看到一篇阿里人的文章感悟

我觉得说的很有道理,留作以后工作的反省吧。

1. 做好并行

 

并发:concurrent 并行:parallel 并发在微观时间层面不是同时进行的,而并行是平行的意思,就是一直同时推进的。

作为一个工程师,毫无疑问我们大家都是单核CPU,单一时间只能处理好一件事情。但是工程师要自己做好任务调度,在技术和业务的推进上,或者多件重要事项的推进上,一定要给人以并行的感觉。决不能说,这周我业务忙,所以我的技术项目就没有进展了;或者说这周技术项目来不及了,我就不管业务了把;甚至是我推荐A业务,B业务没进展了。

工程师自己要定好优先级,合理的对任务进行分解。我们都是人,不是简单的机器,不存在只能做A做不了B的情况。如果真的是A太紧急太多了,那就要考虑是不是过去重要不紧急的事项做少了——是不是我们没有沉淀出高效工具&平台、是不是排期有问题、哪些地方还可以优化?

为什么一定要做好并行?随着职责的提升,从初级到高级,从技术到管理,工程师负责的项目会越来越多,哪怕将核心目标定的再好,位于绿色象限的事项也会变多。若一开始就做单细胞生物,这个时候就会捉襟见肘。所以要一开始就拆分任务,在合理的区间中做任务调度,不断培养自己这个能力。

2. 建立自己的影响力

一定一定要珍惜自己的羽毛。一旦固有印象被建立,想再改变可能要付出10倍以上的努力才能改变

高效/靠谱的影响力有什么好处?

  • 更多的资源:没人会去挑战你的排期/核心的技术项目给你做
  • 更多的体谅:做不完不是你不努力,肯定是其他原因;偶尔搞不定也没关系
  • 尊重:业务方不再把你当工具人,而是把你当伙伴

如何在一个新环境快速建立自己的影响力?

  • 共情:多站在合作伙伴的角度考虑,别人的问题哪怕不能及时回答,也可以先表示下收到了,并给出预期的答复时间。解别人之所难
  • 努力:高效处理事项,提出完善的解决方案,能别人所不能
  • 认真:有代码洁癖,不允许可以跑但是有逻辑缺陷的代码被提交,线上bug量很少
  • 靠谱:不随便承诺,承诺了必实现。决不出现答应你晚上给,结果第二天还没有给到的情况。
  • 兜底:提前预测到可能的风险,被告知大家。不给别人犯错的机会。

个人影响力的建立,既影响自己的业务方,也自己的上下级,所以影响力的建设是贯穿在整个工作中,当然,像我也在生活中不断建设自己靠谱的形象,有百益而无一害

3.持续反思

做到了上面几点之后,还需要持续反思。人是不可能不犯错的。我其实挺信奉一句话:做的多才会错的多。犯了错不要紧,重要的有没有解决的方案,并且保证下次不会再在同一个错误上犯错

古人云:一日三省吾身。我们做不到一日三省,在每天晚上盘点下今天的所作所为,有哪些还可以持续改进的地方。不光是反思错误,也可以反思自己或者别人做的好的地方,为什么做的好,如何将之总结为一个套路,保证以后类似的事情都可以快速套用。所谓“见贤思齐焉,见不贤而内自省也”,就是这个意思吧。


 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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
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