Qdrant 向量数据库完全指南：从入门到 Spring AI/LangChain4J 集成实践

优质文章学习记录

— 11 min read
Qdrant 向量数据库完全指南：从入门到 Spring AI/LangChain4J 集成实践

前言

在人工智能和大语言模型（LLM）应用日益普及的今天，向量数据库成为了构建 AI 应用的关键基础设施。Qdrant 作为一款高性能的开源向量数据库，以其卓越的性能、易用性和丰富的功能特性，正在成为越来越多开发者的首选。

本文将详细介绍 Qdrant 的核心特性，并展示如何在 Spring Boot 项目中集成 Qdrant，以及如何配合 Spring AI 和 LangChain 等主流 AI 框架构建智能应用。

一、Qdrant 简介与核心特性

1.1 什么是 Qdrant？

Qdrant（读音：quadrant）是一个用 Rust 编写的开源向量相似度搜索引擎，专门用于存储、搜索和管理向量嵌入（Vector Embeddings）。它提供了高性能的向量搜索能力，支持过滤、负载均衡等功能，非常适合构建推荐系统、语义搜索、AI 助手等应用。

1.2 核心特性

✅ 高性能搜索
  • 使用 HNSW（Hierarchical Navigable Small World）算法实现高效的近似最近邻搜索
  • 支持实时索引更新，不影响搜索性能
  • 单节点可处理数十亿级别的向量
✅ 丰富的过滤能力
  • 支持在向量搜索时结合元数据进行过滤
  • 提供类似 SQL 的过滤语法
  • 支持复杂的布尔查询
✅ 易于部署和扩展
  • 提供 Docker、Kubernetes 等多种部署方式
  • 支持水平扩展和分片
  • 提供 RESTful API 和 gRPC 接口
✅ 企业级特性
  • 支持数据持久化
  • 提供快照和备份功能
  • 内置负载均衡和复制
  • 支持访问控制和身份验证

二、Qdrant 快速开始

2.1 使用 Docker 启动 Qdrant

最简单的启动方式是使用 Docker：

# 启动 Qdrant 实例docker run -p6333:6333 -p6334:6334 \-v$(pwd)/qdrant_storage:/qdrant/storage \ qdrant/qdrant # 或者使用 docker-compose version: '3.8' services: qdrant: image: qdrant/qdrant ports: - "6333:6333" - "6334:6334" volumes: - ./qdrant_storage:/qdrant/storage

启动后：

  • Web UI：http://localhost:6333/dashboard
  • HTTP API：http://localhost:6333
  • gRPC：localhost:6334

2.2 基本概念

  • Collection（集合）：向量的集合，类似于关系数据库的表
  • Point（点）：单个向量及其关联的 payload（元数据）
  • Vector（向量）：数值数组，表示数据的嵌入表示
  • Payload（负载）：与向量关联的元数据，可用于过滤

三、Spring Boot 集成 Qdrant

3.1 添加依赖

在 pom.xml 中添加 Qdrant Java 客户端依赖：

<dependencies><!-- Qdrant Java Client --><dependency><groupId>io.qdrant</groupId><artifactId>qdrant-java-client</artifactId><version>1.7.0</version></dependency><!-- Spring Boot Web (可选，用于构建 REST API) --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><!-- Lombok (简化代码) --><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency></dependencies>

3.2 配置 Qdrant 客户端

创建配置类来初始化 Qdrant 客户端：

packagecom.example.qdrant.config;importio.qdrant.client.QdrantClient;importio.qdrant.client.QdrantGrpcClient;importorg.springframework.beans.factory.annotation.Value;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;@ConfigurationpublicclassQdrantConfig{@Value("${qdrant.host:localhost}")privateString host;@Value("${qdrant.port:6334}")privateint port;@Value("${qdrant.api-key:}")privateString apiKey;@BeanpublicQdrantClientqdrantClient(){QdrantGrpcClient.Builder builder =QdrantGrpcClient.newBuilder().host(host).port(port);if(!apiKey.isEmpty()){ builder.withApiKey(apiKey);}return builder.build();}}

在 application.yml 中添加配置：

qdrant:host: localhost port:6334api-key:# 如果设置了 API Keyspring:application:name: qdrant-demo

