el-rate 自定义辅助文字

本文详细介绍了如何在Element UI的el-rate组件中自定义辅助文字,从官网操作步骤到示例代码,适合希望个性化评分显示的开发者。

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

el-rate 自定义辅助文字

在el-rate中有默认的辅助文字['极差', '失望', '一般', '满意', '惊喜'],如果我们想改成更酷的文字,我们需要自定义辅助文字

官网上实际已经说的很清楚了

具体做法是:

<el-rate v-model="value" :texts="texts" show-text/>

export default {
  data() {
    return {
	  texts: ['很垃圾', '垃圾', '还行', '漂亮', '五星好评']
    }
  }
}

原先效果:

改后效果:


我是时生,一个正在努力的小白。欢迎批评,欢迎指正,欢迎共享。 如果这篇文章对你有帮助,麻烦点个赞呗!

### PVEL-AD 技术文档概述 PVEL-AD 是一个专注于光伏电池缺陷检测的开源项目,旨在通过深度学习技术实现高效的目标检测和异常识别。以下是关于该项目的技术文档和技术配置的相关信息: #### 1. **项目目录结构** 项目的整体目录结构清晰明了,便于开发者快速上手[^2]。主要包含以下几个部分: - `data`: 存储数据集及相关预处理脚本。 - `models`: 包含用于训练和推理的各种深度学习模型定义。 - `scripts`: 提供一系列辅助脚本,例如数据增强、标注清理等。 #### 2. **环境搭建与依赖安装** 为了顺利运行 PVEL-AD 项目,需按照官方手册完成必要的环境配置。具体步骤如下: - 使用 Python 虚拟环境隔离开发环境。 - 安装所需的第三方库,例如 PyTorch 和 Ultralytics 的 YOLOv8 库[^4]。 #### 3. **数据集准备** PVEL-AD 支持多种格式的数据集输入,其中 EL2021 数据集是一个典型的光伏电池缺陷样本集合[^3]。对于 XML 标注文件中的空标签问题,可以通过以下代码批量移除无用的标注文件[^5]: ```python import xml.etree.cElementTree as ET import os path_root = 'E:\\dataset\\PVEL-AD\\Detection\\test\\total_annotations\\' xml_list = os.listdir(path_root) for axml in xml_list: path_xml = os.path.join(path_root, axml) tree = ET.parse(path_xml) root = tree.getroot() if len(root.findall('object')) == 0: os.remove(path_xml) # 删除空标注文件 ``` #### 4. **模型训练** 基于 YOLOv8 的目标检测框架可以显著提升训练效率和精度。核心训练过程涉及以下关键环节: - 配置超参数:包括批次大小 (`batch_size`)、学习率 (`learning_rate`) 等。 - 自定义数据加载器:适配特定格式的图像和标注文件。 - 训练脚本调用:执行训练命令并监控损失曲线变化。 #### 5. **推理与结果可视化** 完成模型训练后,可利用推理脚本对新采集的图片进行预测,并生成直观的结果展示图。典型代码片段如下所示: ```python from ultralytics import YOLO model = YOLO("best.pt") # 加载最优权重文件 results = model.predict(source="image.jpg", save=True) # 输出带框选标记的图片 ``` --- ###
评论 4
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