Git提交项目到GitHub完整流程

这篇博客详细介绍了如何将本地项目从初始化Git仓库到提交到GitHub的全过程,包括SSH授权、Git配置、项目提交和关联远程仓库。通过实例展示了Git的基本操作,如git init、git add、git commit、git remote add origin和git push,以及解决初次推送时可能出现的问题。

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

这是在优快云第一篇博客,以后也一定会坚持写博客,虽然不一定很深入,但是一定会用心的去写,这样才能提高自己的能力。至于想写此文的目的,主要是最近准备自己业余动手敲一个完整一点的项目,同时需要使用Git与Github,毕竟以前用的并不是太多,对语法虽然知道,但是不熟悉。而且尽管现在工作不需要使用Git,但指不定哪天就需要使用,如果不够熟练那也是很郁闷的。不闲扯了,接下来正式开始介绍Git与Github结合使用,最初可能是一些最基本的,后期使用中遇到一些坑或者其他问题都会记录在此文章。

说明一下,这博客确实是以前写的,只不过不是写在这个账号上,现在想着还是搬过来吧!毕竟以后如果需要查阅的话也方便

Git介绍就不说了,就是版本控制,管理我们的代码,这篇文章想说的主要还是如何把本地的项目提交得到Github上去。首先当然是需要你有自己的Github账号及安装了Git,这些都是一步步往下走就不多说(说明一下,此文目前是针对windows系统)

1,准备条件(SSH授权)

我们需要使用Git向我们自己的Github上提交自己的项目或者其他资源,需要我们的电脑与Github之间进行一种SSH授权,授权之后才能进行提交,如果不进行授权就能提交,那任何人都可以随意的提交东西到别人的Github上,那就乱套了。这里不会细说,因为我也是从别处学来的,这里讲的主要是如何操作。接下来看我们如何让自己电脑与Github之间进行SSH授权。
我们安装了Git之后鼠标右键会出现Git Bash Here,点击Git Bash Here进入到Git终端,如图:
这里写图片描述
接着在Git终端里输入 ssh-keygen -t rsa 然后就会生成两个文件 id_rsa 和 id_rsa.pub ,而 id_rsa 是密钥,id_rsa.pub 就是公钥。这两个文件默认生成的位置在/C/Documents and Settings/username/.ssh 下,如下图,我生成的文件:
这里写图片描述
接下来要做的是把 id_rsa.pub 的内容添加到 GitHub 上,这样你本地的 id_rsa 密钥跟 GitHub 上的 id_rsa.pub 公钥进行配对,授权成功才可以提交代码。

接下来我们看如何把 id_rsa.pub的内容添加到Gitdhub上:

在Github的设置页面,可以添加SSH key,这里要添加的 SSH key就是我们之前生成的 id_rsa.pub的内容:如下图

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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