U盘插入电脑说要格式化，但电脑又说“磁盘被写保护，无法格式化”，如何解决_无法格式化。此卷受写保护。格式化失败-程序员宅基地

技术标签： 1024程序员节疑难问题

错误描述

用balenaetcher刻录过系统镜像，但是想重新刻录其他的系统镜像，发现插入u盘之后看不到文件，也没法格式化，说有写保护。
在这里也无法格式化磁盘：
在这里插入图片描述
直接格式化磁盘，提示有写保护。

解决方法

步骤：

1、win+r
2、输入 cmd 回车
3、输入 diskpart 回车
4、输入 list disk 回车
5、输入 select disk n(这里的n是数字，指的是你u盘的编号，从磁盘大小上能判断那个是你的u盘) 回车
6、输入 clean 回车
7、输入 create partition primary 回车

在这里插入图片描述
然后就可以格式化U盘了。

文章目录

错误描述
解决方法
摘要
YoloV8改进策略：基于分层注意力的FasterViT，让YoloV8实现性能的飞跃
YoloV8改进策略：InceptionNext主干替换YoloV8和YoloV5的主干
YoloV8改进策略：轻量级的CloFormer助力Yolov8在速度和精度上实现双双提升
YoloV8改进策略：InceptionNeXt和YoloV8完美结合，让YoloV8大放异彩
YoloV8改进策略：新出炉的EMA注意力机制助力YoloV8更加强大
YoloV8改进策略：VanillaNet极简主义网络，大大降低YoloV8的参数
YoloV8改进策略：RFAConv模块即插即用，实现YoloV8丝滑上分
YoloV8改进策略：让SeaFormer走进Yolov8的视野，轻量高效的注意力模块展现出无与伦比的魅力
YoloV8改进策略：将DCN v1与v2运用到YoloV8中，化身成上分小黑子
YoloV8改进策略：基于双层路由注意力的视觉Transformer提升YoloV8的检测能力
YoloV8改进策略：来自谷歌最新的优化器——Lion，在速度和精度上双双提升。Adam表示年轻人不讲武德
YoloV8改进策略：Conv2Former与YoloV8深度融合，极简网络，极高性能
YoloV8改进策略：将ConvNextV2与YoloV8激情碰撞，能迸发出什么样的火花呢？
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换。
YoloV8改进策略：增加分支，减少漏检
YoloV8改进策略：将FasterNet与YoloV8深度融合，打造更快更强的检测网络
Yolov8网络详解与实战（附数据集）

摘要

本专栏是讲解如何改进Yolov8的专栏。改进方法采用了最新的论文提到的方法。改进的方法包括：增加注意力机制、更换卷积、更换block、更换backbone、更换head、更换优化器等；每篇文章提供了一种到N种改进方法。

评测用的数据集是我自己标注的数据集，里面包含32种飞机。每种改进方法我都做了测评，并与官方的模型做对比。

代码和PDF版本的文章，我在验证无误后会上传到百度网盘中，方便大家下载使用。

这个专栏，求质不求量，争取尽心尽力打造精品专栏！！！

谢谢大家支持！！！
在这里插入图片描述

YoloV8改进策略：基于分层注意力的FasterViT，让YoloV8实现性能的飞跃

YoloV8改进策略：基于分层注意力的FasterViT，让YoloV8实现性能的飞跃
这篇文章向大家展示如何使用FasterViT改进YoloV8，我尝试了几种方法，选出了三种效果比较好的方法推荐给大家。
FasterViT结合了cnn的快速局部表示学习和ViT的全局建模特性的优点。新提出的分层注意力(HAT)方法将具有二次复杂度的全局自注意力分解为具有减少计算成本的多级注意力。我们受益于基于窗口的高效自我关注。每个窗口都可以访问参与局部和全局表示学习的专用载体Token。在高层次上，全局的自我关注使高效的跨窗口通信能够以较低的成本实现。FasterViT在精度与图像吞吐量方面达到了SOTA Pareto-front。
在这里插入图片描述

YoloV8改进策略：InceptionNext主干替换YoloV8和YoloV5的主干

这篇文章主要讲解如何使用InceptionNext主干网络替换YoloV8和YoloV5的主干。更改了InceptionNext网络结构，和Yolov5、YoloV8的架构。
在这里插入图片描述

YoloV8改进策略：轻量级的CloFormer助力Yolov8在速度和精度上实现双双提升

CloFormer是清华大学在今年发表的轻量级主干网络，引入了AttnConv，一种attention风格的卷积算子。所提出的AttnConv使用共享权重来聚合局部信息，并配置精心设计的上下文感知权重来增强局部特征。AttnConv和普通attention的结合使用池化来减少CloFormer中的FLOPs，使模型能够感知高频和低频信息。
在这里插入图片描述

