不会汇报工作,工作做得再好也白瞎

今天跟大家分享一下除技术之外的一个点,大家可以细心留意一下身边的人,技术好的一定是领导吗?不一定,真的不一定,做领导的人技术不一定是最好的,但一定是最会说的。比如小编,作为一名主管,测试技术只能用“水”来形容,像大家说什么docker、uiautomator2、Django小编是根本不会,但是我会说啊,吧啦吧啦吧啦说的好像我啥都会,其实……一句命令都不会写,在汇报工作的时候,团队做的简单工作我也会说的头头是道,高大上的样子,这样不仅完成了工作,也能得到领导的认可。
说这些的目的就是告诉你,不仅要会写代码,也要会说,不管是晨会还是工作汇报,能清晰的表达你的工作、工作进度、工作排期,才能让你的领导对你放心,说实在的是让他自己安心,因为领导的工作就是保证大家按照预期完成工作,如果因为你不能完成工作导致他每天担惊受怕,怕他的领导批评他,那他肯定会让你走人的。

如果对软件测试、接口测试、自动化测试、面试经验交流。感兴趣可以加软件测试交流:1085991341,还会有同行一起技术交流。
那我们要怎么做汇报或者说明自己的工作呢?

如果是做汇报,那你就要从如下几点来说:

1、先介绍自己用的技术。

比如你用Python写的代码,那就先介绍一下Python这个语言,说明为什么要用这个语言,理由当然不能是“因为我只会Python”,你要说Python语言的好处,比如代码少——写的快,工作有效率;普及率高——越来越多的测试选择Python语言

2、对在做的项目进行简单的介绍

比如你测的是商城系统的自动化,那就说一下为什么做这个,对以后的工作有什么好处

3、对你已经完成的工作进行介绍

这里是领导最关心的。所以你要介绍你在过去的时间里完成了哪些工作、遇到了什么问题、问题是怎么解决的

4、介绍接下来的时间里你要做哪些工作

说明白了做完了什么,也要说接下来还需要做什么工作,这个也要介绍的详细一些,让你的领导心里有个谱

5、时间预期以及做这个自动化的意义

最后就是时间上的安排,你需要花多长时间来完成这个工作,以及完成这个项目以后会给项目带来哪些效率上的提高,能解决哪些问题。

从以上几个方面来进行工作汇报,就可以让领导满意了。
所以说在工作时,埋头苦干是不可行的,虽然说不至于能说会道,但是你要能够理清思路,让自己的汇报或者说明自己工作的时候能够让领导可以听得懂。
以上内容希望对你有帮助,有被帮助到的朋友欢迎点赞,评论。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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
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