Simplified Chinese

RocketMQ作为一款消息中间件，平稳支撑了历年双十一大促，如此稳定出色的表现使得它受到了大量企业与开发者的关注。对于深耕于分布式系统的开发者而言，必然能在RcoketMQ的探索学习中有所收获。 本课程为RocketMQ的核心实战课程，课程从消息存储、幂等性保障等几个方面展开，深度讲解了RocketMQ的工作原理，让学员对RocketMQ的技术细节和原理有更加透彻的理解。课程最后将带领学员完成Spring Boot实战项目，帮助学员在实际应用中串联所学知识，达到学以致用的最终结果。 本课程版权归三节课所有，未经书面同意私自录制、转载等行为均属侵权行为。课程内的所有内容，包括但不限于视频、文字、图片均由三节课公司或其他权利人依法拥有其知识产权，包括但不限于著作权、商标权、专利权等。未经三节课公司的明确书面特别授权，任何人不得为任何目的使用以及向任何自然人或单位提供出售、营销、出版或利用三节课官网上提供的任何内容或服务。如有违反，您将承担由此给三节课公司或其他权利人造成的一切损失。

课程简介： 本课程是一门面向零基础学员的web前端基础课程，旨在帮助学员快速入门并掌握前端开发的基本技能。通过实际案例和实战演示，学员将了解前端的应用场景，并学习如何使用HTML、CSS和Javascript进行页面布局、动画制作等核心技术。此外，还将介绍如何使用Git进行版本控制和项目发布上线。 课程大纲： 1. 前端概述    – 了解前端的定义和应用场景    – 介绍web端3D地球案例，展示前端开发的实际应用 2. HTML基础    – 学习HTML的基本语法和标签    – 实战演示：创建一个简单的网页 3. CSS基础    – 掌握CSS的基本样式和选择器以及Flex布局技术    – 实战演示：使用CSS进行页面布局 4. Javascript基础    – 学习Javascript的语法和基本概念和DOM操作    – 实战演示：使用Javascript制作页面动画 5. 实战项目：视频弹幕功能    – 学习如何进行视频播放    – 结合视频弹幕功能，实践前端开发技术     6. 版本控制与项目发布    – 介绍Git的基本使用和流程    – 实战演示：将开发的项目发布上线 课程亮点： –

PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Network Slimming剪枝方法对YOLOv5进行网络剪枝，使其更加轻量。 Network Slimming是一种经典的实用模型压缩方法，可实现高效的通道级别的结构化剪枝。该方法通过利用BN（Batch Normalization）层中缩放因子较小的值来剪裁的相应通道，达到精简网络的目的。步骤包括：增加稀疏正则化的训练、网络模型剪枝、剪枝后的网络模型微调。 本课程在YOLOv5 v6.1版本代码的基础上增加Network Slimming剪枝方法，在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程，并讲解原代码针对剪枝的修改部分。 本课程分为原理篇、实战篇、代码讲解篇。 原理篇包括：网络剪枝的基础知识、Network Slimming剪枝原理。 实战篇包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、正常训练自己的数据集、稀疏化训练、网络模型剪枝、剪枝后的网络模型微调。 代码讲解篇包括：剪枝代码修改说明和具体修改的代码讲解。

Mask RCNN是一种基于深度学习的图像实例分割方法，可对物体进行目标检测和像素级分割。 本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集，并使用PyTorch版本的Mask RCNN（Facebook 官方Detectron2）训练自己的数据集，从而能开展自己的图像分割应用。 本课程首先讲述图像分割的任务说明、常用数据集、性能指标，然后介绍Mask RCNN网络的原理 本课程的具体项目实战案例是：对汽车行驶场景中的路坑、车、车道线等多类物体进行检测和分割 。 本课程在Ubuntu系统上进行项目全过程的演示。 具体包括：安装PyTorch环境、安装Detectron2并进行安装测试、使用labelme标注软件进行自己数据集的标注、数据集格式转换、训练自己的数据集、测试训练出的网络模型以及性能评估。 学习本课程可掌握图像分割的标注方法、数据集格式转换方法、以及使用Detectron2中的Mask RCNN训练自己的数据集来进行图像和视频实例分割的方法。 本课程提供项目标注好的数据集和项目相关的Python程序文件。

