GitHub Actions 流水线实战:CI/CD 从入门到优化

GitHub ActionsCI/CD持续集成
于 2026-10-29 05:08:01 修改
·本内容遵循CC 4.0 BY-SA版权协议

最近在把一个业余项目正式接入持续集成,前前后后调了差不多两周 GitHub Actions,从最开始只会复制别人的 workflow 模板,到后来能根据自己的项目形态独立设计出构建、测试、部署一整套流水线,中间踩了不少坑,也理顺了很多之前一知半解的概念。趁这两天刚把最后一个部署脚本调稳,赶紧把这份 CI/CD 学习笔记整理出来,给同样准备上手 GitHub Actions 的朋友做个参考。

这篇文章不是官方文档的翻译,也不是那种“从入门到精通”的泛泛而谈。我会以 Node.js 应用为例,从工作流的基本概念讲起,带着你一步一步写出一份能真正跑通的 workflow 文件,再把权限配置、密钥管理、缓存优化、矩阵构建这些实战中绕不开的细节逐个拆开聊。无论你是想在开源项目里跑测试,还是想给公司内部项目做自动化部署,这篇文章应该都能给你一些直接的启发。

1. 为什么是 GitHub Actions:CI/CD 工具选型背后的取舍

刚接触 CI/CD 的时候,很多人的第一反应可能是:“我直接在服务器上跑脚本不行吗?为什么要引入一套这么复杂的系统?” 这个问题我在最开始也反复问过自己。后来真正体会到持续集成的价值,是在一次代码合并事故之后——某个改动把依赖环境里的一个隐式配置破坏了,测试在本地是绿的,合并到主干后整个服务直接起不来,等到用户反馈才发现问题。如果有自动化流水线,这种基础错误在合并前就能被机器直接拦住。

CI/CD 的核心就两句话:持续集成(Continuous Integration) 是频繁地把代码合并到主干,并自动运行编译和测试,确保每一次合并都是可靠的;持续交付/部署(Continuous Deployment) 则是把通过测试的构建产物自动发布到测试环境乃至生产环境,减少人工操作的介入。自动化流水线存在的意义,不是让你变得更忙,而是把“人容易出错”的环节交给机器,把“人需要判断”的部分留给你自己。

接着说工具选型。现在市面上主流的 CI/CD 工具很多,老牌的有 Jenkins,生态成熟但自建和维护成本不低;GitLab CI 和 GitLab 仓库集成度高,适合团队自建 GitLab 的情况;GitHub Actions 则是直接长在 GitHub 仓库里,对于代码托管在 GitHub 上的项目来说,天然省掉了一堆对接成本。

我选 GitHub Actions 的核心原因有三个:

  • 零额外的服务端成本:不需要单独部署 CI 服务器,GitHub 托管的 runner 帮你把构建环境跑起来,你只需要写 YAML 配置文件。
  • 内置的生态极其丰富:GitHub Marketplace 上有大量现成的 action,缓存、部署、通知、安全扫描,几乎每个常见需求都能找到开源实现。
  • 和 Pull Request 深度集成:可以在 PR 页面上直接看到检查结果,管理员可以设置“必须通过 CI 才能合并”,这是很多团队最看重的协作体验。

当然,它也有自己的短板。给私有仓库分配的免费构建时长为每月 2000 分钟,自定义 runner 虽然有更高配额和灵活度,但需要自己维护。另外,第三方 action 的使用也需要谨慎,万一某个上游 action 被植入恶意代码,影响面会非常大。这部分我会在后面的章节里专门展开。

如果你主要用 GitLab 托管代码,那 GitLab CI 的 Pipeline 其实也很值得研究,核心的构建、测试、部署模型和 GitHub Actions 非常相似。工具只是载体,理解一套 CI/CD 的通用方法论,再迁移到具体平台,会轻松很多。

2. 先摸清 GitHub Actions 的“零件”:workflow、job、step、action

GitHub Actions 最让人上头的部分,是用 YAML 描述一套自动化流程。但很多新手一上来就复制别人的 YAML,里面的字段看不太懂,出了问题更不知道怎么调。这个感觉我太熟悉了——所以先不急着写复杂配置,我们需要把组成这套系统的基本零件拆开看清楚。