YoloV8改进策略：InceptionNeXt和YoloV8完美结合，让YoloV8大放异彩

InceptionNeXt是今年颜水成团队发布的一篇论文，将ConvNext和Inception的思想融合，即IncepitonNeXt。InceptionNeXt-T实现了比convnext - t高1.6倍的训练吞吐量，并在ImageNet- 1K上实现了0.2%的top-1精度提高。

在这里插入图片描述

YoloV8改进策略：新出炉的EMA注意力机制助力YoloV8更加强大

EMA注意力机制是今年新的高效的多尺度注意力模块。以保留每个通道上的信息和降低计算开销为目标，将部分通道重塑为批量维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组中均匀分布。具体来说，除了对全局信息进行编码以重新校准每个并行分支中的通道权重外，还通过跨维度交互进一步聚合两个并行分支的输出特征，以捕获像素级成对关系。
在这里插入图片描述

YoloV8改进策略：VanillaNet极简主义网络，大大降低YoloV8的参数

VanillaNet，一个包含优雅设计的神经网络架构。通过避免高深度，shotcut和复杂的操作，如自主意力，VanillaNet令人耳目一新的简洁，但非常强大。每一层都被精心制作得紧凑而直接，非线性激活函数在训练后被修剪以恢复原始结构。VanillaNet克服了固有复杂性的挑战，使其成为资源受限环境的理想选择。其易于理解和高度简化的架构为高效部署提供了新的可能性。大量的实验表明，VanillaNet提供的性能与著名的深度神经网络和视觉转换器相当，展示了极简主义在深度学习中的力量。VanillaNet的这一富有远见的旅程具有重新定义景观和挑战基础模型现状的巨大潜力，为优雅有效的模型设计开辟了一条新的道路。

在这里插入图片描述

YoloV8改进策略：RFAConv模块即插即用，实现YoloV8丝滑上分

YoloV8改进策略：RFAConv模块即插即用，实现YoloV8丝滑上分
RFAConv是一种新的注意力机制，称为感受野注意力（RFA）。卷积块注意力模块（CBAM）和协调注意力模块（CA）只关注空间特征，不能完全解决卷积核参数共享的问题，但在RFA中，感受野空间特征不仅集中，而且为大尺寸卷积核提供了良好的注意力权重。RFA设计的感受野注意力卷积运算（RFAConv）可以被认为是取代标准卷积的一种新方法，它带来的计算成本和许多参数几乎可以忽略不计。由于作者没有开源我自己复现了一版，并尝试将其加入到YoloV8网络中。
在这里插入图片描述

YoloV8改进策略：让SeaFormer走进Yolov8的视野，轻量高效的注意力模块展现出无与伦比的魅力

SeaFormer使用压缩轴和细节增强的方法设计了一个通用的注意力块。它可以进一步用于创建一系列具有卓越成本效益的骨干体系结构。再加上一个轻分割头，我们在基于arm的移动设备上在ADE20K和cityscape数据集上实现了分割精度和延迟之间的最佳权衡。关键的是，我们以更好的性能和更低的延迟击败了适合移动设备的竞争对手和基于transformer的对手，而且没有花哨的东西。
在这里插入图片描述

YoloV8改进策略：将DCN v1与v2运用到YoloV8中，化身成上分小黑子

尝试用DCNv1与DCNv2代替普通的卷积！
在这里插入图片描述

YoloV8改进策略：基于双层路由注意力的视觉Transformer提升YoloV8的检测能力

YoloV8改进策略：基于双层路由注意力的视觉Transformer提升YoloV8的检测能力
双层路由注意力实现具有内容感知的更灵活的计算分配。利用稀疏性来节省计算和内存，同时只涉及适用于GPU的密集矩阵乘法。用所提出的双层路由注意力建立了一个新的通用视觉transformer，称为BiFormer。
在这里插入图片描述

YoloV8改进策略：来自谷歌最新的优化器——Lion，在速度和精度上双双提升。Adam表示年轻人不讲武德

Lion将ViT在ImageNet上的准确率提高了2%，并在JFT上节省了高达5倍的预训练计算。在视觉-语言对比学习方面，在ImageNet上实现了88.3%的零样本和91.1%的微调精度，分别超过了之前的最佳结果2%和0.1%。在扩散模型上，Lion通过获得更好的FID分数并将训练计算量减少了2.3倍，超越了Adam。在自回归、掩码语言建模和微调方面，Lion表现出与Adam类似或更好的性能。对Lion的分析表明，其性能增益随着训练批大小的增加而增长。由于符号函数产生的更新范数更大，它还需要比Adam更小的学习率。

