2019网络赛总结

今年的网络赛,包括从一开始的CCPC到昨天结束了的ICPC,

总的来说发挥是很差的,补了一暑假的图论知识基本上是一次都没有用到,非常的难受,

说说我们不足的地方吧,

首先,从一开始我就感觉出来了,我们队伍的整体的氛围是很差的,这个氛围是指我们队伍内讨论的情况,就像是各打个的,一个题目下来了基本上没有什么讨论的地方,比如做题中,刚说一句是不是某某知识点或者是让某某听一下思路,一句不知道和你写写试试吧,就给我打了回来,这样的氛围是不对的,感觉讨论应该是一个相互的过程。你说一句我说一句,可能中间有很多错误的分叉点,而不是只听某一个人说,如果继续这样的话那我们不如一人就是一个队伍了,

上面说的对内讨论的情况每一场比赛过后每个人都能够分析到吧,有所改善但个人感觉还是不够,以后的训练赛或者是什么比赛都要注意这一点,有些人性格就是不怎么爱说话的,但是也要及时的认同或者是否认我的观点并说出我错误的地方,这应该是最起码的。

其次就是队伍内的卡题问题了,这种情况的话,平时的话我是有的,但是这次网络赛我发现大饼表现的非常充分,他是负责数学的,我和管少能帮上他的也不是很多,主要部分还是要由他来弄,我们的话是经常双开的,但是觉得如果一道题目老是卡在那里实际上是很不值的,出了可能还好,如果没出呢?那是不是就是一道题目从开始卡到结尾了,而且是对整体没有任何的帮助,这样说话实际上是非常的结果论的,其实卡题的很难受,我们搞另外的也是很难受的

针对上面的卡题,对内沟通的还是要及时交换思路然后去交换代码的去看,因为如果卡了这道题目,可能你个人的思路怎么想都是想不到的,或者是换了一个人他对待这一份代码又有不同的理解,那么是对我们呢找到WA点是很有帮助的,

还有的问题就是上面提到的交换思路,首先你如果是一个负责数学的,那么你要把这个题给你队友,那么肯定的你的队友的数学也是要有一定的数学的功底或者是有关方面的学习的,不然的话,基本上队友接过去一本‘天书’也是很不利的,我主要的是图论方面,一些思维题目或者是水题也基本上由我来写,那么这个时候网络赛的时候我写出来的代码没过的是要及时的给队友一份,明示他我的思路,看看他有没有什么见解,

一开始的我总是忘了去把我的代码思路一并告诉管少,尤其是我某个地方有了新的思路或者是看法之后没有传递给我的队友,有几次都是我的代码管少一改就过了,很悬的东西,问他为什么,可能他当时也说不出来,可能是他比价不善于言明他的思路吧,之后还是要多与其多大平日里的比赛吧,

还是自己太菜了,有的思路有的代码的问题应该可以找到的,但是就会很难找到有的错误,

还是好好的准备接下来的一场区域赛,这一周的时间好好的补补老师说的多校的题目,然后就是把上面的找到的缺点错误改正,

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 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
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