一个 workflow 是最顶层的概念,对应 /.github/workflows/ 目录下的一个 YAML 文件。它定义了整条流水线的对象:什么时候触发、在什么机器上跑、要执行哪些任务。一个 workflow 里可以包含多个 job,job 之间可以有依赖关系,也可以并行执行。每个 job 里则是按顺序执行的一个或多个 step,step 是真正干活的单元,负责运行一条命令或调用一个 action。

这里用生活里的场景来类比:workflow 是一条完整的生产流水线;job 是流水线上的某个工位,比如“安装依赖”“跑测试”都可以是独立的 job;step 是某个工位上的具体动作,比如“拉取代码”“执行 npm test”。多个工位可以同时工作(并行 job),也可以前后衔接(串行 job)。

action 则是 GitHub Actions 里的“可复用功能模块”,你可以把它理解为积木。官方和社区提供了大量 action,比如 actions/checkout 用来把代码拉取到 runner 上,actions/setup-node 用来安装指定版本的 Node.js。写 workflow 的时候,大部分工作其实是在挑选和组合这些积木。

看一个最基本的 workflow 示例,这也是我最早跑通的第一个版本:

YAML
name: CI
 
on:
push:
branches: [ main ]
pull_request:
branches: [ main ]
 
jobs:
build:
runs-on: ubuntu-latest
steps:
- name: Checkout repository
uses: actions/checkout@v4
 
- name: Setup Node.js
uses: actions/setup-node@v4
with:
node-version: '20'
 
- name: Install dependencies
run: npm ci
 
- name: Run tests
run: npm test

拆开来看:name 只是给你的 workflow 起个名字,显示在仓库的 Actions 标签页里。on 定义了触发条件,这里写的是 main 分支上的推送和 Pull Request。jobs 下面是具体任务,build 是我给这个 job 起的名字,runs-on 指定了运行环境,用的是 GitHub 托管的 Ubuntu 虚拟机。steps 数组里每个元素就是一个步骤,uses 表示调用某个公开 action,run 表示直接执行 shell 命令。

这个文件第一次跑通过的时候,我对 CI 的直观感觉有了质的改变。原来“机器自动执行命令”没那么玄乎,它就是按顺序在黑盒子里跑脚本,然后把结果反馈到 GitHub 的界面上。只不过它帮你准备好了操作系统、网络环境和各种预装软件,还帮你把代码和密钥都安全地放到了指定位置。

这里必须多说一句:每个 job 默认是在完全独立的全新环境中运行的,上一个 job 里装的东西、改的文件,下一个 job 里不存在。想要在 job 之间传递数据,需要借助 actions/upload-artifact 和 actions/download-artifact 这类 action。这是新手最容易踩的坑,并不是在同一个“服务器”上连续操作。

3. 动手实战:为 Node.js 应用搭建构建-测试-部署流水线

概念理清楚之后,就该动真格的了。我们以一个比较典型的 Node.js/Express 项目为例,目标是让它经历三段旅程:安装依赖与代码规范检查 → 自动化测试 → 构建部署产物并发布到服务器。这个流程覆盖了大多数中小团队的真实需求。

3.1 设计流水线前,先理解项目的“检查点”

写 workflow 之前,我建议你先打开项目,问自己三个问题:项目需要用什么工具链?哪些操作可以并行?哪些步骤失败后需要阻断合并或发布?以 Node.js 项目来说,通常有这几类操作:

  • 使用 npm ci 安装依赖(区别于 npm install,npm ci 严格依据 lock 文件安装,保证可复现,且速度更快);
  • 运行代码规范检查,比如 ESLint,提前拦截风格和潜在逻辑问题;
  • 运行单元测试或集成测试,这是 CI 的核心价值所在;
  • 如果项目要对外发布,可能还需要构建静态文件或 Docker 镜像并推送到镜像仓库。

对于一个小型项目,把这些操作放进同一个 job 顺序执行是最省事的,但为了体现 GitHub Actions 的并行能力,我通常会拆成两个 job:一个专跑静态检查和测试,一个负责构建部署。测试 job 通过后,部署 job 再在依赖它的基础上运行。

3.2 编写第一版完整的 workflow

下面是这个实战项目最终使用的 workflow 精简版。我删掉了项目里那些个性化配置,保留了关键骨架,你可以直接作为模板使用。

YAML
name: CI/CD Pipeline
 
on:
push:
branches: [ main ]
pull_request:
branches: [ main ]
 
permissions:
contents: read
 
jobs:
test:
name: Static check & test
runs-on: ubuntu-latest
strategy:
matrix:
node-version: [18, 20]
steps:
- name: Checkout
uses: actions/checkout@v4
 
