZE、mvScaleFactor等变量可能在类的其他部分定义。此外，DistributeOctTree函数的具体实现细节会影响关键点的分布方式，可能涉及四叉树分割和响应值筛选。

void ORBextractor::ComputeKeyPointsOctTree(vector<vector<KeyPoint> >& allKeypoints)
{allKeypoints.resize(nlevels);const float W = 30;for (int level = 0; level < nlevels; ++level){const int minBorderX = EDGE_THRESHOLD-3;const int minBorderY = minBorderX;const int maxBorderX = mvImagePyramid[level].cols-EDGE_THRESHOLD+3;const int maxBorderY = mvImagePyramid[level].rows-EDGE_THRESHOLD+3;vector<cv::KeyPoint> vToDistributeKeys;vToDistributeKeys.reserve(nfeatures*10);const float width = (maxBorderX-minBorderX);const float height = (maxBorderY-minBorderY);const int nCols = width/W;const int nRows = height/W;const int wCell = ceil(width/nCols);const int hCell = ceil(height/nRows);for(int i=0; i<nRows; i++){const float iniY =minBorderY+i*hCell;float maxY = iniY+hCell+6;if(iniY>=maxBorderY-3)continue;if(maxY>maxBorderY)maxY = maxBorderY;for(int j=0; j<nCols; j++){const float iniX =minBorderX+j*wCell;float maxX = iniX+wCell+6;if(iniX>=maxBorderX-6)continue;if(maxX>maxBorderX)maxX = maxBorderX;vector<cv::KeyPoint> vKeysCell;FAST(mvImagePyramid[level].rowRange(iniY,maxY).colRange(iniX,maxX),vKeysCell,iniThFAST,true);if(vKeysCell.empty()){FAST(mvImagePyramid[level].rowRange(iniY,maxY).colRange(iniX,maxX),vKeysCell,minThFAST,true);}if(!vKeysCell.empty()){for(vector<cv::KeyPoint>::iterator vit=vKeysCell.begin(); vit!=vKeysCell.end();vit++){(*vit).pt.x+=j*wCell;(*vit).pt.y+=i*hCell;vToDistributeKeys.push_back(*vit);}}}}vector<KeyPoint> & keypoints = allKeypoints[level];keypoints.reserve(nfeatures);keypoints = DistributeOctTree(vToDistributeKeys, minBorderX, maxBorderX,minBorderY, maxBorderY,mnFeaturesPerLevel[level], level);const int scaledPatchSize = PATCH_SIZE*mvScaleFactor[level];// Add border to coordinates and scale informationconst int nkps = keypoints.size();for(int i=0; i<nkps ; i++){keypoints[i].pt.x+=minBorderX;keypoints[i].pt.y+=minBorderY;keypoints[i].octave=level;keypoints[i].size = scaledPatchSize;}}// compute orientationsfor (int level = 0; level < nlevels; ++level)computeOrientation(mvImagePyramid[level], allKeypoints[level], umax);
}

以下是 ORBextractor::ComputeKeyPointsOctTree 函数的逐行解析及原理说明，结合 ORB 特征提取的算法设计与实现细节：

功能概述

该函数用于在图像金字塔各层级上提取并均匀分布 ORB 特征点，通过分块检测 FAST 角点并结合四叉树筛选策略，保证特征点分布的均匀性和尺度不变性。这是 ORB-SLAM 等视觉系统的核心步骤之一。

输入与输出

  • 输入：图像金字塔 mvImagePyramid（通过高斯模糊生成的多尺度图像集合）。
  • 输出：分层的关键点集合 allKeypoints，包含每个金字塔层级的关键点信息。

代码解析

1. 分层处理图像金字塔
allKeypoints.resize(nlevels);
for (int level = 0; level < nlevels; ++level) {// 各层参数初始化const int minBorderX = EDGE_THRESHOLD - 3;const int maxBorderX = mvImagePyramid[level].cols - EDGE_THRESHOLD + 3;// 类似处理Y方向
}

