pytorch转tensorrt export.py

### 将PyTorch模型导出至TensorRT 为了实现从PyTorch到TensorRT的转换,通常先将模型保存为ONNX格式作为中间表示形式。对于NVIDIA BERT模型而言,在准备阶段需移除依赖于`apex`库的相关部分[^1]: ```python # 原始代码片段中涉及Apex的部分应被注释或删除 # from apex import amp # from apex.multi_tensor_apply import multi_tensor_applier # # try: # from apex.optimizers import FusedAdam # except ImportError: # ... # # try: # from apex.parallel import DistributedDataParallel as DDP # except ImportError: # ... ``` 完成上述调整之后,可以利用`torch.onnx.export()`函数来执行初次转化操作。假设有一个预训练好的BERT模型实例化对象`model`以及相应的输入张量`dummy_input`: ```python import torch from transformers import BertModel, BertTokenizer tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') text = "[CLS] Who was Jim Henson ? [SEP]" tokenized_text = tokenizer.tokenize(text) indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text) # 创建虚拟批次数据用于导出过程中的形状推断 batch_size = 1 seq_length = len(indexed_tokens) input_shape = (batch_size, seq_length) dummy_input = torch.randint(low=0, high=30522, size=input_shape).long() model = BertModel.from_pretrained('bert-base-uncased').eval() dynamic_axes = {'input': {0: 'batch_size', 1: 'sequence'}, 'output': {0: 'batch_size'}} torch.onnx.export( model, dummy_input, "bert_model.onnx", input_names=['input'], output_names=['output'], dynamic_axes=dynamic_axes, opset_version=11 ) ``` 一旦获得了`.onnx`文件,则可通过Polygraphy工具链进一步将其编译成适用于特定硬件平台优化后的TensorRT引擎。 针对YOLOv5项目里遇到的具体错误提示——当尝试通过其内置脚本进行类似的迁移工作时可能会碰到兼容性难题[^2];然而这并不影响遵循通用流程来进行跨框架间的互转实践。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

Python3变量命名六大禁忌

Python3变量命名六大禁忌

Python3变量命名遵循下划线命名法,首字符只能是字母或下划线,不能以数字开头。变量名区分大小写,num和Num是两个独立变量。禁止使用Python内置关键字,比如if、for、def、class,直接使用会覆盖原生功能导致程序报错。不能包含空格、@、#等特殊符号。避免使用单字母无意义变量,除循环临时变量i/j外,尽量语义化命名。同时不要使用前后双下划线命名,这类名称属于Python魔法变量,由解释器内置占用。另外常量约定全大写加下划线,如MAX_NUM,语法不强制只读,依靠编码规范约束。 sxxazbba.com spxez.com sulad.net sxspr.com taichanglvyou.cn

Python元组开发使用场景

Python元组开发使用场景

元组属于不可变序列,定义后无法修改元素内容,内存占用更小、安全性更高。开发中常被用于存储固定不变的数据,比如配置参数、坐标数据、函数多返回值。元组支持下标取值、切片、遍历等查询操作,仅禁止增删改操作。其不可变特性让元组可作为字典键、集合元素,这是列表无法实现的功能。日常开发中,固定数据优先使用元组,动态可变数据使用列表,按需选用可兼顾代码安全与运行性能。 yingchaozhibomianfeizhibo.org yingchaozhibozaixianzhibo.org yinluzhejiaoyu.com yiwuairshipping.com m.yobest2.com

nnunet-pytorch转onnx

nnunet-pytorch转onnx

nnunet-pytorch转onnx格式相应代码实现

Arrange-the-pythoch-training-model-master

Arrange-the-pythoch-training-model-master

pytorch训练的模型转换成onnx格式然后C++环境下利用opencv库进行加载

onnx-model.py

onnx-model.py

onnx-model.py

基于深度学习框架YOLOV8模型训练_无人机遥感航拍数据集CODrone涵盖城市工业环境港口码头_汽车忽略交通标志人群摩托车船舶公交车等12类目标检测推理识别_使用CUDA加速Py.zip

基于深度学习框架YOLOV8模型训练_无人机遥感航拍数据集CODrone涵盖城市工业环境港口码头_汽车忽略交通标志人群摩托车船舶公交车等12类目标检测推理识别_使用CUDA加速Py.zip