3.3 创建 Collection 服务

packagecom.example.qdrant.service;importio.qdrant.client.QdrantClient;importio.qdrant.client.grpc.Collections;importio.qdrant.client.grpc.Points;importlombok.RequiredArgsConstructor;importlombok.extern.slf4j.Slf4j;importorg.springframework.stereotype.Service;importjava.util.List;@Slf4j@Service@RequiredArgsConstructorpublicclassQdrantCollectionService{privatefinalQdrantClient qdrantClient;/** * 创建集合 */publicvoidcreateCollection(String collectionName,int vectorSize)throwsException{Collections.VectorParams vectorParams =Collections.VectorParams.newBuilder().setSize(vectorSize).setDistance(Collections.Distance.Cosine).build(); qdrantClient.createCollectionAsync( collectionName,Collections.CreateCollection.newBuilder().setVectorsConfig(vectorParams).build()).get(); log.info("Collection '{}' created successfully", collectionName);}/** * 删除集合 */publicvoiddeleteCollection(String collectionName)throwsException{ qdrantClient.deleteCollectionAsync(collectionName).get(); log.info("Collection '{}' deleted successfully", collectionName);}/** * 检查集合是否存在 */publicbooleancollectionExists(String collectionName)throwsException{Collections.CollectionInfo info = qdrantClient.getCollectionInfoAsync(collectionName).get();return info !=null;}/** * 获取集合信息 */publicCollections.CollectionInfogetCollectionInfo(String collectionName)throwsException{return qdrantClient.getCollectionInfoAsync(collectionName).get();}}

3.4 创建 Point 管理服务

packagecom.example.qdrant.service;importio.qdrant.client.QdrantClient;importio.qdrant.client.grpc.Points;importlombok.RequiredArgsConstructor;importlombok.extern.slf4j.Slf4j;importorg.springframework.stereotype.Service;importjava.util.List;importjava.util.Map;@Slf4j@Service@RequiredArgsConstructorpublicclassQdrantPointService{privatefinalQdrantClient qdrantClient;/** * 插入/更新向量点 */publicvoidupsertPoints(String collectionName,List<PointData> points)throwsException{List<Points.PointStruct> pointStructs = points.stream().map(this::convertToPointStruct).toList(); qdrantClient.upsertPointAsync( collectionName,Points.UpsertPoints.newBuilder().addAllPoints(pointStructs).build()).get(); log.info("Successfully upserted {} points to collection '{}'", points.size(), collectionName);}/** * 搜索向量 */publicList<SearchResult>search(String collectionName,List<Float> vector,int limit,Map<String,String> filter)throwsException{Points.SearchPoints.Builder searchBuilder =Points.SearchPoints.newBuilder().addAllVector(vector).setLimit(limit).withVectorSelector(Points.QueryVector.newBuilder().build());// 添加过滤条件if(filter !=null&&!filter.isEmpty()){Points.Filter filterBuilder =Points.Filter.newBuilder().addMust(Points.Condition.newBuilder().setField(Points.FieldCondition.newBuilder().setKey("category").setMatch(Points.Match.newBuilder().setTextValue(filter.get("category")).build()).build()).build()).build(); searchBuilder.setFilter(filterBuilder);}List<Points.RetrievedPoint> results = qdrantClient.searchPointAsync( collectionName, searchBuilder.build()).get();return results.stream().map(this::convertToSearchResult).toList();}/** * 删除点 */publicvoiddeletePoints(String collectionName,List<Long> ids)throwsException{Points.PointsSelector selector =Points.PointsSelector.newBuilder().setPointsSelector(Points.PointsIdsList.newBuilder().addAllIds(ids.stream().map(id ->Points.PointId.newBuilder().setNum(id).build()).toList()).build()).build(); qdrantClient.deletePointAsync(collectionName, selector).get(); log.info("Successfully deleted {} points from collection '{}'", ids.size(), collectionName);}privatePoints.PointStructconvertToPointStruct(PointData pointData){Points.PointStruct.Builder builder =Points.PointStruct.newBuilder().setId(Points.PointId.newBuilder().setNum(pointData.getId()).build()).addAllVector(pointData.getVector());// 添加 payloadif(pointData.getPayload()!=null){ pointData.getPayload().forEach((key, value)->{ builder.putPayload(key,Points.Value.newBuilder().setStringValue(value.toString()).build());});}return builder.build();}privateSearchResultconvertToSearchResult(Points.RetrievedPoint retrievedPoint){returnSearchResult.builder().id(retrievedPoint.getId().getNum()).score(retrievedPoint.getScore()).payload(retrievedPoint.getPayloadMap()).build();}}// DTO 类@Data@BuilderpublicclassPointData{privateLong id;privateList<Float> vector;privateMap<String,Object> payload;}@Data@BuilderpublicclassSearchResult{privateLong id;privatefloat score;privateMap<String,Points.Value> payload;}

