Zendesk Garden React Containers 教程

Zendesk Garden React Containers 教程

react-containers:seedling: garden React (no-UI) containers项目地址:https://gitcode.com/gh_mirrors/re/react-containers


项目介绍

Zendesk Garden 的 React Containers 是一个专注于构建高效、可复用且易于维护的 React 组件库部分。它提倡容器-展示分离的设计模式,其中容器组件负责数据获取、状态管理,而展示组件则关注于如何渲染UI。通过这种方式,项目可以保持更高的可测试性和可重用性,使得前端架构更加清晰和模块化。

项目快速启动

要快速启动并运行 Zendesk Garden React Containers,你需要先确保你的开发环境中已经安装了 Node.js 和 npm。

步骤 1: 克隆仓库

首先,从 GitHub 克隆项目到本地:

git clone https://github.com/zendeskgarden/react-containers.git
cd react-containers

步骤 2: 安装依赖

接下来,安装所需的依赖包:

npm install

步骤 3: 运行示例应用

为了查看工作中的组件,运行开发服务器:

npm start

此时,浏览器应自动打开 http://localhost:3000,显示示例应用和可用的容器组件。

应用案例和最佳实践

在实际应用中,利用这些容器组件可以帮助你快速地实现页面布局和数据流的控制。例如,当你构建一个列表详情页面时,可以创建一个容器组件来处理从 API 获取详情数据,然后将数据传递给展示型的子组件进行渲染。这样可以使逻辑和表现分离,提高代码的可读性和可测试性。

最佳实践:

  • 单一职责原则:容器只负责业务逻辑和数据流。
  • 复用展示组件:尽量让展示组件独立,便于多场景复用。
  • 利用高阶组件(HOC)或 Hooks 来增强容器的灵活性和可测试性。

典型生态项目

虽然该仓库聚焦于容器组件,但 Zendesk Garden 提供了一个完整的生态系统,包括但不限于样式工具、图标集和其他UI组件。这些组件协同工作,支持开发者快速搭建一致且符合设计规范的应用界面。例如,配合使用@zendeskgarden/react-buttons来添加交互性按钮,或结合@zendeskgarden/css-components来确保视觉一致性。

为了深入探索这个生态,访问 Zendesk Garden 的官方文档是必不可少的一步,那里提供了关于如何与其他Garden组件集成的详细指导。


以上就是对 Zendesk Garden React Containers 的基本教程概览,希望这能帮助您快速上手并有效利用这一资源丰富的库来提升您的React应用开发体验。

react-containers:seedling: garden React (no-UI) containers项目地址:https://gitcode.com/gh_mirrors/re/react-containers

  • 10
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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

司莹嫣Maude

你的鼓励将是我创作的最大动力

¥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