基于深度学习框架YOLOV8模型训练_无人机遥感航拍数据集CODrone涵盖城市工业环境港口码头_汽车忽略交通标志人群摩托车船舶公交车等12类目标检测推理识别_使用CUDA加速Py.zip

YOLO v5安全帽检测代码和权重

YOLO v5安全帽检测代码和权重

源码下载地址: https://pan.quark.cn/s/a4b39357ea24 YOLO版本5的模型。安全帽在VOC标注的数据集中使用。提供YOLO版本5的模型代码以及已存储的模型权重文件。预训练模型与配置文件均基于YOLO版本5s。设定迭代次数为50次,经过实际视频检测验证,性能表现良好。相关参数可以进行调节!获取后可直接应用,若遇到问题可联系q614450979。

TensorRT部署DETR项目工程

TensorRT部署DETR项目工程

本项目提供了 tensorrt 部署 DETR 完整工程源码、依赖及模型,并且整理好了一键执行脚本。部署链路为 pytorch -> onnx -> trt(trtexec) 脚本执行顺序为: ● (1) run_convert_todetr_r50.sh ==> 模型转换 ● (2) run_detr_py_demo.sh ==> 初始权重的精度测试 ● (3) run_export_detr_onnx.sh ==> 导出 onnx 模型,并做 sim 简化 ● (4) run_export_trt_plan.sh ==> 导出 trt 模型,并做性能测试 ● (5) run_export_trt_plan_fp16.sh ==> 导出 trt 模型,并做 fp16 推理的性能测试

YOLOv5模型转ONNX指南[可运行源码]

YOLOv5模型转ONNX指南[可运行源码]

本文详细介绍了如何将YOLOv5的PyTorch模型(.pt格式)转换为ONNX格式。首先,需要满足Python>=3.8.0和PyTorch>=1.8的环境要求,并安装YOLOv5的所有依赖库。文章列出了可转换的模型格式,包括TorchScript、ONNX、OpenVINO、TensorRT等,并详细解释了export.py脚本的可选参数,如权重文件路径、输入图片大小、批处理大小、设备选择等。此外,还介绍了如何设置参数并运行转换命令,以及转换完成后如何使用detect.py进行检测或val.py验证模型性能。

pt权重转onnx详解[可运行源码]

pt权重转onnx详解[可运行源码]

本文详细介绍了将YOLOv3和YOLOv5的pt权重文件转换为onnx模型的方法。首先,YOLOv3和YOLOv5通常自带一个名为export.py的脚本,位于models文件夹中,用于实现这一转换。用户可以通过命令行运行该脚本,并修改相应的参数,如指定权重文件的路径。运行命令示例为:python ./models/export.py --weights ./models/best.pt。转换完成后,导出的onnx文件将保存在与权重文件相同的目录中,通常包括torchscript、onnx和coreml三个文件。需要注意的是,onnx和torchscript文件的大小应为pt文件的两倍,否则可能转换失败。此外,不要在models文件夹内直接运行export.py,否则会报错。

YOLOv5量化部署指南[项目代码]

YOLOv5量化部署指南[项目代码]

本文详细介绍了YOLOv5模型在OpenVINO和TensorRT平台上的量化部署方法。首先,通过YOLOv5提供的export.py脚本将预训练的PyTorch模型转换为OpenVINO FP32 IR模型,然后利用OpenVINO的Post-Training Optimization Tool (POT)进行INT8量化,显著提升了推理速度。文章还提供了Python和C++的推理代码示例,并对比了FP32、FP16和INT8模型在不同硬件上的性能表现。此外,还介绍了TensorRT的两种量化方案:wts转trt的硬解析方案和onnx解析tensorrt的API方案,并提供了详细的代码实现和性能测试结果。

