推荐开源项目:cargo-diet - 让你的 Rust 包更精益

推荐开源项目:cargo-diet - 让你的 Rust 包更精益

cargo-dietA cargo-companion to become a 'lean crate' (a member of The Lean Crate Initiative)项目地址:https://gitcode.com/gh_mirrors/ca/cargo-diet

1、项目介绍

cargo diet 是一个与 The Lean Crate Initiative 配套的工具,旨在帮助优化你的 Cargo.toml 文件中的 include 指令。这个项目的目标是让你的 Rust 包在保持构建代码所需的所有相关信息的同时,尽可能地减小包的大小,包括 crates.iolib.rs 上的有用信息。

cargo diet 并不强求最佳实践,它只是一个初始建议者,你可以根据自己的需求调整其生成的 include 指令。该项目以非侵入性的方式运作,确保你在后续使用中仍然拥有完全的控制权。

2、项目技术分析

cargo diet 使用 Rust 语言编写,并且可以通过 Cargo 工具进行安装。它可以编辑 Cargo.toml 文件,智能计算出最小化的 include 直接,从而达到瘦身包的目的。此外,它还提供了干燥运行模式(dry-run),让用户可以在不影响实际文件的情况下预览优化结果。如果已存在 include 指令,可以使用重置功能强制重新计算。

项目还包括了一个自动化安装脚本,便于在不同环境中快速部署。另外,特别针对 CI/CD 流程,cargo diet 提供了一种方法来限制包的大小,防止意外添加文件导致包过大。

3、项目及技术应用场景

  • 对于任何希望优化 Rust 包大小的开发者来说,cargo diet 是一个理想的选择。
  • 在持续集成环境中,可以利用 cargo diet 的包大小限制功能,确保每次代码变动后,新发布的包不会超过预期大小。
  • 开源库维护者可以使用该工具,提供更轻量级的包给使用者下载,提升用户体验。
  • 教育场景下,学习 Rust 的学生可以通过 cargo diet 学习如何优化项目结构和依赖管理。

4、项目特点

  • 智能优化:自动计算最优的 include 指令。
  • 非侵入性:不影响你后续对 include 的个性化调整。
  • 可模拟运行:先试后用,无风险地查看优化效果。
  • 方便的安装:通过 Cargo 或预编译二进制文件轻松安装。
  • CI/CD 集成:支持设置包大小限制,避免不必要的大包发布。

总之,cargo diet 是 Rust 社区的一个有价值的贡献,它能帮助开发者创建更加精益、高效的项目。如果你正在寻找一种优化包体积的方法,不妨试试看 cargo diet

cargo-dietA cargo-companion to become a 'lean crate' (a member of The Lean Crate Initiative)项目地址:https://gitcode.com/gh_mirrors/ca/cargo-diet

  • 5
    点赞
  • 6
    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 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 软件都安装成功后才算成功 3、安装好软件后,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

温宝沫Morgan

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