TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #421 · 23 мар.

Мы используем Makefile думая, что нет альтернатив, что это стандарт и всё такое. Но make это не запускалка команд, а система сборки. Мы фактически используем его не по назначению. И на самом деле альтернатива есть! Некоторое время назад я открыл для себя прекрасный инструмент - just. Он решает все проблемы make. just - это не система сборки как make, это именно исполнитель команд! Больше никаких Phony Targets и табуляций, привет нормальный синтаксис и передача аргументов!!! 😎 ⭐️Что умеет just: ✅ Автодокументирование команд Не нужно делать отдельную команду с докой, просто добавь комментарий # команда сборки build: ... $ just --list Available recipes: build # команда сборки Команда с именем default запускается по умолчанию если не указано другое, так что я обычно делаю так: default: just --list Теперь просто выполняем just и получаем доку из текущего файла. ✅ Удобная работа с переменными окружения # загрузить из .env set dotenv-load # глобальная переменная export PYTHONPATH := "./src" # переменная для команды test $TESTUNG="true": pytest ✅ Передача аргументов build target: @echo 'Build {{target}}...' команда запуска $ just build dev # Build dev... ✅ Выбор интерпретатора прямо в команде Пример с инлайн-скриптом на python: system: #!/usr/bin/env python3 import platform print(platform.system()) Эта же функция позволит выполнить скрипт как одну команду вместо перезапуска шела для каждой строки foo: #!/usr/bin/env sh for file in ls .; do echo $file done ✅ Выполнение команды в определенной директории. Можно указать как релятивный путь так и абсолютный [working-directory: 'backend'] build: docker compose build Также можно задать рабочую директорию глобально Там еще много интересного: - поддержка функций - автокомплиты и интеграции - экспрешены - алиасы команд - группировка команд - альтернативы команды под разные ОС - импорт других just-файлов - цветной вывод - ... и другие штуковины! Так что вперёд - ➡️ читать доку! Репозиторий: ➡️https://github.com/casey/just Статья: ➡️https://www.chicks.net/reference/file_formats/just/ ЗЫ. Кажется, на Makefile я уже не вернусь) #tools

Hashtags

Резултати

Пронајдени 1 слични објави

Пребарај: #resnet

当前筛选 #resnet清除筛选
Data Science Jobs

@datasciencejobs · Post #2854 · 08.08.2025 г., 06:05

#вакансия#ML#CV#Engineer#Senior#YOLOv5#YOLOv8#EfficientDet#EfficientNet#ResNet#ViT#DeepLab#ObjectTracking#SQL#Docker#k8s#Remote Senior CV/ML Engineer Всем привет! Наша компания Will9 (резиденты Сколково, ИТ-аккредитация) активно развивает продуктовое направление, в связи с чем мы находимся в поиске Senior CV/ML Engineer в высоконагруженный масштабный продукт для ритейла. Наша компания занимается реализацией проектов для ТОП-3 ритейлеров РФ и работает на рынке более 8 лет. Вам предстоит принять участие в составе команды асов в разработке продукта. Спектр задач довольно широкий – матчинг товаров и ценников, построение облаков эмбеддингов, классифкация, сегментация и детектирование, трекинг объектов, а также непрерывное дообучение в “боевых” условия магазинов на тысячах камер. Мы ждем от вас: ● Более 4 лет опыта полного цикла обучения, развертывания и поддержки систем компьютерного зрения (желательно в ритейле, индустриальной или IoT-сфере) ● Опыт построения пайплайна от сбора данных до инференса в проде: ○ Аугментация, аннотация, выбор модели, обучение, валидация, экспорт, интеграция. ○ Применение Active Learning, Semi-supervised Learning (если аннотация ограничена). ● Практический опыт владения языком Python более 4 лет (основные библиотеки для DS/ML/CV) ● Глубокое знание современных CV-технологий: ○ Object Detection: YOLOv5/v8, SSD, Effi cientDet, Faster R-CNN и др. ○ Image Classifi cation: Effi cientNet, ResNet, ViT и др. ○ Instance/semantic segmentation: Mask R-CNN, DeepLab. ○ Object Tracking. ● Опыт построения и поддержки больших мультиклассовых каталогов: ○ Работа с большим количеством классов (10k+), включая fi ne-grained classifi cation. ○ Оптимизация производительности при inferencing на большом классовом спейсе ● Приветствуется знание систем баз данных (например, PostgreSQL, Infl uxDB) и языка SQL. ● Опыт с микросервисной архитектурой и контейнеризацией (Docker, Kubernetes), а также организации высокопроизводительного инференса (например, DeepStream или Triton Inference Server) ● Практический опыт оптимизации сетей (прунинг, квантизация, дистилляция) будет существенным плюсом Что мы предлагаем: ● Конкурентоспособная заработная плата (170-300k для middle, от 300 до 500к на руки для senior в зависимости от опыта). ● Делаем 2 новых продукта (трекшен от ритейла очень хороший). ● Небольшой эффективный коллектив проектной команды, собранный из профессионалов (A-Team). ● Полностью удаленный формат работы и гибкий график. ● Готовы брать и на проектную деятельность (неполная занятость). 👉 По всем вопросам и с резюме пишите @PrometeiArt