Qdrant向量数据库部署方法以及使用方法

Qdrant 是一个高性能的向量搜索引擎，专为存储和检索高维向量数据而设计。它支持语义搜索、推荐系统、图像检索等应用场景。Qdrant 提供了开源版本以及在线托管服务（Qdrant Cloud），开发者可以轻松部署和使用。以下是 Qdrant 的基本使用流程：

一、安装Qdrant（使用docker安装）
1、拉取静像
docker pull docker.m.daocloud.io/qdrant/qdrant

2、运行镜像（在运行前必须要设置api密钥）
docker run -d -p 6333:6333 -p 6334:6334 -e QDRANT__SERVICE__API_KE…[查看更多]

3. 向量数据库
向量数据库（Vector Database）用于存储、索引和高效检索 高维向量，常用于 语义搜索、推荐系统、异常检测 等场景。例如，文本、图像、音频都可以转换为向量，以便进行相似性搜索。将数据转换为 嵌入向量，嵌入向量存储与检索。

[five]
Pipecone

[/five]

[five_middle]
[查看更多]

老师这是我的操作步骤您看看有什么问题。看了您之前的视频，每个场景，在解算任何物体运动之前，都需要一个摄像机，①所以我先使用user track来标记了地面上的点来解算相机，②又因为想得到以固定参照点（比如斑马线端点）为原点的坐标系，我又以orient scene建立了坐标系，③继续添加user track来追踪目标车辆，并且采用user track节点中的export来导出txt坐标。综上所示：TXT追踪点坐标能导出来但是我发现我建立的坐标系对车辆跟踪点的坐标没有影响，车辆跟踪点还是以图片左下角为原点。老师辛苦您看我哪一步出了问题。

感谢大佬回复！我的摄像机是完全不动的状态，所以我只需要导出选择的物体即可，但是我不会导，还请大佬明示，您发的相关的帖子我都看了学习了，但是get不到那个点

是可以追踪定机位的，技术流程请参考这一篇：

【PFTrack教程】如何反求定点摇动摄像机运动轨迹？（gif图文详解）

如果在反求镜头追踪的同时，还需要追踪车辆轨迹，可以使用复合追踪流程：

【PFTrack教程】如何跟踪画面中的运动物体？（视频详解）

另外不管是PFtrack还是3DEqualizer都可以导出选择的物体为坐标数据，TXT文本。我以前用这个方法交换不同软件的追踪数据。但是要注意，不同软件的位置标记记录算法比例可能不同。

各位大佬好，我用无人机拍了一些俯视的交叉口车流图，等同于二维平面视频，可不可以用PFtrack实现车辆像素轨迹的提取呢，就是以txt的格式导出车辆的位置信息呢，在usertrack下我可以导出一部分，但是3d坐标系建到二维平面非常不精准，请问如何把我的无人机俯拍视频中的车辆只识别2D轨迹并导出呢？

FRPC批量端口号代理与泛域名解析配置方法

这个配置文件是 Frp 客户端（frpc） 配置的一部分，使用了 Go 模板语法 来生成多个代理配置。它的作用是根据 端口范围 来动态生成多个 TCP 代理。接下来，我将详细解释每个部分：

parseNumberRangePair 是一个自定义函数（假设是为了处理端口范围），将字符串 “888-999” 转换为一个端口范围。例如，888到999。
•第一个参数 “888-999” 是表示端口范围的字符串。
•第二个参数 “888-999” 是备用参数或者用于其他配置逻辑。
•range 是 Go 模板的关键字，允许遍历 parseNumberRangePair 返回的…

[查看更多]

2025年2月-3月：北京，在本地搭建了大模型推理环境，并使外网服务器可以调用本地模型。部署了 Qdrant 作为向量数据库，结合 bge-m3 嵌入模型，还增加了网站AI架构，优化Prompt 生成逻辑。整体架构涵盖模型推理、数据存储、API 调用、前端部署等关键环节，使本地AI服务能够高效对接外网业务，实现智能搜索和问答功能，整体已经测试完成，并已小范围公开使用。

各产商的大模型部署并在工作中投入生产使用的大模型选择

这里的测试方面的数据为硬件平台直接输出，而感受与总结方面尽可能做到客观，但难免会有主观之处：

1、除了deepseek开源，还有其他开源大模型么

deepseek是公开发布并可以下载的模型，开源对我们来说是非常有益的事情，同时我们也应关注更多的开源产商LLaMA、Qwen、Mistral，google的开源模型群，微软的、ibm等，每个产商的模型都是成千上万技术人员的劳动成果，通过各种算法集合了人类的智慧，也就决定了不同的大模型具备的核心能力也有所区别，作用用户我们要打开视野，多使用不同的模型，从计算成本、计算效率、结果的可靠性三个方面来选择最适合我们工作流的模型。

未完待进一步补充～～

经过若干测试，对工作…[查看更多]

在Mac M1pro上使用lm studio和ollama的感受

1、效率与速度
LM Studio使用GGUF模型比Ollama反应速度更快20%，如果在LM Studio中使用苹果M芯片框架的MLX比GGUF还要快30%，在效率和配置效率方面LM Studio更高效。

拿DeepSeek R1:14B执行相同的任务来说
在Ollama上达到，9.34 tokens/s，在LM Studio使用GGUF：13.4 tokens/s，而MLX可以达到18.43 tokens/秒。

此外，LM Studio的内存占用也比Ollama低，尤其是在处理大规模数据时，LM Studio的内存占用会更少，这使得它在处理大规模数据时更加高效。

[查看更多]

我之前遇到了一个问题，就是在使用 Waves 插件的时候，加载预设或者打开插件的速度非常慢。这让我很困扰，因为工作效率受到了影响。后来，找到了一种方法可以通过删除某个特定的文件或文件夹来解决这个问题。

1、定位缓存文件路径：

Mac 用户： 打开 Finder，前往

HDLibraryApplicationSupportWavesWavesLocalServer

Windows 用户（通常在 D 盘）： 导航到

C:ProgramDataWaves AudioWavesLocalServer

2、在路径中找到 WavesLocalServer 文件夹，谨慎地将其删除。此操作不会影响插件功能，但会清除不必要的缓存数据。…[查看更多]