记录一下第一次进行Yolov5的部署，调试，训练，预测。
第一次发布在了CSDN：链接：
https://blog.csdn.net/C_1Y1_T/article/details/127691617
现在在博客园也发布一下
在Yolov5的requirements.txt中，有设置下载Pytorch，但Pytorch相对于其他东西比较大，所以这里选择单独安装，避免出错。
在Pytorch官网https://pytorch.org选择配置（有NVIDIA独显和没独显不一样）后，复制生成的代码，在conda中安装
例如我这里没有NVIDIA的独立显卡，所以选择CPU版本
#我选择的CPU版本，生成的下载链接
conda install pytorch torchvision torchaudio cpuonly -c pytorch
安装完成后，查看torch版本
#python 查看torch版本
>>> import torch
>>> print(torch.__version__)
#python 判断cuda能否使用
>>> import torch
>>> torch.cuda.is_available()
#True 有cuda False没有cuda，我没有NVIDIA独显且安装的CPU版本，所以为False
https://github.com/ultralytics/yolov5https://gitee.com/monkeycc/yolov5
requirements.txt中的包requirements.txt中的包时会自动检测，只要满足Yolov5的配置需求，就不会再下载Pytorch了（当然，前面下载Pytorch时，也应该放在同一个虚拟环境）# 安装requirements.txt中的依赖文件
pip install -r requirements.txt # install
https://github.com/ultralytics/yolov5/releases
.pt权重文件可以直接放在yolov5的根目录下，也可以在yolov5的根目录下新建一个weights文件夹，把权重文件放到里面
运行yolov5根目录下的detect.py，看能否正常运行（这个就是预测/目标检测，在官方下载的yolov5中，已经配置好了示例用的参数，配置好环境后，就可以直接运行）
这样就是运行成功，结果保存在run\detect\exp4目录中，预测结果如下：
也可以在终端中运行
AttributeError: 'Detect' object has no attribute 'm'https://blog.csdn.net/Joseph__Lagrange/article/details/108255992Labellmg，方便操作，且可以直接保存为适用于yolo的.txt格式，省去了格式转换的麻烦官网下载地址：https://github.com/heartexlabs/labelImg
安装方式，以官网给出的Windows + Anaconda方式为例
labellmg的code压缩包，或使用git方式克隆到本地Anaconda Prompt进入下载的labellmg文件夹
#安装配置相关环境
conda install pyqt=5
conda install -c anaconda lxml
pyrcc5 -o libs/resources.py resources.qrc
#启动labellmg
python labelImg.py
#指定参数启动labellmg
python labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
每次启动都需要到你的Labellmg的目录下启动，例如我这里放在D:\DeveloperTools\labelImg目录，启动界面如下
安装可能遇到的问题
# (1).出现：‘pyrcc5‘ 不是内部或外部命令，也不是可运行的程序 或批处理文件。
# 解决：直接使用Anaconda/Minconda的默认(base)环境安装即可，不要用自己另外创建的虚拟环境
#(2).出现：EnvironmentNotWritableError: The current user does not have write permissions to the target environm 当前用户没有对目标环境的写入权限
#解决：以管理员身份运行cmd或Anaconda Prompt即可
使用前的一个注意点
在labellmg\data目录下，存在一个predefined_classes.txt文件
predefined_classes.txt文件内存在一些预设的标注类型，有15个，索引从0开始，[0,14]
需要注意，如果你用不到这么多类型，则因该启动labellmg之前就因该把这些预设删除，或替换为自己需要的标注类型名称，这些名称的顺序 必须和 你自己训练数据时的 xxx.yaml文件中标注的类型一致，且顺序一致，索引从0开始，如果不一致，可能存在问题
例如，后面我这里才发现我只需要两个类别，但最开始是有15个类别的
主要的原因就是我的两个类别的顺序索引和labellmg生成的标签顺序索引不一致，现在只能手动修改.txt中的索引了，所以建议一开始就指明自己需要哪些标签类别
Labellmg使用
使用时的一些设置
设置标注的标签的保存路径（文件夹）
设置自动保存
快捷键：A：上一张图，B：下一张图，W：创建区块（手动标注）
标注时是鼠标选择一个起点后点击，按住鼠标左键拖动，画一个矩形框。
最终结果：一张图片对应一个txt文件