以下是代码的逐行解析，结合ORB特征提取及图像分块处理逻辑：

代码功能概述

该代码段用于在图像金字塔的指定层级上进行分块FAST特征点检测，并通过动态阈值调整和特征点再分配策略实现关键点的均匀分布，属于ORB特征提取流程中的核心步骤。

行级解析

for(int i=0; i<levelRows; i++) 
{// 计算当前行的起始Y坐标（考虑边界扩展3像素）const float iniY = minBorderY + i*cellH - 3;iniYRow[i] = iniY;  // 保存当前行的起始Y坐标// 处理最后一行的高度计算if(i == levelRows-1) {hY = maxBorderY + 3 - iniY;  // 计算实际高度if(hY <= 0) continue;        // 跳过无效行}float hX = cellW + 6;  // 列的默认宽度（包含左右各3像素扩展）// 遍历每一列for(int j=0; j<levelCols; j++) {float iniX;// 第一行初始化X坐标if(i == 0) {iniX = minBorderX + j*cellW - 3;iniXCol[j] = iniX;  // 保存列的起始X坐标} else {iniX = iniXCol[j];  // 复用已保存的X坐标}// 处理最后一列的宽度计算if(j == levelCols-1) {hX = maxBorderX + 3 - iniX;if(hX <= 0) continue;  // 跳过无效列}// 提取当前单元格图像块Mat cellImage = mvImagePyramid[level].rowRange(iniY, iniY+hY).colRange(iniX, iniX+hX);// 预分配内存（避免多次扩容）cellKeyPoints[i][j].reserve(nfeaturesCell * 5);// 使用初始阈值检测FAST特征点（启用非极大值抑制）FAST(cellImage, cellKeyPoints[i][j], iniThFAST, true);// 特征点不足时，改用最小阈值重新检测if(cellKeyPoints[i][j].size() <= 3) {cellKeyPoints[i][j].clear();FAST(cellImage, cellKeyPoints[i][j], minThFAST, true);}// 统计当前单元格特征点数量const int nKeys = cellKeyPoints[i][j].size();nTotal[i][j] = nKeys;  // 记录实际特征点数// 判断是否需要保留更多特征点if(nKeys > nfeaturesCell) {nToRetain[i][j] = nfeaturesCell;  // 保留上限bNoMore[i][j] = false;            // 标记可继续分配} else {nToRetain[i][j] = nKeys;          // 保留全部现有特征点nToDistribute += nfeaturesCell - nKeys;  // 累计待分配数量bNoMore[i][j] = true;             // 标记无法分配更多nNoMore++;                        // 统计无法分配的单元格数}}
}

关键设计原理

  1. 分块策略

    • 将图像划分为levelRows×levelCols的网格，每个单元格独立检测特征点，确保空间均匀性。
    • 边界扩展3像素（cellW+6和cellH+6），避免边缘特征遗漏。

  2. 动态阈值调整

    • 初始阈值iniThFAST检测失败时，改用更低阈值minThFAST，适应低纹理区域。

  3. 特征点再分配

    • 通过nToDistribute累计需要补充的特征点数，后续步骤可能通过非极大值抑制或四叉树分割重新分配。

  4. 内存优化

    • reserve(nfeaturesCell*5)预分配内存，减少动态扩容开销。

应用场景

  • ORB特征提取：用于SLAM（如ORB-SLAM3）、目标跟踪等需要旋转不变性和实时性的场景。
  • 多尺度处理：mvImagePyramid支持图像金字塔，实现多尺度特征检测。

