开源项目 `useful` 使用教程

开源项目 useful 使用教程

usefulSome Clojure functions we use all the time, and so can you.项目地址:https://gitcode.com/gh_mirrors/us/useful

项目介绍

useful 是一个由 clj-commons 维护的 Clojure 库,旨在提供一组实用的函数和宏,以简化常见的编程任务。这个库包含了多种工具,如集合操作、字符串处理、日期时间操作等,使得开发者能够更高效地编写代码。

项目快速启动

安装

首先,确保你已经安装了 Clojure 和 Leiningen。然后在你的项目 project.clj 文件中添加以下依赖:

[clj-commons/useful "0.11.5"]

使用示例

以下是一个简单的示例,展示了如何使用 useful 库中的 map-vals 函数:

(require '[clj-commons.useful :as useful])

(def my-map {:a 1 :b 2 :c 3})

(useful/map-vals #(* 2 %) my-map)
;; => {:a 2 :b 4 :c 6}

应用案例和最佳实践

应用案例

假设你正在开发一个电子商务网站,需要对用户购物车中的商品数量进行批量更新。使用 useful 库中的 map-vals 函数可以轻松实现这一功能:

(def cart {:apple 5 :banana 3 :orange 2})

(defn update-quantity [cart item quantity]
  (update cart item #(max 0 (+ % quantity))))

(update-quantity cart :apple -2)
;; => {:apple 3 :banana 3 :orange 2}

最佳实践

  • 合理使用函数组合:利用 useful 库中的多个函数组合,可以实现更复杂的功能。
  • 避免过度优化:在性能不是瓶颈的情况下,优先考虑代码的可读性和维护性。

典型生态项目

useful 库与以下 Clojure 生态项目配合使用效果更佳:

  • clojure.spec:用于数据验证和生成,与 useful 库中的数据处理函数结合使用,可以提高代码的健壮性。
  • mount:用于状态管理,与 useful 库中的状态处理函数结合使用,可以简化应用的状态管理。
  • compojure:用于构建 Web 应用,与 useful 库中的 HTTP 处理函数结合使用,可以提高 Web 应用的开发效率。

通过结合这些生态项目,可以构建出更加强大和灵活的 Clojure 应用。

usefulSome Clojure functions we use all the time, and so can you.项目地址:https://gitcode.com/gh_mirrors/us/useful

  • 2
    点赞
  • 3
    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

樊声嘉Jack

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