- name: Setup Node.js ${{ matrix.node-version }}
uses: actions/setup-node@v4
with:
node-version: ${{ matrix.node-version }}
cache: 'npm'
 
- name: Install dependencies
run: npm ci
 
- name: Lint
run: npm run lint
 
- name: Test
run: npm test
 
build-and-deploy:
name: Build & Deploy
needs: test
runs-on: ubuntu-latest
if: github.ref == 'refs/heads/main' && github.event_name == 'push'
steps:
- name: Checkout
uses: actions/checkout@v4
 
- name: Setup Node.js
uses: actions/setup-node@v4
with:
node-version: '20'
cache: 'npm'
 
- name: Install dependencies
run: npm ci
 
- name: Build project
run: npm run build
 
- name: Deploy to server via SSH
uses: appleboy/scp-action@v0.1.7
with:
host: ${{ secrets.SERVER_HOST }}
username: ${{ secrets.SERVER_USER }}
key: ${{ secrets.SSH_PRIVATE_KEY }}
source: "dist/*"
target: "/var/www/myapp/dist"

这里有几个关键的设计决策,我想重点说一下“为什么”。

矩阵构建(matrix):我让测试 job 同时跑 Node.js 18 和 20 两个版本,因为代码在本地用的版本可能和别人不一样,多版本验证能提前发现兼容性问题。GitHub Actions 的 strategy.matrix 会自动展开成多个并行 job,互不干扰。

依赖缓存 cache: 'npm':这是 setup-node 自带的一个隐藏能力,会自动缓存 ~/.npm 目录。看上去只是少下载了一些包,但对运行时长的影响非常明显。在我这个项目里,启用缓存后安装依赖从 1 分多钟降到了 20 秒以内。后面我会专门讲缓存原理。

部署条件 if:build-and-deploy job 只在 main 分支的 push 事件里运行,Pull Request 的检查不会触发部署。这是最基本的“环境隔离”意识,测试归测试,发布归发布,不要混在一起。

appleboy/scp-action:这是一个非常流行的第三方 action,用来把本地文件通过 SSH 拷贝到远程服务器。你也可以直接使用更底层的 ssh-action 在服务器上执行命令,完成打包下载、重启服务等操作。

3.3 如何把 Node 应用安全地部署到服务器

上面用 scp 直接把构建产物上传到服务器,对静态站点够用了。但如果是 Node 服务,还需要处理进程重启的问题。我在实际项目中是这么做的:上传完之后,追加一个 step,用 SSH 登录服务器,执行项目的重启脚本。

YAML
- name: Restart service via SSH
uses: appleboy/ssh-action@v1.0.3
with:
host: ${{ secrets.SERVER_HOST }}
username: ${{ secrets.SERVER_USER }}
key: ${{ secrets.SSH_PRIVATE_KEY }}
script: |
cd /var/www/myapp
pm2 reload ecosystem.config.js

pm2 reload 是一个优雅的进程重启方式,它先创建新的工作进程,等新进程监听成功后,再杀掉旧进程,能最大程度减少服务中断时间。如果不使用 pm2,你也可以在脚本里用 systemctl restart myapp,前提是你的服务器配置了 systemd 服务。

这套流程跑通后,你推送代码到 main 分支,一两分钟内就能看到测试自动执行、服务自动更新,这种反馈对人的信心提升真的很大。

4. 部署环节的坑:权限、密钥管理与环境变量注入

很多人写完 workflow 推到 GitHub,发现跑是能跑,但一到部署那一步就开始报各种摸不着头脑的错误。我在这上面栽的跟头最多,现在把最关键的几个问题拿出来说说。

4.1 GITHUB_TOKEN 的权限边界

GitHub Actions 每次运行时都会自动创建一个 GITHUB_TOKEN,它是一个专用令牌,用来让 runner 在仓库内执行操作,比如读取代码、创建 issue、提交评论。它在 workflow 里通过 ${{ secrets.GITHUB_TOKEN }} 访问。权限受仓库设置和 workflow 顶部 permissions 字段的控制。

我在一个比较早的项目里,需要 workflow 往仓库里推送编译后的文件,但每次 push 都报 Permission denied。折腾了很久才发现,是工作流没有声明 contents: write 权限,而默认的 GITHUB_TOKEN 权限是只读的。解决办法是在 workflow 顶部加上:

