fuckdb 项目使用教程

fuckdb 项目使用教程

fuckdbFrom database generate go struct,help you fuck db fields项目地址:https://gitcode.com/gh_mirrors/fu/fuckdb

项目介绍

fuckdb 是一个帮助开发者从数据库生成 Go 结构体的工具。它通过简单的 Web UI 操作,自动生成与数据库表结构相匹配的 Go 结构体,支持 ORM、JSON 和 XML 标签。fuckdb 的灵感来源于 Seth Shelnutt 的 db2struct 和 ChimeraCoder 的 gojson 包。

项目快速启动

安装

macOS
brew tap hantmac/tap && brew install fuckdb
Linux
wget https://github.com/hantmac/fuckdb/releases/download/v1.0.1/fuckdb_linux.tar.gz && tar -zxvf fuckdb_linux.tar.gz
Windows

下载并解压 fuckdb Windows 版本

启动服务

git clone https://github.com/hantmac/fuckdb.git
cd fuckdb/
make build
./fuckdb server

启动后,访问 http://localhost:8080 即可使用 Web UI。

应用案例和最佳实践

案例一:快速生成 ORM 结构体

假设你有一个 MySQL 数据库,其中有一张 users 表,包含 id, name, email 等字段。使用 fuckdb 可以快速生成对应的 Go 结构体:

  1. 在 Web UI 中填写数据库连接信息。
  2. 选择 users 表。
  3. 点击生成,即可得到如下结构体:
type User struct {
    ID    int    `gorm:"column:id"`
    Name  string `gorm:"column:name"`
    Email string `gorm:"column:email"`
}

最佳实践

  • 使用 fuckdb 生成结构体后,建议手动检查生成的代码,确保字段类型和标签符合项目需求。
  • 对于复杂的表结构,可以结合数据库文档和 fuckdb 生成的结构体进行进一步优化。

典型生态项目

GORM

fuckdb 生成的结构体可以直接用于 GORM,一个流行的 Go ORM 库。通过 GORM,可以方便地进行数据库操作,如增删改查等。

JSON 和 XML 标签

生成的结构体不仅支持 GORM 标签,还支持 JSON 和 XML 标签,方便进行数据序列化和反序列化操作。

通过以上步骤,你可以快速上手并使用 fuckdb 项目,提高 Go 开发效率。

fuckdbFrom database generate go struct,help you fuck db fields项目地址:https://gitcode.com/gh_mirrors/fu/fuckdb

  • 3
    点赞
  • 2
    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

陈昊和

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