开源项目 Demo_ButtonImageTitleEdgeInsets 使用教程

开源项目 Demo_ButtonImageTitleEdgeInsets 使用教程

Demo_ButtonImageTitleEdgeInsets用button的titleEdgeInsets和 imageEdgeInsets属性来实现button文字图片上下或者左右排列的demo项目地址:https://gitcode.com/gh_mirrors/de/Demo_ButtonImageTitleEdgeInsets

项目介绍

Demo_ButtonImageTitleEdgeInsets 是一个用于实现 iOS 按钮文字和图片上下或左右排列的开源项目。通过使用 titleEdgeInsetsimageEdgeInsets 属性,开发者可以灵活地调整按钮的布局。该项目不仅提供了基础的实现方法,还封装了一个分类方法,使得设置按钮的图片和文字位置更加简便。

项目快速启动

安装

你可以通过 CocoaPods 安装该项目:

pod 'LXMButtonImagePosition', '~> 1.2.0'

安装后,在需要使用的地方引入头文件:

#import <UIButton+LXMImagePosition.h>

使用示例

以下是一个简单的使用示例,展示如何设置按钮的图片和文字位置:

UIButton *button = [UIButton buttonWithType:UIButtonTypeCustom];
[button setImage:[UIImage imageNamed:@"example_image"] forState:UIControlStateNormal];
[button setTitle:@"示例文字" forState:UIControlStateNormal];
[button setImagePosition:LXMImagePositionTop spacing:10];

应用案例和最佳实践

应用案例

在实际开发中,按钮的图片和文字排列方式经常需要根据设计需求进行调整。例如,在一个电商应用中,首页的推荐商品按钮可能需要将图片置于文字上方,以吸引用户注意。使用 Demo_ButtonImageTitleEdgeInsets 可以轻松实现这一效果。

最佳实践

  • 缓存计算结果:在快速滑动的列表中使用时,建议缓存文字宽高的计算结果,以优化性能。
  • 适配不同屏幕:确保按钮的布局在不同屏幕尺寸上都能正确显示。
  • 考虑内容边距:在设置 imageEdgeInsetstitleEdgeInsets 时,考虑按钮的内容边距,以确保按钮的固有尺寸计算正确。

典型生态项目

Demo_ButtonImageTitleEdgeInsets 作为一个专注于按钮布局的开源项目,可以与其他 iOS 开发工具和框架结合使用,例如:

  • Auto Layout:结合 Auto Layout 实现更复杂的界面布局。
  • RxSwift:与 RxSwift 结合,实现响应式编程,简化按钮事件处理。
  • SnapKit:使用 SnapKit 简化 Auto Layout 的代码编写。

通过这些生态项目的结合,可以进一步提升开发效率和应用性能。

Demo_ButtonImageTitleEdgeInsets用button的titleEdgeInsets和 imageEdgeInsets属性来实现button文字图片上下或者左右排列的demo项目地址:https://gitcode.com/gh_mirrors/de/Demo_ButtonImageTitleEdgeInsets

  • 18
    点赞
  • 5
    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

翟萌耘Ralph

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