52W数据，查询速度19386ms，好慢怎么办？程序都卡死了。

那么试一下百度搜索到的优化方式？

select * from TableA where ID=42;
select * from TableA where ID=216;
然并卵，18663ms，还是好慢的
 
 2.将in里面的ID放到临时表，再通过联合查询 
 
select *  into #tmpClass from TableClass where QID in (42,216,219,230,231,220,249,250,221,251,252,217,253,255,256,254,257,258,1804);
select * from TableA inner join #tmpClass on TableA.QID=#tmpClass.QID
 
33570ms，没用
 
1.没用找到特别能优化的方法。而事实上，程序业务并不需要查询表里面所有的字段*，把*改为自己需要的那几个字段，则很快查询出来。in查询（140ms）,分拆单独查询(263ms)。
 
2.去掉没有数据的QID并没有影响到查询的速度。比如42、216，,219是没有数据的，去不去掉都没看见有什么影响，也许是自己数据量小吧。
 
通过此次优化，觉得以后可能很多程序上的sql写法就不要贪方便直接写*号了，以后优化也许会根据业务功能逐个进行优化，大而全的优化也许大概也有个上限。
 
                    比如：select * from TableA where ID in (42,216,219,230,231,220,249,250,221,251,252,217,253,255,256,254,257,258,1804)52W数据，查询速度19386ms，好慢怎么办？程序都卡死了。 那么试一下百度搜索到的优化方式？1.将in里面的ID分拆查询，再合并数据select
				
使用 "Darknet yolov3-tiny" 训练检测模型
1. 下载data.zip,提取码: j7c2. https://pan.baidu.com/share/init?surl=_Wgy_3mBgNREXXn7HRfAHw
2. 将data.zip解压到darknet.exe所在目录下.
3. 进入data/voc目录下运行voc_label.bat重新生成2019_train.txt, 2019_val.txt.
4. 修改cfg/yolov3-tiny.cfg
darknet.exe detector train data/voc.data cfg/yolov3-tiny.cfg
6. 训练过程
使用pip安装yolov5 (for Python >=3.7) ：
 pip install yolov5
 使用pip安装yolov5 (for Python 3.6) ：
 pip install "numpy>=1.18.5,<1>=3.2.2,<4"
pip install yolov5
from PIL import Image
from yolov5 import YOLOv5
# set model params
model_path = "yolov5/weights/yolov5s.pt" # it automatically downloads yolov5s model to given path
				
本课程主要核心是将yolov7框架封装成一个类，方便调用或者集成开发以及集成部署。通过本课程您将收获一下知识：（1）了解yolov7框架检测基本流程；（2）掌握目标检测封装类大体思路；（3）学会yolov7封装函数以测试；（4）学会利用封装类模块，进行API调用。本课程优点：（1）去掉课程无关的讲解，直击课程核心出发点，避免花费更多时间学习自己已经掌握知识，而着重掌握封装本质上来；（2）提供代码讲解和API示例，让同学们更快获取本课程核心内容；（3）课程简洁，重点课程重点讲解。学习本课程之前您需要准备的是（本课程不提供讲解）：（1）您需要提前搭建好自己yolov7环境，建议使用Anaconda3搭建；（2）您需要保证自己的环境正常运行，比如可以预测图片或者视频（3）您需要准备官方提供模型或者自己训练的模型本课程环境为windows10，您也可以在linux上操作，但需要一个带一块英伟达显卡。
我们发现，竟然报错！！！，然后去官网看，说不支持python3.6打包
3、解决pyinstaller 暂时不支持python3.6打包方法
为什么说是暂时呢。。 因为，3.6的打包的目前正在完善中。。。 当然你可以先下载最新的版本暂时用。
去github下载
解压后，将其中的PyInstaller 文件夹 复制到你安装pyi
该存储库代表现代计算机视觉YOLO V5在自动检测道路故障中的用途。所有代码和模型正在积极开发中，如有更改或删除，恕不另行通知。
Python 3.8或更高版本以及torch>=1.7和requirements.txt中给出的要安装，请运行： 
$ conda install -c conda-forge pycocotools
$ pip install -r requirements.txt
要对data/images示例图像进行推断： 
$ python detect.py --source data/images --weights best_potholes.pt --conf 0.5 --img 416
要对data/images示例图像进行推断： 
$ python detect.py --source data/ima
可以参考下面的代码，它可以帮助你将DOTA数据集转换为yolo格式：import cv2 
import numpy as np # 读取DOTA数据集 
img = cv2.imread('image.png') # 转换为YOLO格式 
h, w, _ = img.shape 
boxes = [] 
for label, fname in labels: 
	xmin, ymin, xmax, ymax = fname 
	xmin = xmin / w 
	xmax = xmax / w 
	ymin = ymin / h 
	ymax = ymax / h 
	boxes.append([label, xmin, ymin, xmax, ymax]) # 将数据写入yolo格式文件 
with open('labels.txt', 'w') as f: 
	for box in boxes: 
		f.write(' '.join([str(box[0]), str(box[1]), str(box[2]), str(box[3]), str(box[4])])) 
		f.write('\n')