性能优化点

  • 复用坐标：首行初始化iniXCol[j]，后续行直接复用，减少重复计算。
  • 提前终止：hY<=0或hX<=0时跳过无效区域，减少冗余计算。
  • 并行潜力：分块结构天然适合多线程处理（需注意线程安全）。
  • 目的：遍历金字塔的每一层（nlevels），处理不同尺度的图像。
  • 边界处理：EDGE_THRESHOLD 是特征点距图像边缘的最小距离，±3 的调整用于扩展有效检测区域，避免边缘特征不稳定。
2. 网格分块与FAST角点检测
const float W = 30;
const int nCols = width / W;  // 列方向分块数
const int nRows = height / W; // 行方向分块数for (int i = 0; i < nRows; i++) {for (int j = 0; j < nCols; j++) {// 定义当前网格的坐标范围const float iniY = minBorderY + i * hCell;const float iniX = minBorderX + j * wCell;// 执行FAST角点检测FAST(mvImagePyramid[level].rowRange(iniY, maxY).colRange(iniX, maxX),vKeysCell, iniThFAST, true);}
}
  • 网格划分：将当前金字塔层级的有效区域划分为 30x30 的网格，每个网格独立检测 FAST 角点，确保初步均匀性。
  • FAST检测优化：
    • 使用两种阈值（iniThFAST 和 minThFAST），优先用高阈值检测强角点，若失败则改用低阈值，平衡特征点数量与质量。
    • 检测到的角点坐标需根据网格位置偏移，转换为全局坐标（(*vit).pt.x += j * wCell）。
3. 四叉树筛选关键点
keypoints = DistributeOctTree(vToDistributeKeys, minBorderX, maxBorderX,minBorderY, maxBorderY, mnFeaturesPerLevel[level], level);
  • 四叉树算法：将初步检测的角点（vToDistributeKeys）按空间分布均匀性筛选，最终保留 mnFeaturesPerLevel[level] 个关键点。
    • 原理：递归将区域划分为四个子节点，保留响应最强的角点，避免特征点聚集。
    • 终止条件：当子节点中仅剩一个角点或达到预设特征数量时停止分割。
4. 关键点属性设置
const int scaledPatchSize = PATCH_SIZE * mvScaleFactor[level];
keypoints[i].octave = level;          // 所属金字塔层级
keypoints[i].size = scaledPatchSize;  // 特征点邻域直径（尺度自适应）
  • 尺度不变性：scaledPatchSize 根据金字塔层级缩放，高层级特征点对应更大的邻域，用于后续计算旋转和描述子。
  • 坐标修正：将筛选后的关键点坐标还原到原始图像坐标系（minBorderX/Y 偏移）。
5. 计算关键点方向
computeOrientation(mvImagePyramid[level], allKeypoints[level], umax);
  • 灰度质心法：通过计算图像块的一阶矩（m10 和 m01），确定关键点的主方向，实现旋转不变性。
  • 预计算参数 umax：用于加速圆形区域的像素采样，确保方向计算的效率。

关键设计原理

  1. 多尺度处理：

    • 通过图像金字塔（mvImagePyramid）实现尺度不变性，高层级检测大尺度特征，低层级检测细节。
    • 特征点邻域大小（PATCH_SIZE）随层级缩放，匹配图像分辨率变化。

  2. 均匀分布策略：

    • 网格分块：初步分块检测避免特征点过度集中。
    • 四叉树筛选：二次优化分布，保证每层特征数量与质量。

  3. 效率优化：

    • FAST检测加速：网格化检测减少无效区域遍历，双阈值策略平衡速度与鲁棒性。
    • 预计算参数：如 umax 和金字塔图像，减少运行时计算量。

应用场景

  • ORB-SLAM：用于实时特征提取与匹配，支撑相机位姿估计和地图构建。
  • 目标跟踪：均匀分布的特征点提升匹配稳定性，减少误匹配。

扩展说明

  • 浮点坐标问题：尽管代码中关键点坐标为整数，但在高层级金字塔中，坐标经缩放后可能为浮点数（如 mvScaleFactor 作用）。
  • 边界与异常处理：依赖 EDGE_THRESHOLD 避免越界，但未显式处理极端情况（如全图无角点），需前置步骤保证鲁棒性。