四、与 Spring AI 集成

Spring AI 是 Spring 生态系统中新兴的 AI 框架，提供了与各种 LLM 和向量数据库集成的统一接口。

4.1 添加依赖

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-qdrant-spring-boot-starter</artifactId><version>1.0.0-M4</version></dependency><dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-openai-spring-boot-starter</artifactId><version>1.0.0-M4</version></dependency>

4.2 配置 Spring AI

spring:ai:# OpenAI 配置（用于生成嵌入）openai:api-key: ${OPENAI_API_KEY}# Qdrant 配置vectorstore:qdrant:host: localhost port:6334collection-name: documents initialize-schema:true

4.3 创建 RAG 服务

packagecom.example.qdrant.service;importorg.springframework.ai.document.Document;importorg.springframework.ai.qdrant.QdrantVectorStore;importorg.springframework.ai.reader.TextReader;importorg.springframework.ai.transformer.splitter.TokenTextSplitter;importorg.springframework.ai.vectorstore.VectorStore;importorg.springframework.core.io.Resource;importorg.springframework.stereotype.Service;importjava.util.List;importjava.util.Map;@Service@RequiredArgsConstructorpublicclassRAGService{privatefinalVectorStore vectorStore;privatefinalQdrantVectorStore qdrantVectorStore;/** * 加载并存储文档 */publicvoidloadAndStoreDocuments(Resource resource)throwsException{// 读取文档TextReader textReader =newTextReader(resource);List<Document> documents = textReader.get();// 分割文档TokenTextSplitter splitter =newTokenTextSplitter();List<Document> splitDocuments = splitter.apply(documents);// 存储到向量数据库 vectorStore.add(splitDocuments); log.info("Stored {} document chunks in Qdrant", splitDocuments.size());}/** * 相似度搜索 */publicList<Document>similaritySearch(String query,int topK){return vectorStore.similaritySearch(org.springframework.ai.vectorstore.SearchRequest.query(query).withTopK(topK));}/** * 带过滤的相似度搜索 */publicList<Document>similaritySearchWithFilter(String query,int topK,String category){return vectorStore.similaritySearch(org.springframework.ai.vectorstore.SearchRequest.query(query).withTopK(topK).withFilterExpression("category == '"+ category +"'"));}/** * 删除文档 */publicvoiddeleteDocuments(List<String> ids){ vectorStore.delete(ids);}}

4.4 创建聊天控制器

packagecom.example.qdrant.controller;importorg.springframework.ai.chat.messages.UserMessage;importorg.springframework.ai.chat.model.ChatResponse;importorg.springframework.ai.chat.prompt.Prompt;importorg.springframework.ai.openai.OpenAiChatModel;importorg.springframework.ai.vectorstore.VectorStore;importorg.springframework.ai.vectorstore.SearchRequest;importorg.springframework.web.bind.annotation.*;@RestController@RequestMapping("/api/chat")@RequiredArgsConstructorpublicclassChatController{privatefinalOpenAiChatModel chatModel;privatefinalVectorStore vectorStore;@PostMappingpublicStringchat(@RequestBodyChatRequest request){// 1. 检索相关文档List<Document> relevantDocs = vectorStore.similaritySearch(SearchRequest.query(request.getMessage()).withTopK(3));// 2. 构建增强提示词String context = relevantDocs.stream().map(Document::getContent).collect(Collectors.joining("\n\n"));String enhancedPrompt =String.format("Based on the following context:\n\n%s\n\nAnswer the question: %s", context, request.getMessage());// 3. 调用 LLMChatResponse response = chatModel.call(newPrompt(newUserMessage(enhancedPrompt)));return response.getResult().getOutput().getContent();}}

五、与 LangChain4j 集成

LangChain4j 是 LangChain 的 Java 实现，提供了丰富的 AI 应用构建能力。

5.1 添加依赖

<dependencies><!-- LangChain4j Qdrant --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-qdrant</artifactId><version>0.34.0</version></dependency><!-- LangChain4j OpenAI --><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId><version>0.34.0</version></dependency></dependencies>

