技术专栏 第139页

这东东常被广告商用于用户跟踪，比如 A、B 网站都添加了一个广告商，如果用户访问了 A 网站，查看了些商品或文章，然后再访问 B 网站，那么广告商就知道用户对哪些东西感兴趣，就可以在 B 网站中投放一些感兴趣的广告。

今天咱们的主题是记录 SQL 语句。用过 EF 的都知道，它可以将 LINQ 表达式树翻译成 SQL 语句，然后发送到数据库执行。这个框架从 Framework 时代走到 Core 时代，虽说不是什么新鲜技术，但这活真的是好活，以面向对象的方式与数据库交互是真的爽。

K-D Tree 是一种适用于
\(k\) 维空间信息处理的数据结构，一般是维护
\(n\) 个点的信息，建出平衡二叉树；在
\(k\) 比较小的

Linux则更进一步，提供了一套叫
binfmt_misc的机制让用户自定义哪些格式的文件是可执行文件，进一步提升了系统灵活性。

本篇为第三课的第二周内容，
2.4到
2.6的内容。

-F：打包成单个可执行文件（方便分发）

-w：不显示控制台窗口（GUI 程序必备）

-i icon.ico：设置程序图标（可选，需提前准备.ico 格式图标）

your_script_name.py：你的脚本文件名（比如email_sender.py）

执行成功后会在目录中生成个dist文件

将dist文件夹中的 exe 文件（及所需配置文件）分发给用户，双击即可运行，无需安装 Python 或任何依赖！

在前面的学习中，介绍了很多Jmeter的理论知识，包括Jmeter中很多不同元件的详细介绍以及每个元件的作用，本次主要从实践的角度来介绍怎么用这些元件来完成常见性能测试脚本的编写，将会介绍一些常见的性能测试脚本编写案例。

火灾作为威胁公共安全与生产安全的重大隐患，其早期检测与及时预警是降低灾害损失的关键环节。当前，传统火焰检测方法主要依赖人工监控或单一传感器（如温度、烟雾传感器），前者受限于人力精力易出现漏判误判，后者仅能感知局部物理信号，难以直接识别火焰形态特征，且在复杂场景（如强光反射、小目标远距离成像、多遮挡干扰）下检测效能显著下降。随着计算机视觉技术的发展，基于深度学习的目标检测算法为火焰检测提供了新路径，其中 YOLO 系列算法因兼顾实时性与检测精度，成为该领域的主流技术方案。然而，现有基于 YOLO 的火焰检测系统仍存在诸多应用瓶颈：部分系统操作依赖代码交互，非专业用户难以快速上手；功能模块分散，检测、模型管理、用户权限控制等环节割裂，缺乏一体化设计；参数调节（如置信度、交并比）的交互界面不直观，难以适配不同场景需求；此外，模型训练与推理流程分离，用户难以基于自有数据优化模型性能，限制了系统的灵活性与扩展性。

实现纯C#训练Yolo，我们可以选择在 YoloSharp (
https://github.com/IntptrMax/YoloSharp) 的基础上进行实现。需要注意的是搜出来的高星同名YoloSharp项目有两个，一个是跑模型的(dme-compunet/YoloSharp)，另一个才是可训练的(IntptrMax/YoloSharp)，我们使用后者，后续提到YoloSharp均指IntptrMax/YoloSharp。

Oracle数据库的安装分为“软件安装”和“数据库创建”两步。在完成Oracle软件安装后，命令行创建数据库需遵循以下10个核心步骤，确保流程规范、配置合理：