Ultra:为Clojure开发者打造的极致开发环境

Ultra:为Clojure开发者打造的极致开发环境

ultraA Leiningen plugin for a superior development environment项目地址:https://gitcode.com/gh_mirrors/ult/ultra

项目介绍

Ultra 是一个为Clojure开发者量身定制的Leiningen插件,旨在提供一个极致的开发环境。无论你是经验丰富的Clojure开发者,还是刚刚入门的新手,Ultra都能为你带来前所未有的开发体验。Ultra的作者在过去的五年中虽然没有对项目进行大规模更新,但这并不意味着它已经过时。相反,Ultra已经达到了一个稳定且功能完善的状态,适合广大Clojure开发者使用。

项目技术分析

Ultra的核心功能主要集中在以下几个方面:

  1. REPL增强:Ultra为Clojure的REPL(Read-Eval-Print Loop)提供了丰富的增强功能,包括语法高亮、更好的输出格式化等。
  2. 测试输出优化:Ultra改进了测试输出的显示方式,使得测试结果更加清晰易读。
  3. 堆栈跟踪优化:Ultra提供了更友好的堆栈跟踪信息,帮助开发者快速定位问题。
  4. 配置灵活:Ultra提供了丰富的配置选项,开发者可以根据自己的需求进行个性化设置。

Ultra依赖于多个优秀的开源库,如AvisoNovate/prettygreglook/puget等,这些库为Ultra提供了强大的功能支持。

项目及技术应用场景

Ultra适用于以下场景:

  • Clojure开发环境优化:无论你是开发小型项目还是大型企业级应用,Ultra都能为你的开发环境带来显著的提升。
  • 测试驱动开发(TDD):Ultra优化的测试输出和堆栈跟踪功能,使得测试驱动开发更加高效。
  • REPL驱动的开发:对于习惯使用REPL进行开发的开发者,Ultra的REPL增强功能将大大提升开发效率。

项目特点

  1. 功能完善且稳定:Ultra已经达到了一个“完成”的状态,功能完善且稳定,适合长期使用。
  2. 高度可配置:Ultra提供了丰富的配置选项,开发者可以根据自己的需求进行个性化设置。
  3. 依赖优秀的开源库:Ultra依赖于多个优秀的开源库,这些库为Ultra提供了强大的功能支持。
  4. 社区支持:虽然作者表示不再进行大规模更新,但Ultra仍然接受有帮助的PR,社区的支持使得Ultra能够持续改进。

总结

Ultra是一个为Clojure开发者打造的极致开发环境插件,功能完善且稳定,适合广大Clojure开发者使用。无论你是经验丰富的开发者,还是刚刚入门的新手,Ultra都能为你带来前所未有的开发体验。如果你正在寻找一个能够提升开发效率的工具,不妨试试Ultra,它一定不会让你失望。

立即访问Ultra项目主页

ultraA Leiningen plugin for a superior development environment项目地址:https://gitcode.com/gh_mirrors/ult/ultra

【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 【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

魏鹭千Peacemaker

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