https://www.bilibili.com/video/BV1tf4y1t7ru/?spm_id_from=333.999.0.0&vd_source=45352058e2e0900c3d75ba93406d8fdb
"""
# default是默认，action是选择。需要的话自己配置参数
#有default值的参数，你不设置值，就会使用作者给你配好的默认参数值
*******************************下面是有default值的参数*************************************
1.'--weight' 权重
default 'yolo5s.pt'表示默认选择'yolo5s.pt'文件进行训练，也可以改为其他的权重文件。
例如'yolo5l.pt','yolo5m.pt','yolo5x.pt'
2.'--source' 数据源
2.1.default 'data/images'存放目标检测文件的文件夹，在/images文件夹中可以存放图片/视频(图片推荐.jpg，视频推荐.mp4格式)，同时建议只放同一类的文件类型，比如只放图片，或只放视频。
2.2.手机下载ip摄像头，路径改为http://admin:admin@手机上打开之后显示的ip地址，就可以实时检测
电脑要和他在同一WiFi下，ip地址：后面的也写
3.'--data'
default 'data/coco128.yaml' 默认使用官方yaml文件
4.'--imgsz' 图片尺寸大小
default=[640] 默认检测时设置图片尺寸为640，这个和图片本身的尺寸不想关，并不是说会把目标图片的大小或输出的图片大小改为设置的大小，而是在检测图片时，会等比例缩放为指定尺寸，这样比较节约算力资源，如果按照图片原本的尺寸去检测，如果原本的图片尺寸很大，则需要更多的算力与时间去检测。但缩放图片比例去检测也意味着检测精度的损失。
5.'--conf-thres' 检测阈值
default=0.25 默认为0.25 检测阈值设置越低，则检测到的物体越多，但检测精度也越低。在检测结果中，图片上会标出检测到的物体有多少的概率是什么已知的物体。比如：阈值设置越低，则可能将"猫"检测标识为"狗"。反之，阈值设置得越高，则检测精度越高，但检测到的物体可能就很少，有时可能检测不到物体。
6.'--iou-thres' 一般默认（NMS IoU threshold(阈值)）
default=0.45，数值越大，则检测结果中每个目标的标注会很多（原理就是值越大，就代表检测的块必须完全一致才算同一部份，否则就会算多个不同的部分），反之，数值越小，则检测结果中每个目标标注就会较少，因为会把相似的部分当作同一个部分来标注。
7.'--max-det'
8.'--device'设备
默认为空，会自动检测使用的设备，比如CPU，cuda等
*******************************下面是没有default值的参数*************************************
#没有default值的参数，不是需要设置什么，而是用户自己选择是否启用，默认为false，关闭状态。如果用户要启用这些功能，只需要在运行时添加对应的参数（即设置为true）即可，运行时，会自动检测，检测到对应的参数为true，就会启用对应的功能。
#比如在命令行中运行'detect.py'且实时显示结果：
> python detect.py --view-img
9.'--view-img'实时显示结果
运行过程中，会实时显示检测出的结果，如果是图片，则每张每张的显示结果（注：如果检测很多张图片，不要设置这个参数，否则会把每一张图片都挨个显示出来），如果是视频，则以视频形式实时播放检测结果（如果电脑卡，那就是一帧一帧的播放，所以也不太建议设置这个参数）
10.'--save-txt'保存检测结果中的标注的坐标
保存结果为'.txt'文件类型，结果中会多一个'./labels/'文件夹，保存了生成的'.txt'文件
11.'--save-conf' 保存置信度
12.'--save-crop' 保存裁剪的预测框
13.'--nosave' 不保存检测结果的图片/视频
14.'--classes'过滤（可用于只保留指定的类型）
在检测中的'.txt'文件中，保存了检测目标的 类别（用不同的数字表示不同的类别），还有坐标信息（x,y,w,h）
例如：--classes 0 只保留0这个类别的文件
--classes 0 2 3 只保留0，2，3这三个类别的文件
例如：".txt"文件中，人这个类别用'0'表示，如果设置参数--classes 0 ，则结果图片中只会检测人这个类别，即使图片中有车，信号，动物等，都不会检测。
15.'--agnostic-nms' 增强nms效果
16.'--augment' 增强检测(识别度可能会有提升，但也有翻车的(把狗识别为人)，结果中标注框的颜色会加深一些)
17.'--visualize' 可视化特征
18.'--update' 优化
设置之后，会将运行过程中没用到的部分设置为None，只保存用到的部分
*******************************下面是有default值的参数*************************************
19.'--project' 检测结果保存的路径
default=ROOT / 'runs/detect' 即默认保存到项目下的'runs/detect/'文件夹
20.'--name' 检测结果保存到的文件夹的名称
default='exp' 所以每次运行后，保存结果的文件夹都叫'exp...'