以下是ORBextractor::ComputeKeyPointsOctTree函数的逐行注释分析：

  1. 初始化多尺度关键点容器
allKeypoints.resize(nlevels);  // 根据金字塔层数调整容器维度
const float W = 30;           // 网格划分基准宽度
  1. 金字塔层级遍历
for (int level = 0; level < nlevels; ++level) {// 计算有效检测区域边界（EDGE_THRESHOLD通常取19像素）const int minBorderX = EDGE_THRESHOLD-3;  // 左边界留3像素缓冲const int minBorderY = minBorderX;        // 上边界同理const int maxBorderX = mvImagePyramid[level].cols-EDGE_THRESHOLD+3;  // 右有效边界const int maxBorderY = mvImagePyramid[level].rows-EDGE_THRESHOLD+3;  // 下有效边界
  1. 网格化特征检测
    vector<cv::KeyPoint> vToDistributeKeys;vToDistributeKeys.reserve(nfeatures*10);  // 预分配10倍特征数空间const float width = (maxBorderX-minBorderX);const float height = (maxBorderY-minBorderY);const int nCols = width/W;        // 水平网格数const int nRows = height/W;       // 垂直网格数const int wCell = ceil(width/nCols);  // 实际网格宽度（向上取整）const int hCell = ceil(height/nRows); // 实际网格高度
  1. 网格遍历与FAST检测
    for(int i=0; i<nRows; i++) {const float iniY = minBorderY + i*hCell;  // 网格起始Y坐标float maxY = iniY + hCell + 6;            // 网格终止Y坐标（+6扩展检测范围）// 边界溢出处理if(iniY >= maxBorderY-3) continue;if(maxY > maxBorderY) maxY = maxBorderY;for(int j=0; j<nCols; j++) {const float iniX = minBorderX + j*wCell;  // 网格起始X坐标float maxX = iniX + wCell + 6;            // 网格终止X坐标// 边界溢出处理if(iniX >= maxBorderX-6) continue;if(maxX > maxBorderX) maxX = maxBorderX;
  1. 双阈值FAST检测策略
            vector<cv::KeyPoint> vKeysCell;// 先使用初始阈值iniThFAST检测FAST(mvImagePyramid[level].rowRange(iniY,maxY).colRange(iniX,maxX),vKeysCell, iniThFAST, true);  // true表示使用非极大值抑制// 若未检测到，改用更低阈值minThFASTif(vKeysCell.empty()) {FAST(mvImagePyramid[level].rowRange(iniY,maxY).colRange(iniX,maxX),vKeysCell, minThFAST, true);}
  1. 关键点坐标校正
            if(!vKeysCell.empty()) {for(auto vit=vKeysCell.begin(); vit!=vKeysCell.end(); vit++) {(*vit).pt.x += j*wCell;  // X坐标恢复全局坐标系(*vit).pt.y += i*hCell;  // Y坐标恢复全局坐标系vToDistributeKeys.push_back(*vit);  // 存入待分配容器}}
  1. 八叉树关键点分布
        vector<KeyPoint> & keypoints = allKeypoints[level];keypoints.reserve(nfeatures);// 执行四叉树分配算法（关键步骤）keypoints = DistributeOctTree(vToDistributeKeys, minBorderX, maxBorderX,minBorderY, maxBorderY, mnFeaturesPerLevel[level], level);
  1. 关键点属性赋值
        const int scaledPatchSize = PATCH_SIZE*mvScaleFactor[level];for(int i=0; i<keypoints.size(); i++) {keypoints[i].pt.x += minBorderX;  // 补偿初始偏移量keypoints[i].pt.y += minBorderY;keypoints[i].octave = level;      // 记录金字塔层级keypoints[i].size = scaledPatchSize;  // 特征点邻域直径（尺度自适应）}
  1. 方向计算
    // 对所有层关键点计算主方向for (int level = 0; level < nlevels; ++level)computeOrientation(mvImagePyramid[level], allKeypoints[level], umax);
}

核心设计解析：

  • 网格化检测：通过30x30网格划分实现特征点初步均匀分布，避免特征聚集
  • 双阈值策略：先使用较高阈值(iniThFAST)确保质量，失败后降阈值(minThFAST)保证数量
  • 边界缓冲：±3像素的边界处理既避免越界，又保证边缘特征的有效提取
  • 坐标校正：将网格局部坐标转换为金字塔层全局坐标，保持空间一致性
  • 八叉树分配：通过递归区域分割和响应值排序，实现特征点最优空间分布
  • 尺度自适应：scaledPatchSize根据金字塔缩放系数调整邻域大小，实现尺度不变性

注：EDGE_THRESHOLD的取值(通常为19)与ORB描述子计算相关，保证特征点周围有足够区域计算描述子。computeOrientation使用灰度质心法计算特征方向，umax为模式匹配预计算表。

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.pswp.cn/diannao/85005.shtml

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email:809451989@qq.com，一经查实，立即删除！

相关文章

LeetCode Hot100(多维动态规划)

LeetCode Hot100(多维动态规划)

62. 不同路径 比较板子的dp&#xff0c;实际上就是到达一个点有两种方式&#xff0c;从上面来或者是左边&#xff0c;加起来就可以了 class Solution {public int uniquePaths(int m, int n) {int [][]arr new int[m2][n2];arr[1][1]1;for(int i1;i<m;i){for(int j1;j<…
阅读更多...
Oracle MOVE ONLINE 实现原理

Oracle MOVE ONLINE 实现原理

Oracle MOVE ONLINE 实现原理 Oracle 的 MOVE ONLINE 操作是一种在线重组表的技术&#xff0c;允许在不中断业务的情况下重新组织表数据。以下是其实现原理的详细分析&#xff1a; 基本概念 MOVE ONLINE 是 Oracle 12c 引入的特性&#xff0c;用于替代传统的 ALTER TABLE ..…
阅读更多...
工作流长任务处置方案