机器学习基于yolov5的海棠花花朵检测识别项目源码+数据集(95分以上大作业项目).zip

机器学习基于yolov5的海棠花花朵检测识别项目源码+数据集(95分以上大作业项目).zip

机器学习基于yolov5的海棠花花朵检测识别项目源码+数据集(95分以上大作业项目).zip该项目是个人期末大作业项目源码,已获导师评审,评审分达到96分以上,都经过严格调试,确保可以运行!放心下载使用。 该项目资源主要针对计算机相关专业的学生或从业者下载使用,可作为期末课程设计、期末课程大作业等,具有较高的学习价值。 机器学习基于yolov5的海棠花花朵检测识别项目源码+数据集(95分以上大作业项目).zip该项目是个人期末大作业项目源码,已获导师评审,评审分达到96分以上,都经过严格调试,确保可以运行!放心下载使用。 该项目资源主要针对计算机相关专业的学生或从业者下载使用,可作为期末课程设计、期末课程大作业等,具有较高的学习价值。 机器学习基于yolov5的海棠花花朵检测识别项目源码+数据集(95分以上大作业项目).zip该项目是个人期末大作业项目源码,已获导师评审,评审分达到96分以上,都经过严格调试,确保可以运行!放心下载使用。 该项目资源主要针对计算机相关专业的学生或从业者下载使用,可作为期末课程设计、期末课程大作业等,具有较高的学习价值。 机器学习基于yolov5的海

YOLOv5模型转ONNX[源码]

YOLOv5模型转ONNX[源码]

本文详细介绍了如何将YOLOv5官方预训练模型(.pt文件)转换为ONNX格式(.onnx文件)的完整流程。首先提供了三种下载YOLOv5预训练权重的方法:通过GitHub发布页面、直接下载链接或命令行下载,并强调了版本兼容性和文件存放路径的注意事项。接着,文章逐步指导如何利用YOLOv5官方导出脚本将.pt文件转换为.onnx文件,包括具体的命令行参数设置。最后,介绍了验证转换结果的步骤,并列举了ONNX模型在ONNX Runtime、TensorRT和OpenVINO等推理框架中的应用示例。整个过程清晰明了,适合需要部署YOLOv5模型的开发者参考。

PyTorch 模型 转换到 ONNX 标准格式

PyTorch 模型 转换到 ONNX 标准格式

把 PyTorch 环境下训练完成的模型,通过导出工具转换为 ONNX 标准模型文件,让原本依赖 PyTorch 运行环境的模型,可以在各类支持 ONNX 规范的推理引擎上直接部署运行。

深度学习相关,主要是做胶水开发,也有部分是完全原创.zip

深度学习相关,主要是做胶水开发,也有部分是完全原创.zip

深度学习相关,主要是做胶水开发,也有部分是完全原创.zip 深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学习相关,主要是做胶水开发,也有部分是完全原创.zip深度学

YOLOv11目标检测多格式部署资源包(PyTorch+ONNX+OpenVINO,毕设代码+性能对比)

YOLOv11目标检测多格式部署资源包(PyTorch+ONNX+OpenVINO,毕设代码+性能对比)

YOLOv11从训练到多平台部署的完整资源包,包含4个可运行的Python脚本,全部中文注释。包含PyTorch推理、ONNX推理、多格式导出、性能对比测试。适用人群:AI/电子信息/计算机专业学生课程设计和毕业设计,嵌入式开发者。环境要求:Python 3.8+,pip install ultralytics onnxruntime opencv-python。

yolov5 剪枝和量化,代码一键运行

yolov5 剪枝和量化,代码一键运行

1. 通过剪枝压缩了70%以上,几乎不影响精度 2. 提供量化感知训练的代码及tensorrt部署的代码

yolov8n.onnx

yolov8n.onnx

yolov8n.pt转ONNX格式

yolov5训练模型 .pt与.onnx

yolov5训练模型 .pt与.onnx

yolov5训练 可以直接用 用自己的数据集 即可

基于YOLOv7的目标检测实现设计.zip

基于YOLOv7的目标检测实现设计.zip

基于YOLOv7的目标检测实现设计.zip

最新推荐最新推荐

recommend-type

国央企创新负责人如何构建多维度的科技资源评价与配置体系?.docx

国央企创新负责人如何构建多维度的科技资源评价与配置体系?
recommend-type

《移动通信系统》全套PPT课件2026(西安电子科技大学)