*******************************下面是没有default值的参数*************************************
21.'--exist-ok' 对于已存在的文件夹是否覆盖
默认为false，即：如果已存在'--name'参数指定的文件夹'exp'，则创建新的文件夹保存结果，例如'exp2'。
同理，如果'exp2'也存在，就继续增加数字，例如'exp3'，直到不存在同名的文件夹
如果用户设置了这个参数，则表示，始终把检测结果保存到'--name'参数指定的文件夹'exp'中，即使'exp'文件夹存在，里面有文件，也会保存到这里面。
*******************************下面是有default值的参数*************************************
22.'--line-thickness' 官方解释：help='bounding box thickness (pixels)' 边界框厚度（像素）
default=3
23.'--hide-labels' 官方解释：help='hide labels' 隐藏标签
default=False
24.'--hide-conf' 官方解释：help='hide confidences' 隐藏置信度
*******************************下面是没有default值的参数*************************************
25.'--half' 官方解释：help='use FP16 half-precision inference' 使用FP16半精确推理
26.'--dnn' 官方解释：help='use OpenCV DNN for ONNX inference' 使用OpenCV DNN进行ONNX推理
*******************************下面是有default值的参数*************************************
27.'--vid-stride' 官方解释：help='video frame-rate stride' 视频帧速率步幅
default=1，即默认一帧一帧的处理
"""
Pycharm中设置运行detect.py时的参数
在命令行中加入参数，就是加在python detect.py的后面，例如python detect.py --view-img
参数中设置外部图片文件夹
设置外部视频文件
"""
# default是默认，action是选择。需要的话自己配置参数
*******************************下面是有default值的参数*************************************
#有default值的参数，你不设置值，就会使用作者给你配好的默认参数值
1.'--weights'
default='yolov5s.pt' 默认使用'yolov5s.pt'权重文件进行训练。也可以改为其他的权重文件。
例如'yolo5l.pt','yolo5m.pt','yolo5x.pt'，当然你也可以使用其他训练好的权重文件。
如果是自己训练数据集，则可以设置空参(即：default='')，让程序来生成权重文件。
2.'--cfg' 训练用的模型文件
default='' 默认为空，可以自己添加，例如使用官方的模型，在项目的'/models/'文件夹下
官方的有：'yolov5l.yaml','yolov5m.yaml','yolov5n.yaml','yolov5s.yaml','yolov5x.yaml'模型
3.'--data' 指定训练用的数据集
default='data/coco128.yaml' 默认使用官方的数据集图片（coco128即coco数据集的前128张图片，因为完整的coco数据集图片很多），打开'data/coco128.yaml'文件，可以发现其中指定的内容：
如果在本地项目中没有找到coco128数据集，则会自动下载，但由于有些电脑可能自动下载失败，可以复制给出的下载链接，手动去下载。download: https://ultralytics.com/assets/coco128.zip
'coco128.yaml'中还指定了数据集的路径：path，train(训练集),val(验证集),test(测试集)的路径。
其中 #Classes表示类别，names总共有80个，表示分了80个类别
当然，也可以使用其他的数据集，例如'coco.yaml','VOC.yaml'等官方提供的，或是别人的。
4.'--hpy' 超参数，用于对项目进行微调
default='data/hyps/hyp.scratch-low.yaml' 需要指定文件路径