工作流长任务处置方案

以下是前后端协作处理长任务工作流的完整实现方案&#xff0c;结合技术选型与设计要点&#xff0c;以清晰结构呈现&#xff1a; 一、后端实现方案 异步任务队列架构 • 技术选型&#xff1a; ◦ 消息队列&#xff1a;NATS&#xff08;轻量级&#xff09;或 RabbitMQ&#xf…
阅读更多...
RabbitMQ仲裁队列高可用架构解析

RabbitMQ仲裁队列高可用架构解析

#作者&#xff1a;闫乾苓 文章目录 概述工作原理1.节点之间的交互2.消息复制3.共识机制4.选举领导者5.消息持久化6.自动故障转移 集群环境节点管理仲裁队列增加集群节点重新平衡仲裁队列leader所在节点仲裁队列减少集群节点 副本管理add_member 在给定节点上添加仲裁队列成员&…
阅读更多...
fingerprint2浏览器指纹使用记录

fingerprint2浏览器指纹使用记录

我在uniapp-vue3-H5端使用的&#xff0c;记录一下 抄的这里前端使用fingerprintjs2获取浏览器指纹fingerprintjs2是通过设备浏览器信息获取浏览器指纹的插件&#xff08; - 掘金 1、安装依赖 npm i fingerprintjs2 -S2、抽成模块文件&#xff0c;/utils/Fingerprint2.js 生成指…
阅读更多...
深度学习面试八股简略速览

深度学习面试八股简略速览

在准备深度学习面试时&#xff0c;你可能会感到有些不知所措。毕竟&#xff0c;深度学习是一个庞大且不断发展的领域&#xff0c;涉及众多复杂的技术和概念。但别担心&#xff0c;本文将为你提供一份全面的指南&#xff0c;从基础理论到实际应用&#xff0c;帮助你在面试中脱颖…
阅读更多...
使用 Redis 作为向量数据库

使用 Redis 作为向量数据库

一、什么是向量数据库&#xff1f; 向量&#xff08;Vector&#xff09;&#xff1a;在机器学习和 AI 中&#xff0c;向量是由一系列数字组成的序列&#xff0c;用于数值化地描述数据的特征或语义。文本、图像、音频等非结构化数据可以通过模型转换成固定长度的向量。 向量数据…
阅读更多...
变量的计算

变量的计算

不同类型变量之间的计算 数字型变量可以直接计算 在python中&#xff0c;数字型变量可以直接通过算术运算符计算bool型变量&#xff1a;True 对应数字1 &#xff1b;False 对应数字0、 字符串变量 使用 拼接字符串 使用 * 拼接指定倍数的相同字符串 变量的输入&#xff1a;&…
阅读更多...
PostgreSQL学会如何建表

PostgreSQL学会如何建表

开始使用PostgreSQL之前&#xff0c; 上一节我们说了怎样安装它。 PostgreSQL可能已经安装到你的电脑上了,安装后postgre服务默认在电脑开机时运行启动。 一.了解PostgreSQL的运行 PostgreSQL使用一种客户端/服务器&#xff08;C/S&#xff09;模型。 和其他典型的客户端/服务…
阅读更多...
Linux驱动学习笔记（十）

Linux驱动学习笔记（十）

热插拔 1.热插拔&#xff1a;就是带电插拔&#xff0c;即允许用户在不关闭系统&#xff0c;不切断电源的情况下拆卸或安装硬盘&#xff0c;板卡等设备。热插拔是内核和用户空间之间&#xff0c;通过调用用户空间程序实现交互来实现的&#xff0c;当内核发生了某种热拔插事件时…
阅读更多...
大模型应用开发第五讲：成熟度模型：从ChatGPT（L2）到未来自主Agent（L4）

大模型应用开发第五讲：成熟度模型：从ChatGPT（L2）到未来自主Agent（L4）

大模型应用开发第五讲&#xff1a;成熟度模型&#xff1a;从ChatGPT&#xff08;L2&#xff09;到未来自主Agent&#xff08;L4&#xff09; 资料取自《大模型应用开发&#xff1a;动手做AI Agent 》。 查看总目录&#xff1a;学习大纲 关于DeepSeek本地部署指南可以看下我之…
阅读更多...
Delphi 导入excel

Delphi 导入excel

Delphi导入Excel的常见方法可分为两种主流方案&#xff1a;基于OLE自动化操作Excel原生接口和利用第三方组件库。以下为具体实现流程及注意事项&#xff1a; ‌一、OLE自动化方案&#xff08;推荐基础场景&#xff09;‌ 该方法通过COM接口调用本地安装的Excel程序&#xff0c…
阅读更多...
Selenium的第四天打卡——Selenium浏览器应用（完整版）

