做项目的教训

  因为我是刚刚工作,开始进入公司的时候压力很大,想好好的表现一下自己。所以能够做的事情,尽量以最快的速度做好,有点难度的也尽量去完成。

  这样的话,就可能出现一些问题。在进行开发的时候每做一个模块,因为想以最快速度完成,所以有时候所谓的一个功能点的完成只是主要功能完成了。还有很多细节没有很好的处理,想着以后有时间了在处理--这是很不好很不好的想法。这个时候如果上级问你做完了没有,你就会可能说基本上做完了,(你的上级对“基本上”的概念肯定是和你的不一样的),这个时候你的上级也许很开心,会夸奖你。但是这却是你噩梦的开始。这个时候你的上级肯定会在分配新的任务,因为他会感觉你的能力会强一点,所以给你的时间又会少点。这个时候你那里又时间在回过头来去处理你遗留下来的细节。更不要说进行细致的功能自测了。这就为以后灾难的日子埋下了种子。

    这个时候你开始进行新的功能点的开发了,一般这个时候,你完成的功能点应该会交到测试部去测试。测试的结果是可想而知的。肯定会有很多的bug,如果没有---那么你就是高手了(不在我说的范围了)。这个时候你就要开始你苦难的日子了。

一边进行新的功能点的开发,一边要fix bug。压力会很大。加班就是必然的了。这个时候你上级会看你的代码。代码没有注释,逻辑有点乱。代码不够复用。这个时候你的上级就会对你的能力表示怀疑。以后也不敢放心给功能点做了。而且以后一出错,你的上级就会首先去想是不是你的代码出现了问题。这样你没有能很好的表现自己的能力,反而会让你的上级感觉你做事不稳重。

  综合上诉,我认为刚刚开始工作的人应该认认真真的在规定时间内做好自己的事。处理好代码的细节。细节真的很重要,以前我没有意识到。现在我是深刻的意识到。只有很好的代码规范,才能真正有效的节省开发时间。代码注释一定要有。很重要,因为等一个月后你在来看你的代码,你也不敢说一下就能看的很懂。这个应该说是程序员应该有的习惯。

  开发一定按整体项目的规范去做,不然以后肯定要返工。返工很麻烦的事情。也很费时间。倒不如在开发的时候就这些细节做好。这样就节省了返工的时间。而且让人感觉你的代码质量很高,让人放心。是不是合格的程序员,我认为从这些细节上就能看的出来。

 

   自己犯的错误,自己记下了。也是这个项目教给我最好东西。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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