社区
WebSphere
帖子详情
红色警报:WAS V5.0.2.3以下的版本安全证书即将过期!
iceleighton
2005-02-25 01:53:50
https://www-900.ibm.com/cn/support/forum/app/tscforum/topic?tid=54177
大家相互通告,顶!
...全文
297
9
打赏
收藏
红色警报:WAS V5.0.2.3以下的版本安全证书即将过期!
https://www-900.ibm.com/cn/support/forum/app/tscforum/topic?tid=54177 大家相互通告,顶!
复制链接
扫一扫
分享
举报
写回复
配置赞助广告
用AI写文章
9 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
iceleighton
2005-03-14
打赏
举报
回复
最后再顶一把!
DanielYWoo
2005-03-07
打赏
举报
回复
>>我的赶紧看看,惨了呀.我们部署了500台was呀.
>>500多台?好像只听说过农行一次性买过上千个WAS CPU的liecense
赫赫,一个机器两个CPU的话,老洪看来一定是农行的
iceleighton
2005-03-05
打赏
举报
回复
500多台?好像只听说过农行一次性买过上千个WAS CPU的liecense
DanielYWoo
2005-03-04
打赏
举报
回复
500 WAS ! 这么多License好有钱
rainman_2008
2005-03-04
打赏
举报
回复
我的赶紧看看,惨了呀.
我们部署了500台was呀.
iceleighton
2005-03-03
打赏
举报
回复
去连接里面看,又非常详细地说明,包括产生的原因,表现,解决的办法!
kongbaby
2005-03-02
打赏
举报
回复
顶!
plm1
2005-03-02
打赏
举报
回复
那我们的怎么办?
iceleighton
2005-03-01
打赏
举报
回复
顶!
Unreal Engine5 新手避坑指南:从零搭建开发环境
本文为Unreal Engine5新手提供了一份详尽的开发环境搭建避坑指南。文章从环境准备、Epic Games Launcher下载优化、UE5
版本
选择与组件管理,到Visual Studio 2022编译环境的正确配置,系统梳理了安装过程中的常见陷阱与解决方案,旨在帮助开发者高效完成环境安装,顺利迈出UE5开发的第一步。
YOLO26算法夜间道路火目标检测+训练好的模型+2931张数据集+pyqt可视化界面.zip
数据集可视化效果见下方。 【数据集概况】 · 检测类别(中文):[火(fire)] · 训练集:2565 张 · 验证集:244 张 · 测试集:122 张 · 总计:2931 张 该数据集针对夜间道路环境中的火情检测需求,精准捕捉火源特征,为道路
安全
监控系统提供可靠的数据支持,具有显著的
安全
预警价值和实际应用意义。该数据集的训练集、验证集和测试集分别包含2565张、244张和122张图像,分布比例合理,能够有效支持模型的训练、验证和测试过程,确保模型性能的稳定性和可靠性。该数据集的标注工作严谨细致,火目标的边界框标注精准,与实际火源位置高度吻合,标注规范符合行业标准,为模型... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 58 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9537** mAP50-95 | 0.6455 Precision | 0.9156 Recall | 0.9168 train/box_loss | 1.0237 train/cls_loss | 0.5109 val/box_loss | 1.1818 val/cls_loss | 0.5480 【训练过程分析】 58 轮训练后 mAP50 达到 0.9537,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。但 mAP50-95 为 0.6455,和 mAP50 差距 0.31,定位精度仍有优化空间。 【模型性能评估】 Precision 0.9156、Recall 0.9168,精召双高,模型对火的检测能力强。 ...
科研院所如何精准对接企业技术需求?.docx
科易网基于40亿+科创知识图谱数据库,深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,研究科技创新领域的AI+数智化解决方案,推动科技创新与产业创新智能化发展。
如何构建一个面向高校科研院所的科技成果转化服务生态体系,推动更多优秀成果落地转化?.docx
如何构建一个面向高校科研院所的科技成果转化服务生态体系,推动更多优秀成果落地转化?
YOLO26算法工业车间底盘铭牌目标检测+训练好的模型+3394张数据集+pyqt可视化界面.zip
可参考下方数据集可视化效果。 【数据集概况】 · 检测类别(中文):[底盘铭牌(Chassis)] · 训练集:3258 张 · 验证集:136 张 · 测试集:0 张 · 总计:3394 张 该数据集聚焦于工业制造与车辆检测场景中对汽车底盘铭牌的精准识别,涵盖多种品牌车辆(如通用、现代、日产、马自达等)在不同光照和污损条件下的铭牌图像。通过真实生产环境中的多样化样本采集,数据集有效支持了车辆身份验证、质量追溯及自动化检测系统的开发,具有显著的工程应用价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 34 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9649** mAP50-95 | 0.5292 Precision | 0.9019 Recall | 0.8783 train/box_loss | 1.2850 train/cls_loss | 0.7588 val/box_loss | 1.4612 val/cls_loss | 0.6408 【训练过程分析】 34 轮训练后 mAP50 达到 0.9649,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。但 mAP50-95 为 0.5292,和 mAP50 差距 0.44,定位精度仍有优化空间。 【模型性能评估】 Precision 0.9019、Recall 0.8783,精度高于召回,存在一定漏检。 【预测效果展示】 验证集预测效果较好,检测框基本准确覆盖底盘铭牌,置信度整体偏高。 【改进建议】 1. 增强难例挖掘:在大规...
WebSphere
2,632
社区成员
9,557
社区内容
发帖
与我相关
我的任务
WebSphere
WebSphere 是 IBM 的软件平台。它包含了编写、运行和监视全天候的工业强度的随需应变 Web 应用程序和跨平台、跨产品解决方案所需要的整个中间件基础设施,如服务器、服务和工具。
复制链接
扫一扫
分享
社区描述
WebSphere 是 IBM 的软件平台。它包含了编写、运行和监视全天候的工业强度的随需应变 Web 应用程序和跨平台、跨产品解决方案所需要的整个中间件基础设施,如服务器、服务和工具。
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章