YAML
permissions:
contents: write

这里要提醒一句:给权限的时候一定要按最小化原则拆开写,不要直接无脑写 permissions: write-all。比如只是要在 PR 里发一条评论,那就 issues: write;只是要读取代码,那就 contents: read。权限放太宽,一旦 workflow 里的某个第三方 action 被攻破,攻击者就能直接改写你的仓库内容。

4.2 Secrets 不是字面意义上的“密文”

GitHub 仓库的 Settings -> Secrets and variables 里可以配置 Actions secrets,在 workflow 中通过 ${{ secrets.NAME }} 引用。但这和本地环境变量有个非常重要的差异:如果你把一个 secret 直接拼接到 shell 命令或输出中,GitHub 的长日志保护机制会尝试自动打码,但并不是所有情况都能覆盖到。 尤其是当你把 secret 写进一个 JSON 文件、Base64 编码串或者 URL 参数时,日志里很容易留下痕迹。

比较稳妥的做法是把 secret 作为单独的环境变量传给 action:

YAML
- name: Deploy
env:
TOKEN: ${{ secrets.API_TOKEN }}
run: |
curl -H "Authorization: Bearer $TOKEN" ...

这样在 run 内部通过 $TOKEN 引用,日志中不会直接展示值。另外,run 里如果使用了 set -x 或者 echo "TOKEN=$TOKEN",依然会泄露,所以调试部署脚本时一定记得关闭这类输出。

4.3 SSH 密钥部署的标准姿势

使用 appleboy/scp-action 或 appleboy/ssh-action 时,需要在 GitHub Secrets 中保存这几个值:服务器 IP(SERVER_HOST)、用户名(SERVER_USER)、私钥内容(SSH_PRIVATE_KEY)。私钥必须是无密码(passphrase为空)或者使用 ssh-agent 方式处理,否则 CI 环境中无法交互式输入密码,会直接卡死。

一个实用的建议:在服务器上单独创建一个 deploy 用户,只给它的 authorized_keys 添加密钥,并限制它只能访问指定目录和命令。不要在 CI 里使用 root 用户的密钥,这和本地开发时的安全习惯是一样的。比如在服务器上执行:

BASH
sudo useradd -m deploy
sudo mkdir /home/deploy/.ssh
echo "ssh-rsa AAAA... your-key-comment" | sudo tee /home/deploy/.ssh/authorized_keys

之后 workflow 里就用 deploy 身份去操作,配合 sudo 命令做提权时,记得在 script 里写成 sudo -n 防止交互式提示。这一套做下来,比直接把 root 密钥交给第三方 action 安全得多。

4.4 环境变量注入的另一个细节

同一个 secret 在不同环境下可能值并不相同。我经常在 GitHub Actions 里手动定义环境级别:

YAML
jobs:
deploy:
environment: production
env:
NODE_ENV: production

environment: production 可以关联到仓库的 Environments,你可以在那里配置特定环境的 secrets、保护规则甚至人工审核。这意味着你可以把测试环境和生产环境的密钥分开管理,避免全部塞在同一层里。对于多人协作的项目,这个功能非常值得用起来,生产环境部署前还可以加上一个手动确认的按钮。

5. 让流水线更快更稳:缓存、矩阵构建与并发控制

流水线跑通了只是第一步,接下来面对的是性能问题和多分支并发问题。一个跑了十几分钟的流水线,会让你越来越不想看它;一个在合并 PR 前排队半个小时的 CI,会让团队异常痛苦。所以当基础流程稳下来后,一定要回头做优化。

5.1 依赖缓存的原理与实操

GitHub Actions 为每个仓库分配了一块缓存空间,我们可以把 npm、pip、Maven 等依赖下载缓存下来,后续运行直接复用。以 npm 为例,npm ci 之前会校验 package-lock.json 的缓存 key 是否变化,如果没变化,它就不需要重新解析依赖树了,直接从本地缓存安装。

实践里最简单的方式就是在 actions/setup-node 里声明 cache: 'npm'。我测试过三种配置的耗时对比:

配置方式 首次运行耗时 后续运行耗时
无缓存 约 110 秒 约 110 秒
手动 cache action 约 95 秒 约 25 秒
setup-node cache 自动 约 100 秒 约 22 秒