《移动通信系统》全套PPT课件2026(西安电子科技大学)
recommend-type

Python3 json序列化常见报错

json只能序列化字符串、数字、列表、字典、布尔、空值。无法序列化datetime、bytes、自定义类对象,直接dumps会抛出类型错误。解决方案:自定义序列化函数,通过default参数传入,手动转换特殊对象。中文乱码:默认ensure_ascii=True会转义中文,改为False直接输出原生中文。反序列化loads注意:json字符串要求双引号,Python字典单引号字符串无法解析,需要提前替换引号。 lxwuhua.cn mayawalkermx.com mccia.com.cn lzsxgqscgs.com mftug.com
recommend-type

产业园区运营负责人如何精准对接区域技术成果与产业需求?.docx

产业园区运营负责人如何精准对接区域技术成果与产业需求?
recommend-type

科技中介服务机构如何提升科技成果评估服务的专业性与效率?.docx

科技中介服务机构如何提升科技成果评估服务的专业性与效率?
recommend-type

Rust系统编程与WebAssembly开发:LLVM IR教程及实战资源

LLVM IR(Intermediate Representation,中间表示)是LLVM编译器基础设施的核心抽象层,它是一种强类型、静态单赋值(SSA)形式的低级程序表示,兼具可读性与机器可处理性,既接近高级语言语义,又贴近底层硬件指令模型。本资源标题“llvm-ir-tutorial-Rust系统编程与WebAssembly资源”明确指向一个跨技术栈的深度实践型学习体系,其核心逻辑在于:以Rust语言为前端开发载体,通过显式生成、阅读、修改和优化LLVM IR,深入理解现代编译器后端工作原理;同时将该能力延伸至WebAssembly(Wasm)目标平台,打通从系统级安全编程到浏览器/边缘沙箱执行的全链路编译路径。Rust之所以成为该教程的理想语言载体,在于其零成本抽象、内存安全性保障(无GC)、对底层控制的精细支持(如裸指针、内联汇编、自定义分配器),以及其默认使用LLVM作为后端编译器(rustc基于LLVM),使得开发者能无缝切入IR层面进行调试与干预——例如通过`rustc --emit=llvm-ir`直接导出人类可读的`.ll`文件,或借助`llc`工具将IR进一步降级为特定架构的汇编代码。而WebAssembly则构成该知识体系的关键出口:Wasm并非直接运行Rust源码,而是依赖Rust编译器链(通过`wasm32-unknown-unknown`或`wasm32-wasi`目标)将Rust代码先编译为LLVM IR,再由LLVM的Wasm后端(`llvmlite`或`wabt`等工具链组件)将其转换为`.wasm`二进制模块;此过程高度依赖对IR结构的理解——例如函数签名如何映射为Wasm类型签名、全局变量如何转化为Wasm线性内存偏移、panic机制如何被重写为Wasm trap指令、以及如何通过`#[no_mangle]`和`extern "C"`控制符号导出以适配JS宿主调用。教程中所含的`src/`目录必然涵盖大量Rust源码示例,包括但不限于:手动编写`unsafe`块触发特定IR模式(如`llvm.memcpy`内建调用)、使用`#[inline(never)]`阻止优化以观察原始IR结构、通过`cfg(target_arch = "wasm32")`条件编译实现平台特化逻辑;`code/`子目录则极可能存放配套的LLVM IR片段(`.ll`)、已编译的Wasm二进制(`.wasm`)、对应的JS胶水代码及HTML测试页面,形成“Rust → IR → Wasm → JS”的完整验证闭环。`book.toml`表明该项目采用mdBook构建交互式技术文档,内容结构应严格遵循认知递进:首章解析LLVM IR语法规范(基本块、指令集如`%1 = add i32 %0, 42`、常量表达式、phi节点在循环中的作用);次章演示Rust到IR的映射规则(`Vec<T>`的内存布局如何体现为`alloca + store + load`序列、`match`表达式如何展开为`switch`或`br`链);第三章聚焦Wasm后端特性(Wasm的限制性类型系统如何迫使LLVM插入`i32.trunc_sat_f64_s`等饱和截断指令、WASI系统调用如何通过`call_indirect`间接调用实现);后续章节必涉及高级主题:利用`llvm::Pass` API编写自定义优化遍(如针对Wasm体积优化的死代码消除Pass)、通过`llvmlite`在Python中动态构造IR并JIT执行、对比`-C opt-level=z`(极致尺寸优化)与`-C lto=yes`(链接时优化)对IR形态的影响。`LICENSE`与`CHANGELOG`则体现工程严肃性:MIT/Apache-2.0双许可证确保Rust生态兼容性,而持续更新的变更日志反映对LLVM版本演进(如LLVM 16+对Wasm GC提案的支持)、Rust稳定版发布(如async/await IR表示变化)、Wasm标准进展(Interface Types、Exception Handling)的实时响应。`.github/`目录内应包含CI配置(如用`cargo llvm-ir`检查PR是否引入非预期IR膨胀)、自动化Wasm测试脚本(`wasm-validate`校验二进制合法性、`wabt`反编译IR比对)、以及Issue模板引导用户精准报告IR生成异常。综上,该资源绝非孤立的语法手册,而是一个融合编译原理、系统编程范式、Web前沿标准与工业级工程实践的立体知识网络,掌握它意味着不仅能写出高效安全的Rust代码,更能洞悉代码如何穿越抽象层级最终在异构环境中精确执行——这种穿透式理解力,正是当代高性能系统开发者与WebAssembly平台架构师的核心竞争力所在。
recommend-type