5.2 配置 Qdrant Embedding Store

packagecom.example.qdrant.config;importdev.langchain4j.data.segment.TextSegment;importdev.langchain4j.model.openai.OpenAiEmbeddingModel;importdev.langchain4j.model.openai.OpenAiChatModel;importdev.langchain4j.store.embedding.qdrant.QdrantEmbeddingStore;importio.qdrant.client.QdrantClient;importorg.springframework.beans.factory.annotation.Value;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;@ConfigurationpublicclassLangChainConfig{@Value("${langchain4j.openai.api-key}")privateString openAiApiKey;@Value("${qdrant.host:localhost}")privateString qdrantHost;@Value("${qdrant.port:6334}")privateint qdrantPort;@BeanpublicQdrantEmbeddingStoreqdrantEmbeddingStore(QdrantClient qdrantClient){returnQdrantEmbeddingStore.builder().host(qdrantHost).port(qdrantPort).collectionName("langchain_docs").build();}@BeanpublicOpenAiEmbeddingModelembeddingModel(){returnOpenAiEmbeddingModel.builder().apiKey(openAiApiKey).build();}@BeanpublicOpenAiChatModelchatModel(){returnOpenAiChatModel.builder().apiKey(openAiApiKey).build();}@BeanpublicConversationRetrieverconversationRetriever(QdrantEmbeddingStore embeddingStore,OpenAiEmbeddingModel embeddingModel){returnEmbeddingStoreRetriever.builder().embeddingStore(embeddingStore).embeddingModel(embeddingModel).maxResults(3).minScore(0.7).build();}}

5.3 实现 RAG 服务

packagecom.example.qdrant.service;importdev.langchain4j.data.document.Document;importdev.langchain4j.data.document.DocumentSplitter;importdev.langchain4j.data.document.splitter.DocumentSplitters;importdev.langchain4j.data.segment.TextSegment;importdev.langchain4j.model.openai.OpenAiChatModel;importdev.langchain4j.model.openai.OpenAiEmbeddingModel;importdev.langchain4j.store.embedding.EmbeddingStore;importdev.langchain4j.store.embedding.EmbeddingStoreIngestor;importdev.langchain4j.store.embedding.qdrant.QdrantEmbeddingStore;importdev.langchain4j.service.AiServices;importlombok.RequiredArgsConstructor;importlombok.extern.slf4j.Slf4j;importorg.springframework.stereotype.Service;importjava.nio.file.Paths;importjava.util.List;@Slf4j@Service@RequiredArgsConstructorpublicclassLangChainRAGService{privatefinalQdrantEmbeddingStore embeddingStore;privatefinalOpenAiEmbeddingModel embeddingModel;privatefinalOpenAiChatModel chatModel;/** * 加载文档到向量存储 */publicvoidingestDocuments(String filePath)throwsException{// 创建文档摄入器EmbeddingStoreIngestor ingestor =EmbeddingStoreIngestor.builder().embeddingStore(embeddingStore).embeddingModel(embeddingModel).textSegmentSplitter(DocumentSplitters.recursive(300,30)).build();// 加载文档Document document =FileSystemDocumentLoader.loadDocument(Paths.get(filePath));// 摄入文档 ingestor.ingest(document); log.info("Document ingested successfully");}/** * RAG 聊天助手 */publicStringchat(String message){// 定义 AI 服务接口interfaceAssistant{Stringchat(String userMessage);}// 构建带检索的 AI 服务Assistant assistant =AiServices.builder(Assistant.class).chatLanguageModel(chatModel).retriever(EmbeddingStoreRetriever.from( embeddingStore, embeddingModel,3,0.7)).build();return assistant.chat(message);}/** * 语义搜索 */publicList<TextSegment>semanticSearch(String query,int topK){List<EmbeddingMatch<TextSegment>> matches = embeddingStore.findRelevant( embeddingModel.embed(query).content(), topK );return matches.stream().map(EmbeddingMatch::embedded).toList();}}

六、实战案例：构建智能文档问答系统

6.1 系统架构

┌─────────────┐ │ 用户查询 │ └──────┬──────┘ │ ▼ ┌─────────────────────┐ │ REST API 层 │ ├─────────────────────┤ │ /api/chat │ │ /api/documents │ └──────┬──────────────┘ │ ▼ ┌─────────────────────┐ │ 业务服务层 │ ├─────────────────────┤ │ - RAGService │ │ - DocumentService │ └──────┬──────────────┘ │ ▼ ┌──────────────────────────┐ │ AI 框架层 │ ├──────────────────────────┤ │ - Spring AI / LangChain4j│ │ - Embedding Model │ │ - Chat Model │ └──────┬───────────────────┘ │ ▼ ┌──────────────────────────┐ │ Qdrant 向量数据库 │ ├──────────────────────────┤ │ - Collection: documents │ │ - Vector Search │ └──────────────────────────┘