需要注意：官方的'data/hyps/'文件夹下的'.yaml'文件并不适合每个数据集，例如'hyp.scratch-low.yaml'的开头几行就标明了：# Hyperparameters for low-augmentation COCO training from scratch #用于从无到有的低增强COCO训练的超参数，即这个超参数文件只适用于COCO数据集进行训练
5.'--epochs' 训练几轮
default=300，默认为训练300轮
6.'--batch-size' 批量大小（一次训练多少张图片）（一次处理的数据量多少）
default=16，跑多少的数据打包成一个batch送到网络中，低配电脑建议调小，否则可能会爆显存
建议default=4
7.'--imgsz' 设置训练时图像的大小(不是把训练的图片的尺寸改为指定的尺寸)
default=640
*******************************下面是没有default值的参数*************************************
8.'--rect' 矩阵训练
以前，对于不是正方形的图片，会自动填充图片边缘使其成为一个正方形图片，现在用矩阵训练，在满足网络模型输入要求的时候，就可以不必填充，原来是一个长方形图片，还是按长方形算，减少不必要的冗余信息，提高处理效率。
9.'--resume' 从最近的(上一个)训练模型中继续训练（断点续训）
default=False
如果要使用，除了启用设置参数，还需要指定上一个训练模型的路径（.pt文件的路径）
将default=False改为default='权重.pt文件的路径'
断点续训，这个在epoch(训练次数)太多，训练容易卡死时可设置，这样就可以接着上一次中断的地方继续训练。
例如：上一次训练到第7轮时中断了，则可以设置这个参数，这样就可以从第7轮继续训练。
但需要注意，不是指定了一个.pt文件就可以了，还需要原来训练时的所有相关联的文件。
10.'--nosave' help='only save final checkpoint'只保存最后一次训练的权重文件
训练过程中，每一轮都会生成一个.pt权重文件，但训练次数越多，权重文件的精度越好。
11.'--noval' help='only validate final epoch' 仅验证最后一轮
一般是每一轮都会验证。有些版本的这个参数叫'--notest'
12.'--noautoanchor' help='disable AutoAnchor' 禁用自动定位（禁用锚点）
以前检测图像，需要一个一个遍历，有了锚点后，就能快速定位，减少资源占用。所以默认是开启锚点的
13.'--noplots' help='save no plot files'不保存打印文件
14.'--evolve' help='evolve hyperparameters for x generations'
调整超参数的一种方式，对参数进行遗传算法
15.'--bucket' help='gsutil bucket'
16.'--cache' 缓存图像
help='--cache images in "ram" (default) or "disk"' 在RAM或DISK(磁盘)中缓存图像，以提供更快的速度
默认关闭状态
17.'--image-weights' help='use weighted image selection for training' 使用加权图像选择进行训练
理解：在上一轮的测试中，对于某些效果不太好的图片，在下一轮测试中加一些权重
18.'--device' 设备
默认为空，会自动检测使用的设备，比如CPU，cuda等
19.'--multi-scale' 对图像进行缩放比例变换
20.'--single-cls' help='train multi-class data as single-class'训练的数据集是单类别还是多类别
数据集图像中，每一种物体定义为一个类别，例如：人、车、狗、猫......
21.'--optimizer' help='optimizer' 优化器
choices=['SGD', 'Adam', 'AdamW'], default='SGD' 官方提供了3种，默认为'SGD'
22.'--sync-bn' help='use SyncBatchNorm, only available in DDP mode'
仅对于那些有很多张显卡的电脑/服务器，可以适用DDP分布式训练
23.'--workers' help='max dataloader workers (per RANK in DDP mode)' 最大数据加载器工人数
对于DDP模式的参数设置
*******************************下面是有default值的参数*************************************
24.'--project' 训练数据集后的输出路径
default='runs/train'
25.'--name' 训练结果保存到的文件夹的名称
default='exp' 所以每次运行后，保存结果的文件夹都叫'exp...'
