第 429 期 Python 周刊

文章,教程和讲座

只需一台树莓派即可将你的 iPad Pro 打造成开发利器

链接:
https://sausheong.github.io/posts/pi4-dev-ipadpro/

该文章介绍了如何将树莓派  4 作为 iPad Pro 的 USB 设备, 从而使用 ipad 进行软件开发。

将 Flask 移植到 FastAPI 进行机器学习模型服务

链接:
https://www.pluralsight.com/tech-blog/porting-flask-to-fastapi-for-ml-model-serving/

由于其简单性,Flask 是一个非常流行的 Web 框架,它用于构建 REST API,尤其适用于机器学习模型服务。在本文中,我们将学习如何利用类型检查和异步编程的优势将其迁移到较新的 FastAPI 框架。

二分类的 24 个评估指标

链接:
https://neptune.ml/blog/evaluation-metrics-binary-classification

你是否不确定针对二分类问题到底该选择那种评估指标?你将通过许多评估指标和图表,来学习如何为你的问题选择最佳模型指标。

使用 Python 在终端中显示圣诞树

链接:
https://www.youtube.com/watch?v=lbbNoCFSBV4

在圣诞节制作一个在终端上运行的动态圣诞树。

Fullstack NLP:构建和部署端到端的虚假新闻分类器

链接:
https://hatem-hassan.com/blog/fullstack-nlp-building-and-deploying-end-to-end-fake-news-classifier

构建 NLP 文本分类 Web 应用程序(API+UI)并将其部署到生产中的教程。

2020 年分布式 Python 应用的 12 个方案

链接:
https://tryexceptpass.org/article/distributing-python-applications/

无论是交付可执行文件,虚拟环境,打包代码还是完整的应用程序,此列表都包括了所有可能的最佳方案

视频搜索引擎—我的计算机视觉之旅

链接:
https://t.co/HrDzllWYtJ

制作视频很容易,但是谁又有时间观看所有视频?我提出了一个根据内容查找相关时刻的(包括原型)视频搜索引擎。

在 Jupyter notrbooks 上创建交互式仪表盘

链接:
https://pbpython.com/interactive-dashboards.html

本文讲述如何构建交互式仪表盘来分析 Reddit 内容, 并使用 Voilà 显示交互式图表结果。

使用 Pinject 实现 Python 中的依赖注入

链接:
https://blog.pepy.tech/python/patterns/2019/12/21/dependency-injection-with-pinject.html

在本文中,您将学习依赖注入的基本原理, 以及如何使用 Pinject 库在 Python 中实现依赖注入。

使用 Python 的 Tableau 模块自动化内部销售仪表盘 | 第1部分:使用 Selenium 进行Web 爬虫

链接:
https://www.youtube.com/watch?v=KVZjGFJcUic

编写更安全的 Python 程序的5个技巧

链接:
https://t.co/XZsRmvaFOw

在同一 Jupyter notebooks 中使用 Python和 OCaml

链接:
https://blog.janestreet.com/using-python-and-ocaml-in-the-same-jupyter-notebook/

在 Python 中使用 Redis 和 Django

链接:
https://stackabuse.com/working-with-redis-in-python-with-django/

有趣的项目,工具和库

labelme

链接:
https://github.com/wkentaro/labelme

用 Python 对图像多级注释(多边形,矩形,圆形,直线,点和图像级别的标记注释)。

Checkov

链接:
https://github.com/bridgecrewio/checkov

Checkov 静态代码分析工具。它使用 Terraform 扫描设置的云基础架构,并检测安全性和错误配置。

NewsPie

链接:
https://github.com/skamieniarz/newspie

一个由 Flask 构建并由 News API 支持的简约新闻聚合器。

SpectroGraphic

链接:
https://github.com/LeviBorodenko/spectrographic

将图像转换成声音,该声音声谱图像原图像。

SharedVault

链接:
https://github.com/nanassito/SharedVault

SharedVault 是一个小程序,可自定义需要几个人才能解锁的秘密。

ArcaneVM

链接:
https://github.com/f-prime/arcanevm

完全同态加密的 Brainf**k 虚拟机。

Silver

链接:
https://github.com/s0md3v/Silver

masscan 速度很快,nmap 可以指纹验证,而 vulners 是一个巨大的有漏洞的数据库。Silver 是一个可以通过解析数据,生成并行进程,缓存漏洞数据等功能以达到合理利用上述程序。

本文翻译自 Python Weekly 429 期,有删改,不作为商业用途。

  • 1
    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