安卓玩机工具----一键备份手机分区 防止全檫除或者格机导致安全数据分区丢失

工具说明;

       目前玩机root后有很多格机脚本。模块等等误刷会导致基带信号等等问题,在前面的博文中我有介绍过备份主要数据分区的重要性 。其实对于不了解root和不安装有些模块 外挂等等需要的友友不建议对手机进行root。root后对于手机安全性会有所降低。对于玩家来说root后有很大必要备份数据分区。

      这款工具是开源的。博文后会给开源的下载地址。资深玩家也可以自行修改其中的脚本用于其他安卓机型。工具用于备份手机分区到电脑和手机存储。而且方便操作。一键式备份与恢复。

同类博文:

安卓玩机工具推荐----MTK芯片 简单制作线刷包 备份分区 备份基带 去除锁类 推荐工具操作解析_联发科nv和基带备份-CSDN博客 工具操作的前提;

首先机型需要开启usb调试。并且授权电脑。手机需要root权限【不然没有权限读写分区】

首先我们下载后解压然后打开工具界面 。注意我是改了脚本名字。原文件脚本

extract_images.bat对应备份.bat

flash_images.bat对应刷写.bat

先来查看下备份的脚本文件

会一些脚本常识的应该很明了的就知道脚本的具体含义。任何操作我建议都首先要明白其原理 。对玩机有很大的帮助,通过脚本你可以修改其中 增加或者减少分区,其实都很简单

原脚本代码

setlocal enabledelayedexpansion
set PATH=%~dp0platform-tools;%PATH%

set output_dir=C:\deviceImages
set device_images_dir=/sdcard/deviceImages

set partitions=abl_a abl_b ALIGN_TO_128K_1 ALIGN_TO_128K_2 aop_a aop_b aop_config_a aop_config_b apdp apdp2 bk01 bk010 bk02 bk03 bk04 bk05 bk06 bk07 bk31 bk32 bk41_a bk41_b bk42 bk43 bk51 bluetooth_a bluetooth_b boot_a boot_b cdt connsec countrycode cpucp_a cpucp_b crash_history dbg ddr devcfg_a devcfg_b devinfo dip dsp_a dsp_b dtbo_a dtbo_b fastboot featenabler_a featenabler_b ffu frp fsc fsg gsort hyp_a hyp_b imagefv_a imagefv_b keymaster_a keymaster_b keystore limits-cdsp limits logfs mbnconfig mdcompress mdtpsecapp_a mdtpsecapp_b mdtp_a mdtp_b mem metadata minidump misc modemst1 modemst2 modem_a modem_b mtdblk multiimgoem_a multiimgoem_b multiimgqti_a multiimgqti_b oops opconfig persist qmcs qupfw_a qupfw_b qweslicstore_a qweslicstore_b rawdump recovery_a recovery_b rescue rtice secdata shrm_a shrm_b splash ssd storsec switch toolsfv tzsc tz_a tz_b uefisecapp_a uefisecapp_b uefivarstore uefi_a uefi_b vbmeta_a vbmeta_b vbmeta_system_a vbmeta_system_b vendor_boot_a vendor_boot_b vm-data xbl_a xbl_b xbl_config_a xbl_config_b xbl_ramdump_a xbl_ramdump_b xbl_sc_logs xbl_sc_test_mode

if not exist "%output_dir%" (
    mkdir "%output_dir%"
)

adb shell mkdir -p %device_images_dir%

for %%p in (%partitions%) do (
    set partition_name=%%p

    echo Extracting image of partition %%p...
    adb shell su -c "dd if=/dev/block/bootdevice/by-name/%%p of=%device_images_dir%/!partition_name!.img"
    adb pull %device_images_dir%/!partition_name!.img %output_dir%\!partition_name!.img
    echo Image of partition %%p has been saved to %output_dir%\!partition_name!.img
)

echo All partition images, except cust and super partitions, have been successfully extracted.
pause

操作演示

手机链接电脑。装好联机驱动。usb调试开启 并且电脑端允许后双击备份.bat进行操作。来看看演示动画

可以看到会自动创建文件夹deviceImages并且把分区备份到里面。操作很简单。作者默认去除了super和cust分区。因为两个分区占用空间较大。自己有能力可以自行添加减少分区。并且会同步存储到手机存储的deviceImages文件夹里。双向双端同步备份.

总结:

工具操作原理看脚本就可以明白。通过查看原机分区表来备份分区。操作简单。刷写也很简单.有root权限的友友可以操作体验。没有多大的技术含量

开源地址;https://github.com/Ranshen1209/Ranshen-s-backupFonts/releases/tag/v1.0

在详细的教程都只是拓展你的操作思路。打开你的思维。在操作中并运用分析,感受,联想,思考的一种学习方法.

教程只是本人的一些浅薄分析与步骤演示。不到之处请谅解。如果对你有些许帮助,请点个赞赞呗

 

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

安卓机器

如果感觉对你有点用处,请适打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值