软件工程实践第一次作业

222200334季致涵 2025-09-27 15:01:19

这个作业属于哪个课程	https://bbs.csdn.net/forums/FZU_university_2025
这个作业要求在哪里	https://bbs.csdn.net/topics/619950793
这个作业的目标	制定技术学习路线图与思维导图，规划学习计划
其他参考文献	https://www.runoob.com/markdown/md-tutorial.html

目录

1. 回首过去

对计算机软件技术有一定兴趣，综合之下选择学习软件工程。而且在进行协作开发后，我深切地体会到了软件工程中“工程”二字的含义，软件开发中是需要进行系统性协作和严格控制的，并不是简单的vibecoding和能跑就行，更加让我确定了软件工程学科的必要性。

2. 立足当下

我已能熟练使用c，cpp，java语言进行编程，对数据库技术也有一定了解，所以我会继续精进学习这方面的技术，着眼于实践，努力向企业级的代码规范看齐。

思维导图和学习路线

思维导图

思维导图

学习计划

学习计划

...全文

61 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

看起来解决办法很简单，但是因为无法拖入到动态组件中，一开始以为二者是不兼容的，想了很多其他办法，直到有一次偶然的把滚动面板粘贴到动态组件中，然后尝试演示了一下，发现滚动面板是可以正常工作的，这才把问题解决。：每个运动项目的比赛日期不同，每个运动需要单独对应一个日期导航栏的状态，但是因为官方内置的导航栏，其中选项只能绑定一个事件，改变了日期导航栏的状态后，下方比赛项目的组件状态就无法改变。不过，一般的组件是可以绑定多个事件的，唯独集成的选项只能绑定一个事件，这方面存在后期官方更新的可能。

【评分】软件工程实践2017第一次作业-准备作业地址： http://www.cnblogs.com/kese/p/7423412.html 总结按时交 - 有分晚交 - 0分迟交一周以上 - 倒扣本次作业分数抄袭 - 倒扣本次作业分数关于作业提交，已经在班级群中提醒若干次，本次作业同3位同学未按时提交吴智慧同学发布博客(posted @ 2017-09-01 23:0...

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。

一款开源、可扩展的AI代理，功能远超代码建议——支持安装、执行、编辑以及与任何大型语言模型（LLM）进行测试。

103

社区成员

407

社区内容

发帖

与我相关

我的任务

软件工程高校

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章