Git不同业务场景的使用方法

之前碰到有人一直在纠结git的使用,今天在这里特此给大家详细介绍一下有关git的一些常规操作
业务场景1
当我们需要从线上拉取一个项目的代码,需要做到的操作步骤如下:
1.git init (在本地新建一个文件夹,用来放从线上拉取下来的项目,并且初始化)
2.添加远程仓库,这里我们可以提供一个名字,作为之后方便引用

git remote add dyx url(git 上面的地址)

3.这个时候我们可以查看一下目录下的所有的项目

git remote -v

4.这个时候就可以下载代码到本地了

git clone + url
如果需要单独下载某分支上边的代码,可以这样写
git clone -b 分支名 +url

业务场景2
我们在实际开发工作中,还会经常出现,需要在本地创建一个分支,将其连接到远程仓库,上传这个分支的代码到远程的仓库,等到项目开发完成后,我们就可以将此分支的代码合并到主分支上,完成整个项目的合并和上线。
1.先连接远程仓库,clone代码到本地
2.拉取数据

git pull origin master

3.创建本地分支并跳转

git checkout -b Test(分支名)

4.将本地分支推送到github仓库

git push origin Test

下边补充一下 git的一些常用命令

1.创建分支
git branch +分支名

2.查看分支
git branch

3.跳转到某分支下
git switch +分支名或git checkout +分支名

4.删除本地分支
git branch -d +分支名

5.合并分支到当前
git merge +分支名
  • 0
    点赞
  • 1
    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
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