UVA11971 - Polygon

本文介绍了一个简单的C++程序,用于计算并输出给定数值下特定分数的最简形式。该程序利用了递归算法来实现最大公约数的计算,并进一步简化分数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这个题 比较水,读者自己看吧

#include <iostream>

using namespace std;
typedef unsigned long long llu;

llu gcd(llu a,llu b){
    return a%b==0? b: gcd(b,a%b);
}

int main(){
    int T,kase=0;
    cin>>T;
    while(T--){
        int n;
        cin>>n;
        cin>>n;
        llu fenmu=((llu)1<<n);
        llu fenzi=fenmu-1-n;
        llu g=gcd(fenzi,fenmu);
        cout<<"Case #"<< ++kase <<": "<<  fenzi/g <<"/"<< fenmu/g <<endl;
    }
    return 0;
}


### Labelme AI-polygon 功能使用指南 Labelme 是一款强大的开源数据标注工具,广泛应用于计算机视觉领域中的图像分割任务。为了提升标注效率并引入智能化操作,Labelme 提供了 **AI-Polygon** 功能模块,该功能允许用户利用预训练模型生成初始的多边形轮廓,并在此基础上进行微调。 #### 虚拟环境配置 在开始之前,需确保 Python 版本为 3.8 或更高版本[^4]。推荐通过 Conda 创建独立的虚拟环境以避免依赖冲突: ```bash conda create -n labelme python=3.8 conda activate labelme ``` 安装必要的依赖库: ```bash pip install labelme pip install git+https://github.com/facebookresearch/segment-anything.git ``` 上述命令会安装 `labelme` 工具及其配套的 Segment Anything Model (SAM),后者是实现 AI-Polygon 功能的核心组件[^4]。 --- #### 启动 Labelme 并加载 AI-Polygon 插件 启动 Labelme 应用程序时,可以通过命令行参数启用插件支持: ```bash labelme --autolabeling-config ./config.yaml ``` 其中,`./config.yaml` 文件用于定义自动标注的行为逻辑。以下是 YAML 配置文件的一个简单示例: ```yaml model_type: sam sam_checkpoint: models/sam_vit_h_4b8939.pth device: cuda point_prompt: points_per_side: 16 point_grids: null mask_threshold: 0.0 dilation_kernel_size: null stability_score_thresh: 0.92 stability_score_offset: 1.0 box_nms_thresh: 0.7 crop_n_layers: 0 crop_nms_thresh: 0.7 crop_overlap_ratio: 512 / 1500 crop_n_points_downscale_factor: 1 min_mask_region_area: 100 output_dir: output/ ``` 此配置指定了 SAM 模型的位置 (`sam_checkpoint`) 及其运行设备(CPU/GPU)。如果硬件支持 CUDA,则应优先选择 GPU 加速模式[^4]。 --- #### 使用 AI-Polygon 进行标注 完成初始化设置后,在实际操作过程中遵循以下流程: 1. 打开目标图片; 2. 切换至 “Auto Labeling” 模式; 3. 单击鼠标左键标记感兴趣区域的关键点; 4. 系统将基于输入坐标预测完整的边界框或多边形[^4]; 5. 用户可手动调整生成的结果直至满意为止。 值得注意的是,尽管 AI-Polygon 显著提高了工作效率,但在复杂场景下仍可能需要人工干预校正错误部分[^2]。 --- #### 数据导出与格式转换 当所有样本均已完成标注之后,通常还需要将其转化为适合下游算法使用的标准格式(如 Pascal VOC 或 COCO JSON)。借助内置脚本即可轻松达成这一目的: ```bash python labelme2voc.py 输入目录 输出目录 --labels 标签列表.txt ``` 具体语法参见官方文档说明[^3]。 --- ### 注意事项 - 如果遇到兼容性问题,请确认所选 Python 解释器版本是否符合要求。 - 对于大规模生产环境而言,考虑部署更专业的解决方案比如 Labellerr,它不仅具备类似的自动化能力,而且提供了额外的企业级特性诸如 MLOps 整合、质量保障体系等[^1]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值