6.2 完整实现

packagecom.example.qdrant;@SpringBootApplication@EnableAiServices// LangChain4jpublicclassQdrantDemoApplication{publicstaticvoidmain(String[] args){SpringApplication.run(QdrantDemoApplication.class, args);}}
@RestController@RequestMapping("/api")@RequiredArgsConstructorpublicclassDocumentController{privatefinalRAGService ragService;privatefinalLangChainRAGService langChainRAGService;/** * 上传文档 */@PostMapping("/documents/upload")publicResponseEntity<String>uploadDocument(@RequestParam("file")MultipartFile file){try{Path tempFile =Files.createTempFile("upload",".txt"); file.transferTo(tempFile);// 使用 Spring AI 方式// ragService.loadAndStoreDocuments(new FileSystemResource(tempFile));// 使用 LangChain4j 方式 langChainRAGService.ingestDocuments(tempFile.toString());returnResponseEntity.ok("Document uploaded and processed successfully");}catch(Exception e){ log.error("Error processing document", e);returnResponseEntity.status(500).body("Error processing document");}}/** * 问答接口 */@PostMapping("/chat")publicResponseEntity<ChatResponse>chat(@RequestBodyChatRequest request){String answer = langChainRAGService.chat(request.getMessage());returnResponseEntity.ok(newChatResponse(answer));}/** * 语义搜索 */@GetMapping("/search")publicResponseEntity<List<SearchResult>>search(@RequestParamString query,@RequestParam(defaultValue ="5")int topK){List<TextSegment> results = langChainRAGService.semanticSearch(query, topK);List<SearchResult> searchResults = results.stream().map(segment ->newSearchResult(segment.text(),null)).toList();returnResponseEntity.ok(searchResults);}}

七、最佳实践与性能优化

7.1 向量维度选择

  • text-embedding-ada-002 (OpenAI): 1536 维
  • all-MiniLM-L6-v2: 384 维
  • paraphrase-multilingual-MiniLM-L12-v2: 384 维（多语言）

建议：根据模型选择合适的维度，维度越高精度越高但存储和搜索成本也越高。

7.2 分片策略

// 创建分片集合Collections.CreateCollection createCollection =Collections.CreateCollection.newBuilder().setVectorsConfig(vectorParams).setShardNumber(4)// 4 个分片.setReplicationFactor(2)// 每个分片 2 个副本.build();

7.3 索引参数调优

Collections.HnswConfigDiff hnswConfig =Collections.HnswConfigDiff.newBuilder().setM(16)// 每个节点连接数（范围 2-100）.setEfConstruct(100)// 构建索引时的搜索深度.setFullScanThreshold(10000)// 触发全扫描的向量数量阈值.build();

7.4 批量操作优化

// 批量插入时控制批次大小publicvoidbatchUpsert(String collectionName,List<PointData> allPoints)throwsException{int batchSize =100;List<List<PointData>> batches =Lists.partition(allPoints, batchSize);for(List<PointData> batch : batches){upsertPoints(collectionName, batch);Thread.sleep(100);// 避免 QPS 过高}}

八、总结

Qdrant 作为一款现代化的向量数据库，具有以下优势：

  1. 高性能：基于 Rust 实现，性能出色
  2. 易集成：提供多语言客户端，与 Spring AI、LangChain 等框架集成良好
  3. 功能丰富：支持过滤、分片、复制等企业级特性
  4. 开源免费：完全开源，无供应商锁定

通过本文的介绍，你应该能够：

  • 理解 Qdrant 的核心概念和特性
  • 在 Spring Boot 项目中集成 Qdrant
  • 配合 Spring AI 和 LangChain4j 构建 RAG 应用
  • 掌握基本的性能优化技巧

接下来，建议你：

  1. 从简单的语义搜索开始实践
  2. 逐步构建完整的 RAG 应用
  3. 根据业务需求优化向量维度、索引参数等配置

参考资源

  • Qdrant 官方文档: https://qdrant.tech/documentation/
  • Spring AI 文档: https://docs.spring.io/spring-ai/reference/
  • LangChain4j 文档: https://docs.langchain4j.dev/
  • Qdrant Java Client: https://github.com/qdrant/qdrant-client-java

