Jndroid.js 开源项目使用教程

Jndroid.js 开源项目使用教程

Jndroid.jsBuilding WebApp in Android way.项目地址:https://gitcode.com/gh_mirrors/jn/Jndroid.js

1. 项目目录结构及介绍

Jndroid.js 是一个基于JavaScript的框架,旨在以Android开发的方式撰写Web应用。以下是该仓库的基本目录结构及关键文件的简介:

  • src: 包含了核心的源代码文件,是开发者实现框架特性的主要区域。
  • gitignore: 指定了Git在版本控制中应忽略的文件类型或文件夹。
  • jshintrc: 配置文件,用于JSHint,一个JavaScript的代码质量检查工具。
  • travis.yml: 用于Travis CI的配置文件,自动化测试和部署的设置。
  • LICENSE: 许可证文件,说明了软件使用的开放权限和限制。
  • README.md: 项目的主要读我文件,提供了安装、快速入门等基本信息。
  • bower.json: Bower依赖管理文件,定义了项目的名称、版本以及依赖项。
  • gulpfile.js: Gulp构建脚本,用于自动化任务如编译、测试等。
  • index.html: 示例或启动页面,展示了如何在HTML页面中引入并使用Jndroid.js。
  • package.json: Node.js项目标准配置文件,包含项目元数据和npm脚本。

2. 项目的启动文件介绍

虽然严格来说,Jndroid.js作为一个库,并没有直接的“启动文件”。但若要开始一个新的Jndroid.js项目,可以参照其提供的示例或从创建一个新的HTML文件开始。比如,通过以下步骤“启动”你的项目:

  1. 克隆仓库到本地或者通过Bower安装:bower install Jndroid --save.
  2. 在你的HTML文件中引入Jndroid.js,通常这是通过添加类似下面的脚本来完成的:
    <script src="bower-path-to/jndroid/dist/jndroid.min.js"></script>
    

之后,你可以直接在<script>标签内开始写Jndroid.js的代码,以初始化你的应用程序。

3. 项目的配置文件介绍

  • travis.yml: 这不是一个直接与用户日常开发相关的配置,但它对项目维护者很重要,因为它定义了自动构建和测试的过程。如果你计划贡献代码或自己搭建相似的持续集成环境,这将是你需要关注的文件。

  • .bowerrcpackage.json: 在进行项目初始化时,这两个文件起到了配置作用。.bowerrc决定了Bower组件安装的位置,而package.json不仅记录了项目的依赖信息,还可以包含运行脚本的命令,尽管对于纯前端库而言,这些通常较为简单。

综上所述,了解Jndroid.js的目录结构和关键配置文件,能够帮助开发者更快地入手此框架,进行高效的WebApp开发。记得查看README.md获取最新的安装指南和API信息,因为这些是最直接的开发指导资料。

Jndroid.jsBuilding WebApp in Android way.项目地址:https://gitcode.com/gh_mirrors/jn/Jndroid.js

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

韶承孟

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