*******************************下面是没有default值的参数*************************************
26.'--exist-ok' 对于已存在的文件夹是否覆盖
默认为false，即：如果已存在'--name'参数指定的文件夹'exp'，则创建新的文件夹保存结果，例如'exp2'。
同理，如果'exp2'也存在，就继续增加数字，例如'exp3'，直到不存在同名的文件夹
如果用户设置了这个参数，则表示，始终把检测结果保存到'--name'参数指定的文件夹'exp'中，即使'exp'文件夹存在，里面有文件，也会保存到这里面。
27.'--quad' help='quad dataloader' 四数据加载器
实验性功能，可能效果会更好，但也不确定，有时也更差
28.'--cos-lr' help='cosine LR scheduler' 余弦调度
如果开启，适用余弦方式进行处理（余弦退火算法），如果没有开启则使用线性处理
*******************************下面是有default值的参数*************************************
29.'--lable-smoothing' elp='Label smoothing epsilon' 标签平滑
避免在一些分类算法中，一些过拟合的情况产生
default=0.0
30.'--patience' help='EarlyStopping patience (epochs without improvement)'
提前停止训练（每一轮没有变化）
default=100
31.'--freeze' help='Freeze layers: backbone=10, first3=0 1 2' 冻结层：主干=10，第一层=0 1 2
default=[0]
32.'--save-preiod' help='Save checkpoint every x epochs (disabled if < 1)'
每x轮保存日志，不过好像要装WandB这个插件（这个插件好像没什么用），装了之后才能设置
default=-1，即禁用，装了插件后启用，则将参数值改为>1的
33.'--seed' help='Global training seed' 全局训练传递
default=0
34.'--local_rank' help='Automatic DDP Multi-GPU argument, do not modify' 自动DDP多GPU参数，请勿修改
default=-1
-------------# Logger arguments 记录器参数------------------
35.'--entity' help='Entity'实体
default=None（好像这个功能还没实现，具体实现代码作者还没写）
36.'--upload_dataset' 上传数据集 help='Upload data, "val" option' 上传数据，“val”选项
default=False（好像这个功能还没实现，具体实现代码作者还没写）
37.'--bbox_interval' help='Set bounding-box image logging interval' 设置边界框图像记录间隔
default=-1（好像这个功能还没实现，具体实现代码作者还没写）
38.'--artifact_alias' help='Version of dataset artifact to use' 要使用的数据集工件版本
default='latest'（好像这个功能还没实现，具体实现代码作者还没写）
"""
这里我使用的是恒源云（并非打广告，毕竟也没给钱ಥ_ಥ），也可使用阿里云、腾讯云等，随意。
恒源云官网：https://www.gpushare.com
访问官网，打开文档中心，可以自行学习如何操作
下面是我自己的操作，仅供参考
第一步就可以先把自己的需要训练的数据上传，官方提供的OSS存储（云盘），好像是按时间收费的（不用的时候可以清空下空间）
上传个人数据时，数据量越大，上传时间越久（也取决于个人的网速），如果不需要的文件，可以不用上传
在用户文档的数据上传板块，官方提供了三种上传文件的方式
这里我选择使用官方提供的OSS工具，上传个人数据，OSS工具的下载安装，可在官网的用户文档中找到
下载后就是一个oss.exe文件，不用安装，直接使用，建议直接复制到需要上传数据的文件夹
注意：OSS工具只能上传压缩包形式的文件！，所以先把要上传的数据压缩为.zip文件格式
双击运行oss.exe，启动界面如下
输入login，登录，接着输入Username和Password，就是你注册/登录时的账号和密码
输入mkdir oss://MyData，就会在官网上的属于你的OSS存储中创建一个MyData文件夹(可选)
