目标确定器(Target Determinator)使用指南

目标确定器(Target Determinator)使用指南

target-determinatorDetermines which Bazel targets were affected between two git commits.项目地址:https://gitcode.com/gh_mirrors/ta/target-determinator


项目介绍

目标确定器(Target Determinator)是一款用于识别两个Git提交之间发生变化的Bazel目标的工具,它提供了二进制程序以及Go语言API接口。通过分析 Git 的差异,这个工具帮助开发者缩小需要重新构建或测试的目标范围,从而加速开发流程。目标确定器支持简单的命令行操作,允许用户指定前后两次提交的修订版本,并且能够自定义Bazel二进制路径、忽略特定文件以及设定Bazel查询表达式来筛选目标。


项目快速启动

要迅速开始使用目标确定器,确保你的环境中已经安装了Bazel和Go。接下来,遵循以下步骤:

安装目标确定器

首先,你需要从其GitHub仓库克隆项目到本地,然后编译二进制文件。

git clone https://github.com/bazel-contrib/target-determinator.git
cd target-determinator
make install

运行目标确定器

假设你想比较最近的一次提交与上一个版本之间的变化,可以执行以下命令:

target-determinator HEAD~1

这里,HEAD~1表示上一次提交。如果你想指定Bazel二进制的具体路径或者添加更多参数,可以这样做:

target-determinator --bazel=/path/to/bazel HEAD~1

应用案例和最佳实践

在日常开发中,目标确定器特别适合持续集成(CI)环境,它可以显著减少不必要的构建时间。最佳实践包括:

  • CI管道集成:将目标确定器集成到CI脚本中,在触发构建前,先确定影响最小的Bazel目标集合。
  • 结合缓存策略:先用目标确定器过滤出改动后的包,再利用如sccache进行基于哈希的缓存,以优化构建速度。
  • 精准测试:仅运行受影响的测试,特别是在大型代码库中,这可以极大地缩短反馈循环。

典型生态项目

虽然目标确定器本身是一个独立工具,但在Bazel生态系统中,它可以与一系列工具协同工作,比如:

  • Bazel: 作为Bazel的辅助工具,提高工作效率和资源利用效率。
  • Sccache: 高效的缓存系统,与目标确定器结合,实现更智能的增量构建和缓存逻辑。
  • Gazelle: 用于自动化维护BUILD文件,尽管不是直接相关,但保持与目标确定器一起使用的Bazel项目结构清晰是最佳实践之一。

目标确定器虽然强大,但在集成到复杂的Bazel构建图之前,建议仔细评估是否确实需要,因为它可能不完全适应所有环境或需求。


以上即是关于目标确定器的基本介绍、快速入门指南、应用场景及它在Bazel生态中的位置。希望这能帮助您高效地管理和构建您的项目。

target-determinatorDetermines which Bazel targets were affected between two git commits.项目地址:https://gitcode.com/gh_mirrors/ta/target-determinator

  • 16
    点赞
  • 7
    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

申梦珏Efrain

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