YoloV8改进策略：Conv2Former与YoloV8深度融合，极简网络，极高性能

YoloV8改进策略：Conv2Former与YoloV8深度融合，极简网络，极高性能
Conv2Former是在ConvNeXt基础上，做了进一步的优化，性能得到了提升。
在这里插入图片描述

YoloV8改进策略：将ConvNextV2与YoloV8激情碰撞，能迸发出什么样的火花呢？

YoloV8改进策略：将ConvNextV2与YoloV8激情碰撞，能迸发出什么样的火花呢

ConvNextV2将一个全卷积掩码自编码器框架和一个新的全局响应归一化(GRN)层，可以添加到ConvNeXt架构中，以增强通道间的特征竞争，它显著提高了纯ConvNets在各种识别基准上的性能，包括ImageNet分类、COCO检测和ADE20K分割。

在这里插入图片描述

YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换。

YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换。
这篇文章讲述如何在yolov8中，使用Wise-IoU涨点。首先，翻译了论文，让大家了解什么是Wise IoU，以及Wise IoU的三个版本。接下来讲解如何在yolov8中添加Wise IoU。

在这里插入图片描述

YoloV8改进策略：增加分支，减少漏检

通过增加一个分支，来提高小目标的检测
在这里插入图片描述

YoloV8改进策略：将FasterNet与YoloV8深度融合，打造更快更强的检测网络

YoloV8改进策略：将FasterNet与YoloV8深度融合，打造更快更强的检测网络
fastternet，这是一种新的神经网络家族，它在各种设备上获得了比其他网络更高的运行速度，而不影响各种视觉任务的准确性。

在这里插入图片描述

Yolov8网络详解与实战（附数据集）

Yolov8网络详解与实战（附数据集）
在这里插入图片描述

本文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/127565782

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

SoundStream: 下一代的神经网络音频编解码器，实时压缩不牺牲音质

音频编解码技术的目标是，通过减少音频文件的大小来节省存储空间或减轻网络传输的负担。理想的情况下，即使音频被压缩，我们听到的声音与原版也应该没有任何区别。过去，已经有不少编解码技术被开发出来，满足了这些需求，比如Opus和EVS这两种编解码器就很出名。Opus是一个多才多艺的音频编解码器，它适用于各种应用，从视频会议（比如 Google Meet）到在线视频流（比如 YouTube）。Opus支持的压缩比率非常灵活，从每秒6千比特到每秒510千比特都可以。而EVS，是由针对移动>)开发的最新编解码器。

CentOS7下MySQL(Percona-Server-5.7)安装及简单使用_percona-server-5.7.24-27-rbd42700-el7-x86_64-bundl-程序员宅基地

文章浏览阅读1.9k次，点赞4次，收藏4次。本文介绍MySQL衍生版本Percona-Server-5.7的安装及使用。CentOS7下建议使用较高版本的Percona-Server！！！目录1、下载及安装2、简单使用1、启动mysql2、查看临时密码3、登录mysql4、修改root密码3、客户端连接mysql1、下载及安装下载Percona-Server-server-57-5.7.32，下载地址如下：https://www.percona.com/downloads/Percona-Server-_percona-server-5.7.24-27-rbd42700-el7-x86_64-bundle.tar

探索Freejam的世界：组建，驾驶，然后与Robocraft对抗-程序员宅基地

文章浏览阅读1.1k次。随着新发布的Xsolla与Freejam热门游戏Robocraft的合作关系达成，我们觉得是时候带大家回顾一下我们的合作过程和Robocraft的故事。我们和Freejam富有激情的成员聊了聊，做了一些采访，并了解到他们是如果将热门游戏从一个概念变成独立工作室的。可以为我们简单介绍一下Freejam的游戏和Robocraft么？Freejam成立20_freejam

html的li浮动之后往下移动,多个li浮动后居中显示问题-程序员宅基地

文章浏览阅读671次。在实际工作当中经常会遇到像上面这样的布局，就是不确定li的个数，但是想让它在父元素内水平居中显示或是相对父元素两端对齐。先看基础的/p>这样只能靠左显示。解决方法目前搜集了三种：第一种：利用css3选择器:nth-child(n)设定最后一列li的margin-right值为0。这也是我第一反应想到的方法，添加/p>第二种：设置ul的margin-left为负值。这是从猫爷的博客看到的..._li里面字体向下移动

07.显示系统:第003课_最简单的Surface测试程序:第01节_最简单的Surface测试程序_surfaceflinger测式程序-程序员宅基地

文章浏览阅读755次，点赞7次，收藏5次。在前面的章节中，简单的分析了android显示系统的框架，我们知道一个应用程序之中，存在一个或者多个buffer用来存放界面的数据，单应用程序构造好这些buffer之后，他会把这些buffer发送给surfaceFlinger，由surfaceFlinger决定在合适的时候把buffer中的数据拷贝到framebuffer，这样才能在屏幕上显示界面。应用程序的buffer需要向surfaceFli......_surfaceflinger测式程序

