软件工程实践暑假作业评分公布

助教朱仕君 2025-01-07 19:37:15

作业地址软件工程实践暑假作业

作业提交规则🚩

  • 博客以班级作业页面的提交时间为准;需要提交的代码以gitcode的提交时间为准;
  • 在deadline前交,分数为实际得分 ;
  • 补交:在deadline 后两天内提交视为补交,分数为实际得分 * 50%;写了但是忘记提交作业和补交扣分一致
  • 缺交:在deadline 之后两天未补交视为博客缺交,分数为0分;

作业计分规则:

每次作业的基准分满分为100分,各次作业会以特定比例换算到学期成绩。比如:

某次作业,满分100分,以权重25%换算到学期总成绩:
小李此次作业得分85分,作业在deadline前提交,那么他本次作业会以85100%25% = 21.25换算到总成绩中
小张此次作业得分85分,并是在deadline后的两天内补交,那么他本次作业会以85
50%*25% = 10.625换算到总成绩中
小王在作业deadline两天后还未补交,作业提交已经关闭,此次作业得0分

其他规则

  • 作业抄袭:当助教发现两篇博客文字/图片/代码过分相似时,判定两篇博客都为抄袭,该次作业不得分,并倒扣该次作业占总成绩比重的分数;
  • 伪造提交:虽然作业博客没有完成,但是先提交到作业占位置,判定为伪造提交,分数得0分;
  • 微信班级群如果发布相关通知也是作业要求一部分,请及时查看群通知;
  • 若需要在课程群填写相关信息,未能在deadline之前完成填写的,扣实际得分的50%;
  • 如对作业存在疑问,请在deadline之前三天在班级群提出;
  • 若助教对作业要求有修改,会在群内公告,请务必查看并按新的要求完善作业;

第一次作业评分细则🚩

1.【博客排版】(15%):是否在博客开头给出了本次作业的基本信息;是否给出了博客内容目录;是否采用markdown排版,排版是否整齐,博客是否美观;
2.【回首过去】(20%):回答具体,不笼统,图文兼备
3.【立足当下】(20%):简历格式整齐美观;项目描述详略得当,展现自己的角色和贡献,以及最终项目成果如何
4.【展望未来】(20%):回答生动具体,不笼统
5.【思维导图和学习路线】(25%):思维导图是否覆盖所有要求的内容,整齐美观;路线图是否详尽具有可行性

模块得分及总成绩

学号姓名博客排版(15)回首过去(20)立足当下(20)展望未来(20)思维导图和学习路线(25)总分提交状态最终得分
042201126杨世铭131718202391正常提交91
052201224游志军131820202596正常提交96
052203130邱哲晗131818202392正常提交92
052207115欧阳开源141717202391正常提交91
062200244洪语涵151820202497正常提交97
062200253辜馨怡151917202495正常提交95
072203218庄邵锟131718192289正常提交89
072203330梁心恬141719202494正常提交94
092200201蔡子航141718192391正常提交91
152201106庄仲华141718182390正常提交90
162204210李可151819202395正常提交95
222000104李恺151917202394正常提交94
222200108朱元烨141818192493正常提交93
222200109庄芷洋151918192394正常提交94
222200110刘炳麟131616172284正常提交84
222200111李敬毅141717172388正常提交88
222200112李嘉琪141717182187正常提交87
222200113杨清坤141717202391正常提交91
222200114吴子妍151717202392正常提交92
222200116吴源桓141717172287正常提交87
222200125郑韵131819192594正常提交94
222200127徐煜晖131718202391正常提交91
222200128翁焰151818182392正常提交92
222200130黄陈铭141717172186正常提交86
222200131黄钰集141717172388正常提交88
222200133傅俊鹏151818202495正常提交95
222200134游镇诚141717192491正常提交91
222200135叶翔锋151717202493正常提交93
222200201于浩飞141717192491正常提交91
222200203王晨如131717182186正常提交86
222200205冯诗雨141718192391正常提交91
222200206朱江141817192391正常提交91
222200207朱骏祥151918202496正常提交96
222200208刘鑫城151818192494正常提交94
222200209许棠涛151819202496正常提交96
222200210苏臻炜141718192391正常提交91
222200212杨予凡141717192491正常提交91
222200214吴思141819202596正常提交96
222200216张上毅141717182490正常提交90
222200217张伟琦141717192188正常提交88
222200219陈诗柠141818192493正常提交93
222200220陈森141718192189正常提交89
222200221林点151718202595正常提交95
222200222胡彭141718192189正常提交89
222200223徐玮辰151818192292正常提交92
222200224徐逸凡141717192491正常提交91
222200225黄少洋141718192391正常提交91
222200226黄文乐141718192189正常提交89
222200227黄茂林141718192492正常提交92
222200229曹品顺141718192290正常提交90
222200230梁蕴潆151818182493正常提交93
222200231游竣超151819202597正常提交97
222200234马思敏151718202494正常提交94
222200304卢君豪141718192391正常提交91
222200305卢禧141718192492正常提交92
222200307叶宇滟151819202496正常提交96
222200308冯欣馨151718182492正常提交92
222200309孙阳131919202495正常提交95
222200310李怡涵141718192391正常提交91
222200311李梓玄121718182489正常提交89
222200312杨年申131717192389正常提交89
222200314吴荣榜151920202599正常提交99
222200328夏振141716182489正常提交89
222200329徐文彬141718172490正常提交90
222200331翁鹏141718192391正常提交91
222200401丁昌彪151718202595正常提交95
222200404刘嘉榕141718202392正常提交92
222200407杨知麟151818202596正常提交96
222200408连文桢141718192492正常提交92
222200409肖勇151920202599正常提交99
222200410张巧莹151920202599正常提交99
222200411张晨阳141717192390正常提交90
222200412陈宇141718172490正常提交90
222200416林予萱141718192391正常提交91
222200428黄铎彦121618202389正常提交89
222200429谢雨欣141817192492准时提交92
222200431漆廷煜141717202392正常提交92
222200432赛比海·托合地亚尔131717192490正常提交90
222200433魏毓延141818202393正常提交93
222200435穆拉迪力·阿布力米提141717192289正常提交89
222200440林胜阳0缺交0
052203131王宏翔131718182490正常提交90
222200315张俊腾131717192490正常提交90