Read more

OpenClaw 钉钉群聊多机器人配置完全指南

OpenClaw 钉钉群聊多机器人配置完全指南

OpenClaw 钉钉群聊多机器人配置完全指南 在团队协作中，配置多个专用机器人可以显著提升工作效率——不同的机器人可以分别负责写作、编码、数据分析等不同任务。本文将详细介绍如何在使用OpenClaw的钉钉群聊中配置多个任务机器人，并进一步讲解如何为每个机器人赋予独特的性格和工作规范。 一、钉钉端配置 首先，我们需要在钉钉开放平台创建多个任务机器人。 1.1 创建机器人 1. 按照上述步骤，根据实际需求创建多个机器人。 机器人创建完成后，务必记下 Client ID 和 Client Secret，这些信息后续配置会用到。 访问 钉钉开发者平台，点击立即创建按钮创建任务机器人。 二、OpenClaw端配置 完成钉钉端的配置后，接下来我们在OpenClaw中进行相应的设置（默认已装过钉钉插件）。 # 安装钉钉渠道插件 openclaw plugins install @dingtalk-real-ai/dingtalk-connector # 重启 gateway openclaw gateway restart 2.1 添加 Agent
乐言科技VS店小蜜VS晓多VS智齿科技VS网易七鱼：2025电商客服机器人实测

乐言科技VS店小蜜VS晓多VS智齿科技VS网易七鱼：2025电商客服机器人实测

2025 年中国智能客服机器人市场规模已达 150 亿元，其中电商领域占比超 30%，成为商家降本增效的核心工具。那么商家该如何选择适合自己的服务商呢？ 为了给商家朋友们解疑答惑，我们选取阿里系单店、多平台连锁、垂直品类专营店、跨境电商四类商家场景，对五家市场主流品牌开展实测，聚焦响应效率、意图识别、场景覆盖、多平台适配四大核心维度，全程只谈功能差异，不做主观褒贬。 一、实测维度一：响应效率 + 多平台管理 运营成本差异对比 * 乐言科技：多平台聚合能力领跑行业。其电商智能客服机器人 “全渠道聚合应答” 能够将10+主流电商平台咨询消息统一接入，无需切换后台即可回复买家。日常时段各平台响应速度稳定在 0.8-1 秒，各平台速度差异不超 0.2 秒。核心优势在于 “跨平台话术一键同步”，修改一条售后话术可同步至所有渠道，比单独设置效率提升 60%。 * 阿里店小蜜：阿里生态内效率天花板。淘宝、天猫店铺日常响应 0.
MK米客方德SD NAND:无人机存储的高效解决方案

MK米客方德SD NAND:无人机存储的高效解决方案

在无人机技术迅猛发展的当下，飞控系统的数据记录对于飞行性能剖析、故障排查以及飞行安全保障极为关键。以往，SD 卡是飞控 LOG 记录常见的存储介质，但随着技术的革新，新的存储方案不断涌现。本文聚焦于以 ESP32 芯片为主控制器的无人机，创新性采用 SD NAND 芯片 MKDV32GCL-STPA 芯片进行 SD NAND 存储，测试其在飞控 LOG 记录功能中的表现。 米客方德 SD NAND 芯片特性 免驱动优势：与普通存储设备不同，在该应用场景下，SD NAND 无需编写复杂的驱动程序。这极大地简化了开发流程，缩短了开发周期，减少了潜在的驱动兼容性问题，让开发者能够更专注于实现核心功能。 自带坏块管理功能：存储设备出现坏块难以避免，而 MKDV32GCL - STPA 芯片自带的坏块管理机制可自动检测并处理坏块。这确保了数据存储的可靠性，避免因坏块导致的数据丢失或错误写入，提升了整个存储系统的稳定性。 尺寸小巧与强兼容性：
面向无人机和智能手机的YOLOv8模型改进实战—棉叶病虫害多尺度目标检测

面向无人机和智能手机的YOLOv8模型改进实战—棉叶病虫害多尺度目标检测

一、引言        YOLO（You Only Look Once）作为一种非常流行的目标检测算法，以其高效和准确性而闻名。YOLOv8作为这一系列算法较新颖的版本，相较于其前身在准确性、速度和模型大小方面都有所改进。博主将分享1篇发表在《Industrial Crops and Products》（中科院1区TOP）的“CPD-YOLO: A cross-platform detection method for cotton pests and diseases using UAV and smartphone imaging”，说明YOLOv8模型在跨平台（无人机+手机）场景下的棉花病虫害多尺度目标检测中的应用。主要改进点如下： （1）特征融合改善：构建Bi-FPN +RepTransformer网络，实现多尺度特征的高效融合与推理加速。 （2）检测头增加：设计4头动态检测网络，赋予模型多维动态感知能力。 （3）损失函数优化：