第一次毕业设计任务书

conky简介:

conky其实就是一个LINUX平台的应用于桌面环境的系统监视软件,可以在桌面上监控系统运行状态、网络状态等一系列参数,如下图桌面右侧部分:

 

conky都有哪些功能呢(以下摘自百度百科):

Conky是一种自由软件,用于X视窗系统的系统监测,可以在各种linux发布上使用的自由软件。Conky具有很高的可配置性,可以监视许多系统参数,如:CPU、内存、交换内存、硬盘使用情况等状态;各种硬件的温度;系统的进程(top);网络状态;电池电量;系统信息和邮件收发;各种音乐播放器MPD、XMMS2、BMPx、Audacious)的控制。不像其他系统监视器那样需要高级别的部件工具箱(widget toolkits)来渲染他们的信息,Conky可以直接在X视窗下渲染,这意味着在相同配置下Conky可以消耗更少的资源。

 

我要实现的conky是:

我要实现的conky是基于windows平台的,用C/C++编写该程序的代码,以下便是我暂时能想到要实现的功能:

基本功能设计:

一、各种系统数据信息的显示:

1.显示 CPU 占用情况、磁盘容量、OS 版本号、日历、网络情况等等各类系统信息(估计会加上对数据库里面信息的读取并显示)。

2.动态显示时间、磁盘、CPU和进程占用资源等信息。类似于存储信息(内存和硬盘等使用情况)的显示,采用两种动态显示方式:一种直接按百分比显示;一种则按图形显示,这样更为直观明了。

二、程序显示界面效果和排版

1.采用透明背景显示。

2.布局看起来美观即可。

三、程序运行方式

1.能够后台独立运行:这种类似于插件一样的小程序需要实时的显示系统的一些基本使用情况,以便于我们的查看和对系统的监控。

 

以下是本次毕业设计的任务安排:

计划安排时间计划完成内容是否完成
2017.02.20~2017.03.10(1-3周)

对系统功能的需求分析;

学习相关对系统信息查看的API函数,查阅相关资料,为以后动态显示信息提供准备。

2017.03.11~2017.04.14(4-8周)

继续学习相关内容,并实际用到开发环境中去编写测试代码;

把核心代码写好;

并开始准备毕业论文;

待完成
2017.04.15~2017.05.05(9-11周)

毕设基本快要完成;

完成毕业论文的初稿;

修改程序bug、优化程序等;

 

待完成
2017.05.06~2017.05.19(12-13周)

 

写好毕业论文,准备答辩

 

待完成
14周

答辩

待完成

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

代码和效果展示:

暂时还没开始着手编写代码

 

本周任务体会:

在网上查阅相关资料才发现程序没我想象的那么简单,特别是对界面排版布局这方面感觉有很大的难度,而且动态的显示CPU、进程信息等更是对于现在什么都不懂的我来说真的很是无助。不过我相信只要努力认真的查阅资料就一定会有所收获,一定能把功能写好实现。

 

参考文献:

我只是暂时在网上搜了一些关于动画显示的效果类似这样,但不一定会按这样的方法做,估计以后会找到其它方法的动画效果

转载于:https://www.cnblogs.com/yumhoa/p/6517185.html

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.youkuaiyun.com/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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