手动 actions/cache 的通用性更强,如果你用 pnpm 或 Yarn,写法会不太一样。比如 pnpm 的缓存路径是 ~/.pnpm-store,需要在 setup-node 之前先安装 pnpm,再用 actions/cache 缓存这个路径。

有一点需要特别留意:缓存 key 的颗粒度要设计好。如果 key 包含 lock 文件的哈希,那么依赖变化时缓存会失效,重新获取依赖;如果 key 不包含任何指纹,那缓存可能长时间不更新,导致装出来的依赖版本和 lock 文件不一致。我常用的 hash 方式:

YAML
- name: Cache npm modules
uses: actions/cache@v4
with:
path: ~/.npm
key: ${{ runner.os }}-npm-${{ hashFiles('package-lock.json') }}
restore-keys: |
${{ runner.os }}-npm-

restore-keys 配置的意义在于:即使 lock 文件变了,也能尽量复用之前相近的缓存,至少不用从零下载全部依赖。

5.2 矩阵构建不只是“多版本测试”

矩阵构建最常见的用途确实是多 Node.js 版本或多操作系统测试,但它还能用在更实际的地方,比如按模块拆分测试任务。如果你的项目测试用例非常多,一个 job 跑完要 20 分钟,完全可以把测试文件按目录切分成几个 shard,并行跑:

YAML
strategy:
matrix:
shard: [1, 2, 3, 4]
steps:
- name: Run tests shard ${{ matrix.shard }}
run: npm test -- --shard=${{ matrix.shard }}/4

这样每个 job 只跑总测试集的四分之一,总耗时从 20 分钟降到 6 分钟左右。对于大型项目,这种“分片”策略比单纯买更强的机器更实际,而且 GitHub Actions 的并行 job 数在免费额度内是足够的。

5.3 concurrency:防止重复部署和资源浪费

这是一个很容易被忽略的点。当开发者连续往 main 分支推送 3 次提交时,默认情况下 GitHub Actions 会启动 3 个并行的 workflow 运行。可是部署类 job 往往带有副作用——前一个还没部署完,后一个又开始部署了,很容易出现服务短暂不可用,甚至旧版本又把新版本覆盖回去的混乱。

解决办法是在 workflow 顶层声明 concurrency:

YAML
concurrency:
group: ${{ github.workflow }}-${{ github.ref }}
cancel-in-progress: true

group 是把同一分支的多个运行归到同一组;cancel-in-progress: true 表示新运行开始后,自动取消该组内还没结束的旧运行。这个策略对文档站、静态站点部署特别重要,既能避免并发冲突,还能省下不少 Action 运行分钟数。

我个人习惯是在“测试类”workflow 里不设置 cancel-in-progress,因为 PR 上多个提交的测试结果需要完整跑完,方便看到每次提交的真实情况;而在“部署类”workflow 里一定设置。场景不同,策略不能一概而论。

5.4 失败重试和超时设置

CI 偶尔会有网络超时、npm 源抽风等暂时性错误。如果不做任何设置,一次失败就判定整个 job 失败,有时挺冤枉的。GitHub Actions 支持在 step 级别配置 continue-on-error 也可以配置 timeout-minutes,但更实用的做法是借助 retry 相关 action,比如 nick-fields/retry:

YAML
- name: Install dependencies (with retry)
uses: nick-fields/retry@v3
with:
timeout_minutes: 10
max_attempts: 3
retry_wait_seconds: 10
command: npm ci

不过要注意,重试逻辑不能滥用。如果命令本身是确定性失败的,重试只会延迟失败的反馈时间。我通常只对“网络下载类”操作做重试,测试失败则必须立刻暴露给开发者。

6. 学习 GitHub Actions 时最容易走的弯路

最后这部分,是我自己在学习和使用 GitHub Actions 过程中总结出来的一些容易走偏的地方。不一定每个都对应官方文档,但都是从实际报错和改配置里得来的教训。

6.1 照搬他人 workflow,不读版本

GitHub Actions 生态更新非常快,不同 action 的 major 版本之间接口可能不兼容。最典型的是 actions/checkout@v2 和 actions/checkout@v4,在文件权限、自动 token 行为上都有差异。很多你在网上搜到的教程可能已经过时,照着写后报错却不知为何。