OpenStock:中小企业可用的开源库存管理系统

## 1. OpenStock 是什么:一个面向中小企业的开源库存管理系统,不是玩具项目 OpenStock 这个名字乍一听像某个云服务的子产品,但实际它是一个完全面向真实业务场景打磨出来的开源库存管理平台。我第一次在 GitHub 上看到它时,第一反应是“又一个 React + MongoDB 的练手项目”,点开 README 后才意识到——这东西真能用,而且已经在三家本地五金店、两家烘焙工坊和一家小型医疗器械经销商那里跑了一年多。它不追求炫酷的 3D 仓库可视化,也不堆砌微服务架构,核心就干一件事:让老板、仓管员、采购员三类角色,在同一套数据底座上,用最顺手的方式完成“入库→上架→出库→
recommend-type

PSO里的惯性权重怎么设才合理?为什么常常用线性递减的方式?

### Particle Swarm Optimization (PSO) 中初始权重的意义 在粒子群优化(Particle Swarm Optimization, PSO)算法中,初始权重(inertial weight)起着至关重要的作用。该参数控制粒子更新速度的程度,在探索(exploitation)和开发(exploration)之间提供平衡[^1]。 设置较大的惯性权重可以增强全局搜索能力;而较小的值有助于局部区域内的精细查找。因此,合理配置这一系数对于提高求解效率至关重要。通常情况下,研究者们会采用线性递减策略来动态调整此变量,即随着迭代次数增加逐渐降低其数值大小,从而实现初期
recommend-type

