Obsidian 提醒插件使用指南

Obsidian 提醒插件使用指南

obsidian-reminderReminder plugin for Obsidian项目地址:https://gitcode.com/gh_mirrors/ob/obsidian-reminder


项目介绍

Obsidian 提醒插件 是一个专为 Obsidian 知识管理软件设计的增强工具,它支持创建和管理任务提醒功能。该插件允许用户在笔记中嵌入时间相关的标签,如日期或特定的时间点,以实现简单的日程规划和任务管理。例如,您可以使用类似于 📅 2023-04-01@[2023-04-01] 的格式来标记事件或待办事项,并接收通知。此插件弥补了 Obsidian 原生不支持系统级移动通知的功能,尽管目前它无法提供直接的手机系统通知,但用户可以在桌面端获得提醒。


项目快速启动

安装步骤

  1. 确保您已安装 Obsidian:首先,确认您的电脑上已经安装了 Obsidian

  2. 访问 GitHub 存储库:前往 Obsidian 提醒插件 GitHub 页面

  3. 克隆或下载插件:点击“Code”按钮,然后选择“Download ZIP”,解压文件到本地。

  4. 在 Obsidian 中安装插件

    • 打开 Obsidian,进入设置页面。
    • 转到“社区插件”选项卡。
    • 点击“本地安装”,浏览并选择刚刚解压的插件目录中的 main.js 文件。
  5. 启用插件:安装后,在插件列表找到“Reminder”并启用它。

使用示例

在笔记中添加提醒很简单,例如:

今天的工作安排:
- 开始项目报告 📅 2023-04-05
- 回复团队邮件 @[下午2:00]

保存笔记后,插件将解析这些标签,并按设定的时间通过 Obsidian 提供通知(限于平台支持)。


应用案例和最佳实践

每日记事与任务管理
  • 日常规划:在每天的日记开头列出带有日期的任务,如:“🎨 创作新画作 🗓️ 2023-04-07”。
  • 会议准备:为重要会议设置提醒,比如:“参加会议准备会议资料 @[2023-04-06 09:00]”。
项目跟踪
  • 对大项目分解成子任务,并在每个任务旁加上预计完成日期的标签。
  • 利用 Obsidian 的链接功能和此插件结合,创建项目管理视图,集中查看所有相关提醒。

典型生态项目

虽然本插件专注于提醒功能,但它与其他 Obsidian 生态系统中的工具(如 Dataview、Calendar 插件等)协同工作时,能够显著提升效率。例如:

  • 结合 Dataview,可以创建智能视图,显示即将到期的所有提醒任务,便于统一管理。
  • 配合 Obsidian Publish 分享含有未来计划的笔记,保持个人或团队的日程透明化。

通过以上组合使用,Obsidian 提醒插件不仅仅是简单的日期标记工具,而是成为高效个人和团队生产力的一部分。


以上就是关于 Obsidian 提醒插件的基本介绍、快速启动步骤、应用场景及与生态系统的整合建议。记得随着使用深入,探索更多个性化和定制化的使用方法,以适应您的独特需求。

obsidian-reminderReminder plugin for Obsidian项目地址:https://gitcode.com/gh_mirrors/ob/obsidian-reminder

  • 5
    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

俞兰莎Rosalind

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