我的建议是:使用 action 时务必锁定主版本号,比如 @v4,并养成在报表页面看官方 README 和 release notes 的习惯。如果项目对稳定性要求很高,甚至可以锁定到完整 commit SHA,形式如 actions/checkout@a12c4b...,这样就彻底杜绝了上游 action 被篡改的风险——GitHub 官方也推荐这种做法。

6.2 workflow 文件膨胀后,难以调试

一个 YAML 文件从 30 行涨到 300 行之后,任何改动都提心吊胆。我在一个稍微复杂的项目里,workflow 里塞了十多个 step,其中一个 step 名字写错了,只能在日志里一行行找。后来我学会把重复的步骤抽到 composite action 中,也就是在 .github/actions/ 目录下新建自定义 action,把“安装依赖并缓存”“执行 lint”这类通用逻辑封装成单块积木。这样 workflow 文件会变得非常简洁,排错时也只需要打开对应的 action 文件。

6.3 过度依赖第三方 action 的安全隐患

Marketplace 上的 action 种类多,用起来方便,但你必须意识到:第三方 action 可以访问 runner 的文件系统、环境变量以及 GITHUB_TOKEN。如果你的仓库是私有仓库,代码泄露风险更大;如果是开源项目,也要警惕恶意 PR 利用某些 action 的漏洞。

为了降低风险,我有三个习惯:

  • 锁版本(用 tag 或 commit SHA);
  • 尽量使用 star 多、维护活跃的 action;
  • 审查 action 的源码,尤其是那些比较小众的。GitHub 上每个 action 都是仓库,花十分钟看一下它的主脚本没有坏处。

6.4 把 CI 当成“另一个测试环境”

最开始我总喜欢在 workflow 里跑各种临时命令,手动验证这个那个。这其实扭曲了 CI 的本意。CI 应该服务于固定的检查流程,而不是一个玩具终端。如果你发现自己经常 login 到 runner 上手敲命令,大概率是流程设计有问题。真正需要临时调试的时候,可以启用 workflow_dispatch 触发的调试 job,但完事之后要记得删掉,不能一直留在工作流里。

6.5 忽略日志中的敏感信息

我已经不止一次在日志里看到别人把密码、API Key、甚至私钥直接打印出来。GitHub Actions 虽然有 secret mask 机制,但只要你把一个 secret 塞进某个变量再以另一种形式打印,比如 Base64 编码、URL 编码、替换了几个字符拼出来,mask 就不一定能识别了。最稳妥的方法是在 workflow 里加一个“自毁式”检查:部署完成后,用 grep 检查日志中是否包含任何不应出现的关键字,一旦命中就直接让 job 失败。这虽然不能完全防止泄露,但至少能提供一个拦截点。

6.6 学习路径上的建议

如果你想系统地学 GitHub Actions,我个人的建议路径是:先跑通官方快速上手教程,再用自己的一个小项目写一份最简单的 workflow;接着引入一个第三方 action 完成一件事,比如自动发布 Release;之后再逐步加上矩阵、缓存和部署。切忌一上来就复制庞大的多环境发布模板,那样你只会得到一个“能跑但没看懂”的黑盒子,问题来了完全无从下手。

现在回想起来,从最初把 CI/CD 当作“添加一个 YAML 文件”的任务,到现在能根据项目形态去灵活设计流水线的触发条件、任务拆分、权限控制,这个过程的核心收获并不是某个命令或某个 action 的用法,而是养成了一种“自动化优先”的思维习惯:任何重复的事情,先考虑能不能在代码层面给它一个规则;任何手动操作,先问自己它能不能被机器验证。

最后再分享一个小技巧:在 workflow 的 job 名或 step 名里加上当前分支或版本号,比如 Deploy main - ${{ github.sha }},这样部署日志里一眼就能看出对应的是哪次提交,免去来回翻代码历史的时间。这种细节平时不起眼,真正出问题排查的时候,能救命的往往就是这些小事。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
Qwen3-Omni-30B-A3B-Instruct微调指南:如何打造专属智能博物官(附数据集)
本文详细介绍了如何对Qwen3-Omni-30B-A3B-Instruct模型进行微调,以打造专业的智能博物官。指南涵盖了从理解模型架构优势、构建高质量文博数据集,到使用LLaMA-Factory进行实战微调、效果评估与部署优化的完整流程,并提供了关键的环境配置与性能优化建议,帮助开发者在垂直领域高效定制专属AI助手。
沈奕斐