git初步使用

自己很早前就有了github账号,但由于没有好好去研究如何使用,于是也就只在github上下载下载项目源码,没有真正用起来过,这周刚好有时间,学习了如何使用git.
一.下载git
这个百度下git下载就行,github官网也有,不过自己下起来很卡,也没装起来。我用的是百度提供的下载链接。
二.配置
1.使用git config可以设置很多参数, 首先设置下用户名和邮箱
git config –global user.name “Your Name”
git config –global user.email “you@example.com”
–global表示是全局(当前用户),这些配置信息会在用户主目录下的.gitconfig里面。如果不加,表示当前仓库。也可以设置别名,颜色区分等。
2.生成密钥,git-keygen -t rsa -C “shuishi456@163.com” 注意git-keygen 中间没有空格,在用户主目录,用cd ~可以到达,看到.ssh文件夹,id_rsa.pub为公钥,需要放到github的密钥管理。

三.使用
1.git clone或git remote add添加仓库关联
git init 用来将当前目录初始化为一个本地仓库
git clone 用来将一个远程仓库复制到本地,到仓库里面找到它的ssh地址,git clone + 地址就行,注意,git clone命令不要再本地仓库中使 用。
git remote add用来关联,首先在git上创建一个空的仓库,主要readme.md也不要创建,用默认选项就行,之后就会看到提示怎么关联。

 2.提交文件,分支和回滚
 git add + 文件名  用来添加文件到暂存区
 git commit -m "备注"  用来提交暂存区的文件到本地分支
 git rm用于删除一个文件
 git checkout -- file可以丢弃工作区的修改,从当前分支恢复
 git push -u origin master  -u 推送全部   origin  远程仓库别名(默认)  master本地主分支(默认)

 3.分支
 创建分支用 git branch  git checkout用来切换分支
 git checkout -b dev 用来创建dev分支并切换当前分支至dev分支,删除加上 -b
 git branch命令会列出所有分支,当前分支前面会标一个*号。
 git reflog 可以查看提交记录
 回退分支提交 git reset --hard HEAD^回退到上一个版本,如果很多可以用~100,表示回退到前100个版本
 git reset --hard 版本号前几位   就可以回到这个版本

 git status 查看状态
 git diff 查看文件变化

 4.标签

git tag v1.0 打一个新标签,相当于一个快照 对历史提交打标签 git tag v0.9 6224937
-a指定标签名,-m指定说明文字:
git show tag-name 可以查看tag的详细信息
git tag -s -m “blablabla…”可以用PGP签名标签;
git tag -d v0.1 删除标签
git push origin v0.1 推送一个标签到远程
git push origin –tags 推送全部未推送的标签到远程

四.注意事项:
 1.分支原则:
 master分支是主分支,因此要时刻与远程同步;
 dev分支是开发分支,团队所有成员都需要在上面工作,所以也需要与远程同步;
 bug分支只用于在本地修复bug,就没必要推到远程了,除非老板要看看你每周到底修复了几个bug;feature分支是否推到远程,取决于你是否和你的小伙伴合作在上面开发。

 2.忽略敏感信息
 .gitignore 用来忽略中间文件和敏感配置文件
  • 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
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