优秀作品展示

222200314

222200409

222200410

...全文
498 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
数据集可视化效果可参见下方展示。 【数据集概况】 · 检测类别(中文):[保龄球(bowling)] · 训练集:594 张 · 验证集:75 张 · 测试集:74 张 · 总计:743 张 该数据集聚焦于室内保龄球馆场景,系统性采集了多角度、多姿态下保龄球在不同运动阶段的视觉特征,为保龄球运动过程中的球体识别与轨迹分析提供了高质量标注样本,具有明确的体育训练与智能辅助系统开发价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9938** mAP50-95 | 0.6966 Precision | 0.9740 Recall | 0.9974 train/box_loss | 0.9113 train/cls_loss | 0.2862 val/box_loss | 1.1516 val/cls_loss | 0.3116 【训练过程分析】 100 轮训练后 mAP50 达到 0.9938,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。但 mAP50-95 为 0.6966,和 mAP50 差距 0.30,定位精度仍有优化空间。 【模型性能评估】 Precision 0.9740、Recall 0.9974,精召双高,模型对保龄球的检测能力强。 【预测效果展示】 验证集预测效果较好,检测框基本准确覆盖保龄球,置信度整体偏高。 【改进建议】 1. 丰富场景多样性:补充不同光照、背景和遮挡条件下的样本。 2. 提升输入分辨率:640 ...
PaddleOCR 与YOLO目标检测 HTTP 服务。 项目通过 PaddleOCROnnx 原生库集成 OnnxRuntime加速能力,围绕 ONNX 模型部署, 以统一接口提供图像文字识别、YOLO 目标检测和 Tensor 数据输出。 功能概览 文字识别:支持图片 Base64、multipart/form-data 上传,以及文本和 JSON 结果。 目标检测:支持 YOLO 图片检测,返回检测框 JSON 或原始 Tensor。 浏览器演示:访问服务根地址,上传图片并切换 OCR、YOLO 模式。 健康检查:通过 /health 查看服务及 OCR、YOLO 引擎初始化状态。 并发处理:通过 OCR 引擎实例池处理并发请求,可调整实例数量。 体验与调用 启动后访问: 入口 地址 浏览器演示 http://localhost:5000/ 健康检查 http://localhost:5000/health 原生依赖 Windows:优先从 runtimes/win-x64/native/ 加载原生 DLL;该目录没有 PaddleOCROnnx.dll 时,尝试从可执行文件所在目录加载。主 DLL 与对应后端依赖应放在同一原生目录中,不要将同一组依赖分散到多个目录。 Linux:原生运行时位于 runtimes/linux-x64/native/,程序使用相对于可执行文件的运行时搜索路径查找随包部署的依赖。 后端选择:CoreOCROnnx 支持 ONNX Runtime、OpenVINO、TensorRT 后端。请使用与平台、进程架构、硬件和后端匹配的一整套运行时,不要混用不同后端或版本的依赖。

113

社区成员

发帖
与我相关
我的任务
社区描述
202401_CS_SE_FZU
软件工程 高校
社区管理员
  • FZU_SE_TeacherL
  • 助教_林日臻
  • 防震水泥
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