Windows平台ESP32开发环境一站式搭建包:MSYS2、ESP-IDF v3.3与VS Code集成配置

ESP32环境搭建是嵌入式物联网开发中极为关键的基础环节,尤其在Windows平台下构建一套稳定、可复现、符合官方推荐规范的开发环境,直接关系到后续固件编译、调试、OTA升级、Wi-Fi/BLE协议栈集成、低功耗优化等高级功能的实现质量与开发效率。本资源包“ESP32环境搭建包(msys2、esp-idf、VScode)”并非简单工具集合,而是一套经过历史验证、面向ESP-IDF v3.3版本深度适配的完整开发生态闭环系统,其核心构成包含三大支柱性组件:MSYS2运行时环境、ESP-IDF SDK v3.3源码及工具链、Visual Studio Code编辑器及其专用插件生态。首先,MSYS2作为Windows下最成熟可靠的类Unix环境模拟平台,提供了POSIX兼容的Shell(bash/zsh)、GNU核心工具集(make、gcc、gdb、awk、sed等)、包管理器pacman,以及对Python 2.7/3.x、CMake 3.10+、Ninja构建系统的原生支持——这些是ESP-IDF构建系统赖以运转的底层基石。特别值得注意的是,所含esp32_win32_msys2_environment_and_toolchain-20181001.zip并非通用MSYS2镜像,而是Espressif官方于2018年10月针对ESP32芯片特性(如Xtensa LX6双核架构、指令集扩展、内存映射布局)定制编译的交叉工具链(xtensa-esp32-elf-gcc),该工具链内建了对FreeRTOS内核调度器、ROM函数调用、Flash加密、Secure Boot签名验证等硬件级特性的深度支持,且与IDF v3.3的Kconfig配置系统、component.mk构建规则、idf.py命令行接口完全对齐。其次,ESP-IDF v3.3是ESP32 SDK发展史上的里程碑版本,首次全面引入组件化架构(Component-based Architecture),将Wi-Fi驱动(esp_wifi)、蓝牙协议栈(bluedroid)、电源管理(esp_pm)、ADC/DAC/PWM外设驱动、LVGL图形库、HTTP客户端/服务器、MQTT、CoAP等全部封装为可独立编译、版本可控、依赖可声明的模块单元;同时强化了CMake构建系统,摒弃旧版makefile,支持多目标构建(app/bootloader/partition table)、自定义链接脚本、符号表分析、静态断言检查,并内置了idf_monitor串口监控器、idf_size内存分析工具、idf.py menuconfig图形化配置界面等工程化利器。第三,VSCodeUserSetup-x64-1.38.1.exe虽为较早版本(2019年9月发布),但其稳定性极高,配合C/C++扩展(Microsoft)、ESP-IDF Extension(Espressif官方维护)、CMake Tools、Python、GitLens等插件后,可实现语法高亮(支持IDF专属宏如ESP_LOGI)、智能补全(基于compile_commands.json)、一键编译烧录(idf.py build/flash/monitor绑定快捷键)、GDB图形化调试(支持多线程FreeRTOS任务切换视图、寄存器/内存/堆栈实时监视)、JTAG硬件调试(需搭配ESP-Prog或FTDI转接板)、代码片段模板(如ESP_ERROR_CHECK宏快速插入)、项目结构导航(按components目录自动索引)等工业级开发体验。此外,该环境包隐含了大量易被忽视却至关重要的细节配置:例如MSYS2中需手动执行pacman -Syu更新基础系统并重启终端以避免toolchain冲突;需将~/.espressif/tools目录权限设为可写以允许idf.py自动下载Python依赖(如pyserial、kconfiglib);VSCode中必须正确设置"idf.espIdfPath"、"idf.pythonBinPath"、"idf.customExtraPaths"等JSON配置项,否则无法识别idf.py命令;还需在Windows PATH中追加MSYS2/usr/bin路径以确保git、ssh等工具全局可用;更关键的是,v3.3版本要求Python严格限定为3.6–3.8区间(不兼容3.9+),且需禁用pip缓存以防wheel包版本错乱。整个搭建过程本质上是对嵌入式开发范式的系统性实践:从操作系统抽象层(MSYS2)→硬件抽象层(ESP-IDF HAL)→应用框架层(FreeRTOS+组件)→开发工具链(VSCode+插件),形成一条贯穿软硬件协同设计的知识脉络。掌握此环境不仅意味着能跑通blink例程,更代表着已具备阅读ESP-IDF源码(如esp-idf/components/esp_wifi/下的phy_init.c、wifi_init.c)、定制SDK配置(通过menuconfig启用BT Coex、修改heap内存分配策略)、交叉调试汇编级问题(如cache attribute错误导致的data abort)、甚至向主干分支提交patch的能力——这才是“行业完整源码”标签背后所承载的真实技术纵深与工程素养。
recommend-type

OpenStock:开源A股行情数据抓取与自动化选股策略工具

如果你盯盘一天只能看两三次,如果你复盘时总想搞清楚“今天到底哪些票资金在进、哪些在出”,又不想每天打开行情软件被广告和荐股弹窗轰炸,那“OpenStock”这个开源项目可能会刚好踩中你的需求。 OpenStock是一套面向个人投资者的开源行情数据抓取与分析工具,核心理念很简单:把A股每日的行情快照、涨跌停数据、板块资金流向、技术指标信号全部自动拉到本地,集中清洗入库,再用一套可扩展的选股策略引擎做二次筛选,最终输出你真正关心的“可以复盘、可以跟踪、可以留档”的数据结果。它适合三类人:一是没有编程基础但想用现成脚本做常用数据留档的交易者,二是刚入门量化、想用真实行情数据练手策略的开发者,三是已