推荐开源项目:i3wsr - 工作区重命名神器

推荐开源项目:i3wsr - 工作区重命名神器

i3wsrChange i3-wm workspace names based on content项目地址:https://gitcode.com/gh_mirrors/i3/i3wsr

i3wsr 是一款小巧的工具,专为i3窗口管理器设计,它利用i3的IPC接口动态地根据工作区内窗口的内容来更改工作区的名字。这款软件让你的工作空间管理更直观,更个性化。

项目简介

i3wsr将工作区中的每个窗口的WM_CLASS属性组合起来作为工作区的名称,例如,你可以看到一个名为"Emacs|Firefox"的工作区,这意味着这个区域同时打开了Emacs和Firefox。就像上面的预览图所示,i3wsr在动作中非常直观且实用。

技术剖析

i3wsr依赖于XCB库来与X11窗口系统通信,并通过Rust编程语言实现。它提供了配置选项,如别名设置、图标选择,甚至可以自定义分隔符。此外,它还支持不同类型的窗口属性(类、实例或名字)来确定显示的名称。

应用场景

对于使用i3或其他基于它的窗口管理器(如Sway)的高级用户来说,i3wsr是一个极好的补充工具。它可以:

  1. 帮助你快速识别打开的应用程序,只需看一眼工作区的名字就知道。
  2. 自动更新工作区名称,无需手动操作。
  3. 让你的桌面环境更加整洁、有条理。

项目特点

  • 智能命名: 根据工作区内窗口的类型自动命名。
  • 可定制性强: 支持别名设定,可以对特定应用程序的类名进行简化。
  • 图标支持: 可以配置自定义图标,让工作区看起来更具视觉吸引力。
  • 配置灵活: 除了命令行参数,还可以通过配置文件设定更多选项,如禁用窗口名称显示、去除重复名称等。
  • 跨平台: 支持Arch Linux以及其他使用Rust和Cargo构建系统的系统。

安装与使用

在安装Rust和Cargo之后,只需一条简单的cargo install i3wsr命令即可。然后在你的i3配置文件中添加启动命令,i3wsr就会监听并自动更新工作区名称了。

配置选项

i3wsr提供多种配置方式,包括窗口属性选择(类、实例或名字)、别名映射、图标设置,以及控制是否显示图标和名称等。例如,你可以创建一个别名,将"Google-chrome-unstable"映射为"Chrome-dev",使得显示更为简洁。

Arch Linux 用户

Arch Linux 用户可以通过AUR安装稳定版或最新版的i3wsr。

结语

如果你是i3窗口管理器的爱好者,追求高效有序的桌面环境,那么i3wsr绝对值得一试。立即加入,让您的工作空间焕然一新,提升工作效率!

i3wsrChange i3-wm workspace names based on content项目地址:https://gitcode.com/gh_mirrors/i3/i3wsr

  • 5
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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

打赏作者

乌昱有Melanie

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