本课程从开始手写一个轻量的Spring框架，力图让大家认识到Spring核心原理，从而更好地运用Spring框架。 课程大纲： 演示真正的Spring框架效果 分析自定义Spring框架的设计思路 搭建项目基本结构 设计自定义Spring注解 自定义核心控制器DispathcerServlet 编写DispathcerServlet的核心逻辑 Spring框架是由于软件开发的复杂性而创建的。Spring使用的是基本的JavaBean来完成以前只可能由EJB完成的事情。然而，Spring的用途不仅仅限于服务器端的开发。从简单性、可测试性和松耦合性角度而言，绝大部分Java应用都可以从Spring中受益。 Spring的一个最大的目的就是使JAVA EE开发更加容易。同时，Spring之所以与Struts、Hibernate等单层框架不同，是因为Spring致力于提供一个以统一的、高效的方式构造整个应用，并且可以将单层框架以最佳的组合揉和在一起建立一个连贯的体系。可以说Spring是一个提供了更完善开发环境的一个框架，可以为POJO(Plain Ordinary Java Object)对象提供企业级的服务。

人脸口罩佩戴检测(识别)是当前急需的应用，而YOLOv5是目前流行的强悍的目标检测技术。本课程使用YOLOv5实现人脸口罩佩戴的实时检测。课程提供超万张已标注人脸口罩数据集。训练后的YOLOv5可对真实场景下人脸口罩佩戴进行高精度实时检测。 本课程会讲述本项目超万张人脸口罩数据集的制作方法，包括使用labelImg和“精灵标注助手”标注工具以及使用Python代码对第三方数据集进行清洗。 本课程的YOLOv5使用PyTorch版的ultralytics/yolov5，分别在Windows和Ubuntu系统上做人脸口罩佩戴检测的项目演示。具体项目过程包括：安装YOLOv5、训练集和测试集自动划分、修改配置文件、准备Weights&Biases(wandb)训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。 本课程还会首先介绍目标检测的基础知识，包括目标检测任务说明、常用数据集和性能指标。然后学习YOLOv5目标检测网络技术，包括YOLO目标检测系列技术发展史、YOLOv5网络架构和损失函数，以及YOLOv5的4.0、5.0和6.0更新。 本项目提供课程课件的下载和项目数据集的下载（百度网盘和谷歌网盘）。 【相关课程】 本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv5目标检测实战：训练自己的数据集》 《YOLOv5目标检测：原理与源码解析》 《YOLOv5目标检测实战：Flask Web部署》 《YOLOv5目标检测实战：TensorRT加速部署》 《YOLOv5目标检测实战：Jetson Nano部署》 《YOLOv5实战口罩佩戴检测》 《YOLOv5实战交通标志识别》 《YOLOv5实战垃圾分类目标检测》 《YOLOv5+DeepSORT多目标跟踪与计数精讲》

Vagrant是hashicorp这家公司的产品，这家公司主要做数据中心PAAS和虚拟化，其名下大名鼎鼎的产品有Consul、Vault、Nomad、Terraform。他们的产品都是基于Open Source的。 Vagrant 实际上一套虚拟机管理工具，基于 Ruby 开发，底层支持 VirtualBox、VMware 甚至 AWS、Docker 等作为虚拟化系统。我们可以通过 Vagrant 封装一个 Linux 的开发环境，分发给团队成员。成员可以在自己喜欢的桌面系统（Mac/Windows/Linux）上开发程序，代码却能统一在封装好的环境里运行，“代码在我机子上运行没有问题”这种说法将成为历史。 Vagrant 本身并没有能力创建虚拟机，它是调用一些虚拟化工具来创建，如 VirtualBox, VMWare。 本课程的主要内容： Vagrant的介绍和安装 Vagrant的快速上手 Vagrant Box简介 如何写Vagrantfile Vagrant的网络 Vagrant的provisioning 课程以实际demo为主，通过实际操作来展示Vagrant的基本功能和使用。