上传你的训练数据到上面自己创建的文件夹中
这里以test.zip为例，输入cp test.zip oss://MyData/即可上传文件到云端目录，上传的快慢和文件大小与自己的网速有关
注意：在本地上传数据期间，需要把网页端打开，可能是保持连接吧，否则可能会上传失败，但还好有断点续传
输入ls -s -d oss://MyData/查看自己上传的个人数据（压缩包）
也可以在云端的控制台查看到自己上传的文件
在控制台，我的实例中，点击创建实例
购买实例，选择自己需要的计费模式，机型，显卡
关于镜像选择
可以选择官方的镜像
如果想图个方便，直接去镜像市场看看，有别人已经配置好的镜像，可以直接用（推荐）
关于镜像费用，购买镜像是不花钱，但购买了镜像，就相当于你把别人的镜像复制到了你的云空间，使用云空间是收费的，就是占用你的OSS存储空间，超过免费的5GB容量是另外收费的，不过也很便宜的。
也可以先在镜像中找一下，是否有自己需要的镜像
例如用于训练Yolov5的镜像，点击添加到我的镜像，即添加进自己账户的OSS存储空间（按小时收费，也很便宜）
使用官方送的代金卷购买实例
创建实例后的界面，打开JupyterLab
选择终端
使用前，先登录，输入oss login进行登录
oss ls -s -d oss://datasets/ 查看之前上传到云端datasets文件夹的.zip文件
oss cp oss://datasets/yolov5.zip /hy-tmp/ 下载压缩文件到/hy-tmp目录下
进入到/hy-tmp目录，并查看当前目录下存在的文件为yolov5.zip
使用unzip yolov5.zip命令，解压文件
解压后再次查看存在的文件
当然也可以在左边的树形目录中查看
由于之前创建实例用的是已经配置好的Yolov5的环境镜像，所以可以直接用
这里以训练我自己标注的20张图片为例，初始权重使用yolov5x.pt，训练300轮
train.py参数设置，也可以自己设置其他的参数
其中/data/MyTrains_parameter.yaml的内容如下
# parent
# ├── yolov5
# └── datasets
# └── MyTrains
# parameter：参数配置
path: ../datasets/MyTrains # dataset root dir 数据集路径
train: images/train # 训练集
val: images/train # 验证集(这里把验证集也使用训练集，为了方便，让训练集和验证集是一个，也没啥大问题。)
#test: images/test # 测试集(可选)
# Classes
nc: 2 # number of classes 你标注的类别的数量
names:
0: car
1: person
其中/models/MyTrains_model.yaml的内容，就是复制的源码中的/models/yolov5x.yaml，然后将其中的nc类别数量改为 2（你自己标注有几个类别就改为几个类别）
开始训练
训练完成
在detect.py的--weights参数设置自己训练后生成的best.pt权重文件
--source参数设置你用于预测的图片
--data参数设置为训练时的data/MyTrains_parameter.yaml
其他参数可以自行设置
开始预测
部分预测结果
只有20张图，预测结果还是不太准确
runs/文件夹下载，因为其他都是本地上传的，所以就全部下载了runs/文件夹zip -r -q xxx.zip runs/
将目录 run/ 下的所有文件，打包成一个压缩文件，并查看了打包后文件的大小和类型。
-r 参数表示递归打包包含子目录的全部内容，
-q 参数表示为安静模式，即不向屏幕输出信息
将压缩后的文件，上传到OSS云存储空间，输入oss cp xxx.zip oss://MyData/
这一步是后面加的，所以压缩后的名字不同
ls 在本地OSS中查看OSS云储存空间中的文件有哪些
将OSS云存储空间中的压缩文件下载到本地
例如：我这里下载到桌面，输入cp oss://MyData/test.zip D:\CYT\Desktop
以上就是我第一次训练Yolov5的一些笔记记录。
很好奇，就使用rubyonrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提
在控制台中反复尝试之后，我想到了这种方法，可以按发生日期对类似activerecord的(Mongoid)对象进行分组。我不确定这是完成此任务的最佳方法，但它确实有效。有没有人有更好的建议，或者这是一个很好的方法？#eventsisanarrayofactiverecord-likeobjectsthatincludeatimeattributeevents.map{|event|#converteventsarrayintoanarrayofhasheswiththedayofthemonthandtheevent{:number=>event.time.day,:event=>ev