Selenium的第四天打卡——Selenium浏览器应用（完整版）

Selenium浏览器应用 目录 Selenium浏览器应用 一、浏览器操作示例代码 1.设置浏览器缩放大小 2.浏览器前进和后退 3.浏览器刷新 二、WebDriver常见方法 三、鼠标事件示例 四、键盘事件示例 五、获取断言信息 六、窗口的切换 七、关键注意事项 一、浏览器操作示例代…
阅读更多...
PMO价值重构：从项目管理“交付机器”到“战略推手”

PMO价值重构：从项目管理“交付机器”到“战略推手”

在数字化转型浪潮中&#xff0c;项目管理办公室&#xff08;PMO&#xff09;正经历着前所未有的角色蜕变。传统上&#xff0c;PMO往往被视为项目管理的“交付机器”&#xff0c;专注于项目的按时交付和资源分配。然而&#xff0c;随着企业对战略执行的重视&#xff0c;PMO正逐渐…
阅读更多...
本地依赖库的版本和库依赖的版本不一致如何解决？

本地依赖库的版本和库依赖的版本不一致如何解决？

我用的 yarn v4 版本&#xff0c;所以以下教程命令都基于yarn 这里假设我报错的库名字叫 XXXXXXXX&#xff0c;依赖他的库叫 AAAAAAAA 排查解决思路分析&#xff1a; 首先查看一下 XXXXXXXX 的依赖关系&#xff0c;执行 yarn why XXXXXXXX 首先我们要知道 yarn 自动做了库…
阅读更多...
SQLiteStudio - 免费开源、轻量高效，跨平台的 SQLite 数据库管理工具，代替 Navicat for SQLite

SQLiteStudio - 免费开源、轻量高效，跨平台的 SQLite 数据库管理工具，代替 Navicat for SQLite

管理 SQLite 数据库就用这款软件&#xff0c;真的早该摒弃破解和盗版的 Navicat 了。 SQLiteStudio 是一款专注于管理 SQLite 数据库 的桌面软件&#xff0c;用于浏览和编辑 SQLite 数据库文件。软件的作者是来自波兰的开发者 Paweł Salawa&#xff0c;他是一位拥有 20 年 Ja…
阅读更多...
DeepSeek R1-0528 新开源推理模型（免费且快速）

DeepSeek R1-0528 新开源推理模型（免费且快速）

DeepSeek推出了新模型，但这不是R2！ R1-0528是DeepSeek的最新模型，在发布仅数小时后就在开源社区获得了巨大关注。 这个悄然发布的模型DeepSeek R1-0528，已经开始与OpenAI的o3一较高下。 让我来详细介绍这次更新的新内容。 DeepSeek R1-0528 发布 DeepSeek在这次发布中采…
阅读更多...
Opera Neon发布该公司首款“AI代理”浏览器

Opera Neon发布该公司首款“AI代理”浏览器

Opera 的浏览器产品组合今日迎来了新成员。Opera Neon 是该公司首款“AI 代理”浏览器&#xff0c;旨在“重新思考浏览器在代理网络中的角色”。开发人员声称&#xff0c;Neon 能够理解用户的意图&#xff0c;并利用 AI 驱动的功能将其转化为行动。 Opera Neon 由三个主要部分…
阅读更多...
网络安全之Web渗透加解密

网络安全之Web渗透加解密

项目基本使用 准备环境&#xff1a;node.js python chrome npm install chrome-remote-interface pip install playwright playwright install chromium pip install mitmproxy ............... 第一步启动cdp.js。 第二步使用python .\cdp_load.py vue_demo&#xff0c;连…
阅读更多...
【VSCode-Qt】Docker远程连接的项目UI文件在 VSCode 上无法预览

【VSCode-Qt】Docker远程连接的项目UI文件在 VSCode 上无法预览

Docker远程连接的UI文件在 VSCode 上无法预览&#xff0c;通常是因为 VSCode 通过远程开发扩展&#xff08;Remote - SSH/Docker&#xff09;连接到 Docker 容器时&#xff0c;某些图形化功能未正确配置或支持。以下是可能原因和解决方案&#xff1a; 原因分析 X11 转发未配置…
阅读更多...
最新文章

Copyright @ 2022~2023