将vim整合进开发环境

虽然敲代码已经很多年,由于主要的开发语言一直是Java,IDE仅仅用过比较主流的Eclipse和Android Studio。

vim对程序员来说肯定是家喻户晓,但接触机会非常少,加之习惯了Eclipse和代码补全功能,一直以来对vim算是敬而远之。

然而现在工作的地方不知为何刮起了vim风,有幸收获了一些关于使用vim的经验。对IDE和自己的开发环境进行了一些整顿。当然下面提到的一些插件和工具都是很久以前已经存在的了,不算是什么新颖的东西。不过通过这些工具能使自己的开发环境和vim纠缠在一起,逼迫自己使用vim,而那些繁琐的vim命令,通过不断操作练习的积累最终被记忆,从而能熟练地操控vim。


简单说一下为什么要使用vim

1.避免使用方向健。

方向健与字母键距离太远,使用不便。而且每次只能一个字符,完全是浪费时间。

2.避免使用鼠标。

鼠标和键盘距离太远,使用不便。

右/左手频繁运动于键盘鼠标之间很容易使其疲劳过度导致腱鞘炎。

3.尽量避免使用辅助键。

辅助键与字母键距离太远,使用不便。

shift/ctrl之类的比较容易按,可以配合使用。


接着谈一下vim与开发环境的整合。由于因本人的工作问题,以下内容主要基于Java的开发环境。

1.Chrome的vimium插件。

这个可能是最容易上手的插件。如果担心因不熟悉vim而导致开发效率骤降,那么先从网页浏览器练手是个不错的选择。

特殊快捷键: f 显示页面上的所有链接并与将各个连接与键盘的某些键绑定,按下绑定键后即能打开连接。


2.Eclipse的vrapper插件。

既能让文件编辑变得有vim风,同时eclipse原有的一些辅助功能(代码补全)也得到保留。vim与eclipse的快捷键如果不冲突的话是能共存的(多余的话)。至少本人目前用下来的感觉还没有令人难受的地方。


3.terminal开启vim模式

本人习惯了使用zsh,主要原因就是因为它花里花哨,次要原因是更好的命令补全功能。

开启vim模式命令

bindkey -v

bash的话应该是set  -o vi

terminal有一点不方便的就是无法识别就是是处在normal还是insert模式。解决问题的方案谷歌一下会有一大堆。随便复制粘贴一下就能搞定。本人的话是装了oh-my-zsh这个插件,然后在terminal的命令行右侧显示normal/insert。题外话oh-my-zsh真的是略慢,每次敲个命令要定1,2秒,正考虑使用其他插件。


最后说一下insert模式和normal模式,默认是用esc或ctrl [切换的。使用起来是还是不太舒服的,看了网上的一些资料,讲切换键改成连按j(jj)是很多人的做法。英语里面没有包含jj的单词,所以一般情况下是不会有问题的,当然中文的话...我觉得也是没有的。


附:

其他的vim整合插件

Intellij IDEA -- IdeaVIM

ATOM -- vim-mode

Firefox -- Vimperator

Safari -- vimari

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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