基于Spring Boot的外卖点餐系统设计与实现

随着科学技术的飞速发展，各行各业都在努力与现代先进技术接轨，通过科技手段提高自身的优势社会的发展和科学技术的进步，互联网技术越来越受欢迎。网络计算机的生活方式逐渐受到广大人民群众的喜爱，也逐渐进入了每个用户的使用。互联网具有便利性，速度快，效率高，成本低等优点。因此，构建符合自己要求的操作系统是非常有意义的。本文从用户的功能要求出发，建立了外卖点餐系统，系统中的功能模块主要是实现管理员；

随便推点

Tom与Locust的渐入佳境

通过学习和实践，Tom逐渐掌握了性能测试的核心技能。他学会了如何制定性能测试计划、编写性能测试脚本、使用性能测试工具进行测试和优化，以及如何与团队合作共同解决性能问题。在这个过程中，Tom收获了很多。他不仅提高了自己的技能水平，也深刻理解了性能测试的重要性和价值。他认为，性能测试是保障应用程序质量和用户体验的关键环节。作为一名性能测试人员，Tom深知自己的责任和使命。他将继续努力学习和探索，不断提升自己在性能测试领域的技能和经验，为项目的成功做出更大的贡献。

re.split()分割字符串详解

re.split()方法是根据正则表达式匹配将字符串进行分割,并以列表形式返回.跟字符串的split()方法用法类似.pattern: 模式字符串,分割字符 string:要匹配的字符串 maxsplit:可选参数,别是最大的拆分次数 flags:可选参数,比如re.I 不区分大小写.re.S使(.)能够匹配所有字符,包括换行符代码。

电子式汽车机油压力传感器的接线方法及特点

MEMS硅压阻压力传感器采用外围固定的圆形应力杯的硅膜内壁，利用MEMS技术在表面应力最大的地方直接雕刻四个高精度半导体应变片，形成惠斯通测量电桥，作为电电转换测量电路，将压力物理量直接转换为电能，测量精度可达0.01-0.03%FS。特定的故障代码，如“P01CA”（机油压力传感器电压高于上限），可以直接指向机油压力传感器的问题。正常情况下，传感器的输入端之间、输出端之间应有一定的电阻值，具体数值参照传感器的规格手册。然而，机油压力传感器，也称为机油压力开关或传感器，根据车辆的不同，其位置也不同。

【LEACH协议】基于matlab实现分簇协议leach和deec仿真生命周期和数据传输对比-程序员宅基地

文章浏览阅读823次，点赞24次，收藏16次。分簇协议LEACH和DEEC是两种常用的能源有效的传感器网络协议。它们都旨在延长传感器网络的生命周期并提高数据传输效率。在本文中，我们将对这两种协议进行仿真，并比较它们的生命周期和数据传输性能。LEACH（低能耗自适应簇头）是一种经典的分簇协议，它通过随机选择簇头来平衡能量消耗，并且在每个轮次中轮流选择新的簇头，以确保能量消耗均衡。DEEC（分布式能源有效的簇头）是LEACH的改进版本，它通过考虑节点的能量级别来选择簇头，并且引入了轮流选择簇头的机制，以进一步减少能量消耗。

计算机网络的认识_谈一谈你对计算机网络的认识-程序员宅基地

文章浏览阅读5.8k次，点赞10次，收藏32次。计算机网络的认识一、计算机网络的概念定义：计算机网络就是互连的，自治的计算机的集合。互联网：网络的网络。Internet是最大互联网二、发展阶段第一阶段：从单个网络到ARPANET向互联网发展的过程第二阶段：三级结构的互联网第三阶段：逐渐形成多层次ISP结构的互联网三、组成计算机网络包括硬件、软件、协议三大部分硬件：主机（计算机），通信处理器，通信线路，交换设备；软件：各种..._谈一谈你对计算机网络的认识

MinGW-CMake-OpenCV-Clion 配置_-- the c compiler identification is gnu 8.1.0 -- t-程序员宅基地

文章浏览阅读2.9k次。参考CLion 中的 MinGW 配置（及中文坑解决） - 知乎Windows-MinGW-CMake-OpenCV 配置 - 知乎前言笔者前面发布了vs2019下opencv的配置教程,但是vs的项目有点臃肿,相对而言笔者更喜欢用clion进行开发.于是有了这片探索博文.安装CMake与MinGW64第一部分都是照搬的知乎一位作者的答案,因为写的很好没有必要改.首先安装CMake,下图演示了大概安装流程:1- 去 CMake 官网（https://cmake.org._-- the c compiler identification is gnu 8.1.0 -- the cxx compiler identifica