我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i
我正在编写一个包含C扩展的gem。通常当我写一个gem时，我会遵循TDD的过程，我会写一个失败的规范，然后处理代码直到它通过，等等......在“ext/mygem/mygem.c”中我的C扩展和在gemspec的“扩展”中配置的有效extconf.rb，如何运行我的规范并仍然加载我的C扩展？当我更改C代码时，我需要采取哪些步骤来重新编译代码？这可能是个愚蠢的问题，但是从我的gem的开发源代码树中输入“bundleinstall”不会构建任何native扩展。当我手动运行rubyext/mygem/extconf.rb时，我确实得到了一个Makefile(在整个项目的根目录中)，然后当
这是一道面试题，我没有答对，但还是很好奇怎么解。你有N个人的大家庭，分别是1,2,3,...,N岁。你想给你的大家庭拍张照片。所有的家庭成员都排成一排。“我是家里的friend，建议家庭成员安排如下:”1岁的家庭成员坐在这一排的最左边。每两个坐在一起的家庭成员的年龄相差不得超过2岁。输入:整数N，1≤N≤55。输出:摄影师可以拍摄的照片数量。示例->输入:4，输出:4符合条件的数组:[1,2,3,4][1,2,4,3][1,3,2,4][1,3,4,2]另一个例子:输入:5输出:6符合条件的数组:[1,2,3,4,5][1,2,3,5,4][1,2,4,3,5][1,2,4,5,3][
我已经构建了一些serverspec代码来在多个主机上运行一组测试。问题是当任何测试失败时，测试会在当前主机停止。即使测试失败，我也希望它继续在所有主机上运行。Rakefile:namespace:specdotask:all=>hosts.map{|h|'spec:'+h.split('.')[0]}hosts.eachdo|host|begindesc"Runserverspecto#{host}"RSpec::Core::RakeTask.new(host)do|t|ENV['TARGET_HOST']=hostt.pattern="spec/cfengine3/*_spec.r
有时我需要处理键/值数据。我不喜欢使用数组，因为它们在大小上没有限制(很容易不小心添加超过2个项目，而且您最终需要稍后验证大小)。此外，0和1的索引变成了魔数(MagicNumber)，并且在传达含义方面做得很差(“当我说0时，我的意思是head...”)。散列也不合适，因为可能会不小心添加额外的条目。我写了下面的类来解决这个问题:classPairattr_accessor:head,:taildefinitialize(h,t)@head,@tail=h,tendend它工作得很好并且解决了问题，但我很想知道:Ruby标准库是否已经带有这样一个类？ 最佳
我们的git存储库中目前有一个Gemfile。但是，有一个gem我只在我的环境中本地使用(我的团队不使用它)。为了使用它，我必须将它添加到我们的Gemfile中，但每次我checkout到我们的master/dev主分支时，由于与跟踪的gemfile冲突，我必须删除它。我想要的是类似Gemfile.local的东西，它将继承从Gemfile导入的gems，但也允许在那里导入新的gems以供使用只有我的机器。此文件将在.gitignore中被忽略。这可能吗？ 最佳答案 设置BUNDLE_GEMFILE环境变量:BUNDLE_GEMFI
这似乎非常适得其反，因为太多的gem会在window上破裂。我一直在处理很多mysql和ruby-mysqlgem问题(gem本身发生段错误，一个名为UnixSocket的类显然在Windows机器上不能正常工作，等等)。我只是在浪费时间吗？我应该转向不同的脚本语言吗？ 最佳答案 我在Windows上使用Ruby的经验很少，但是当我开始使用Ruby时，我是在Windows上，我的总体印象是它不是Windows原生系统。因此，在主要使用Windows多年之后，开始使用Ruby促使我切换回原来的系统Unix，这次是Linux。Rub
我正在尝试使用Curbgem执行以下POST以解析云curl-XPOST\-H"X-Parse-Application-Id:PARSE_APP_ID"\-H"X-Parse-REST-API-Key:PARSE_API_KEY"\-H"Content-Type:image/jpeg"\--data-binary'@myPicture.jpg'\https://api.parse.com/1/files/pic.jpg用这个:curl=Curl::Easy.new("https://api.parse.com/1/files/lion.jpg")curl.multipart_form_