软件工程实践第一次作业

102300406叶芷 2025-09-28 14:27:29

软件工程实践第一次作业

作业基本信息

项目内容
这个作业属于哪个课程2501_CS_SE_FZU
这个作业要求在哪里软件工程实践第一次作业
这个作业的目标制定前端开发技术的学习路线图与思维导图,规划4个月学习计划,掌握软件工程实践技能
其他参考文献Markdown 教程-菜鸟教程

目录

  • 软件工程实践第一次作业
  • 作业基本信息
  • 1. 学习技术选择
  • 2. 思维导图
  • 3. 学习路线图(4个月计划)
  • 4. 学习资源与岗位趋势分析
  • 精选学习资源
  • 岗位趋势分析
  • 5. 总结


1. 学习技术选择

我选择前端开发技术作为本次学习的目标。原因包括:

  • 前端技术是软件工程的重要组成部分,涉及用户界面设计、交互逻辑等,实用性强。
  • 在往届作业中(如科学计算器项目),前端技术(HTML/CSS/JavaScript)被广泛应用,且易与软件工程实践结合。
  • 前端技术分支清晰,学习资源丰富,适合制定系统化学习路线。

2. 思维导图

img

3. 学习路线图(4个月计划)

以本学期(4个月)为周期,规划如下:

img

月份学习重点具体任务输出成果
第1个月基础入门学习HTML/CSS语法、JavaScript基础语法完成个人博客页面开发
第2个月框架学习学习Vue或React框架,组件化开发实现简易任务管理应用
第3个月项目实践参与结对编程,整合API、处理兼容性开发含用户交互的动态网站
第4个月优化进阶学习性能优化、测试(单元测试/E2E测试)对项目进行性能分析并优化

关键指标

  • 每月代码量不少于1000行;
  • 期末累计代码量达到6000行(基于往届学生代码量统计)。

4. 学习资源与岗位趋势分析

精选学习资源

  • 书籍:《代码大全》(软件工程经典)、《JavaScript权威指南》。
  • 网络资源: MDN Web Docs:权威前端文档 freeCodeCamp:互动式编程练习 CSDN社区:技术问题交流(参考往届作业)
  • 实践工具:Git进行版本控制(参考作业提交要求)。

岗位趋势分析

  • 前端开发岗位需求集中在互联网企业,要求熟练掌握至少一种框架(Vue/React)。
  • 趋势向全栈发展,需补充Node.js、数据库知识。
  • 软技能如团队协作(参考往届学长建议)和项目管理能力日益重要。

5. 总结

通过本次作业,我系统规划了前端技术的学习路径,明确了阶段性目标。未来将严格按照路线图执行,并结合软件工程实践课程(如结对编程、团队项目)巩固技能。同时,我会定期复盘学习进度,确保在4个月内达到掌握水平。

...全文
84 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。

103

社区成员

发帖
与我相关
我的任务
社区描述
2501_CS_SE_FZU
软件工程 高校
社区管理员
  • FZU_SE_LQF
  • 木村修
  • 心态773
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