本项目包含一系列Python深度学习算法和计算机视觉实现的练习，涵盖了从基础算法到OpenCV图像处理的多个方面。学生需要补全 exercises 目录下的 Python 文件中缺失的代码，并通过本地测试或 GitHub Actions 自动测试来验证自己的实现是否正确。

1. exercises/iou.py: 实现目标检测中的交并比 (IoU) 计算。
2. exercises/nms.py: 实现目标检测中的非极大值抑制 (NMS) 算法 (包含 IoU 计算)。
3. exercises/conv.py: 手写实现二维卷积操作。
4. exercises/leaky_relu.py: 实现 LeakyReLU 激活函数。
5. exercises/maxpool.py: 实现最大池化操作。
6. exercises/cross_entropy.py: 实现交叉熵损失函数。
7. exercises/smooth_l1.py: 实现 Smooth L1 损失函数。

8. exercises/image_processing.py: 使用 OpenCV 实现图像边缘检测等基本处理。
9. exercises/contour_detection.py: 使用 OpenCV 实现图像轮廓检测。

1. Fork 本仓库: 将此仓库 Fork 到您自己的 GitHub 账户。
2. 克隆仓库: 将您 Fork 的仓库克隆到本地计算机。
3. 设置环境: 参考下方的"环境要求"和"运行方法"安装必要的依赖。
4. 打开练习文件: 在 exercises/ 目录中找到对应的 .py 练习文件（例如 exercises/iou.py）。
5. 阅读说明: 仔细阅读文件顶部的文档字符串和注释，理解需要实现的功能和提示。
6. 编写代码: 在标记为 # 请在此处编写代码 或有 pass 语句的地方，根据提示完成函数或方法的实现。
7. 本地测试 (可选但推荐): 在终端运行 python -m pytest tests/ -v 来检查您的代码是否能通过测试用例。您可以先只关注您正在做的那个练习对应的测试文件，例如 python -m pytest tests/test_iou.py -v。
8. 提交与推送: 将您修改后的代码提交 (commit) 并推送 (push) 到您 Fork 的 GitHub 仓库。
9. 查看自动测试结果: 推送代码会自动触发 GitHub Actions 工作流。若未触发工作流，请手动触发。您可以在 GitHub 仓库页面的 "Actions" 标签页查看运行状态、测试结果和计算出的分数。

建议按照练习文件名的隐含顺序或上述列表顺序学习，从基础算法到图像处理应用：

1. 先掌握目标检测的基础算法 (iou.py, nms.py)。
2. 学习深度学习的核心组件实现 (conv.py, leaky_relu.py, maxpool.py, cross_entropy.py, smooth_l1.py)。
3. 最后学习 OpenCV 图像处理 (image_processing.py, contour_detection.py)。

• Python 3.10 (与 GitHub Actions 工作流一致)
• 必要的依赖库见 requirements.txt 文件，主要包括：
  • numpy
  • opencv-python
  • pytest

Python-Training-Camp-Advanced/
├── .github/workflows/     # GitHub Actions 工作流配置
│   └── test.yml
├── exercises/             # 学员练习目录 (需要填空的 .py 文件)
│   ├── contour_detection.py
│   ├── conv.py
│   ├── cross_entropy.py
│   ├── image_processing.py
│   ├── iou.py
│   ├── leaky_relu.py
│   ├── maxpool.py
│   ├── nms.py
│   └── smooth_l1.py
├── picture/               # 可能包含测试用的图片资源
├── tests/                 # Pytest 测试文件
│   ├── test_contour_detection.py
│   ├── test_conv.py
│   ├── # ... (其他测试文件)
│   └── test_smooth_l1.py
├── .gitignore             # Git 忽略文件配置
├── README.md              # 项目说明文件 (本文件)
├── requirements.txt       # Python 依赖库列表
├── score_calculator.py    # 用于计算分数的脚本
└── test_score.txt         # 分数计算结果（示例或运行时生成）

1. 安装依赖:

   # 建议在虚拟环境中操作
   # python -m venv venv
   # source venv/bin/activate  # Linux/macOS
   # venv\Scripts\activate  # Windows
   
   pip install -r requirements.txt
   

2. 本地运行测试:

   # 运行所有测试
   python -m pytest tests/ -v
   
   # 运行特定测试文件
   python -m pytest tests/test_iou.py -v
   

3. 自动测试与评分 (GitHub Actions):
   • 将您的代码 git push 到您 Fork 的 GitHub 仓库。
   • 稍等片刻，进入 GitHub 仓库页面，点击 "Actions" 标签。
   • 找到最新的工作流运行实例，点击进入查看详情。
   • 您可以查看测试日志、pytest 的输出以及 score_calculator.py 生成的分数报告 (test_score.txt 会作为 artifact 上传)。

• 每个练习文件中都有详细的注释说明和提示，请仔细阅读。
• 需要填写的代码部分主要是完成带有 pass 语句的函数体。
• 务必先独立思考和实现，必要时再参考 answers/ 目录下的答案。

当您推送代码后，GitHub Actions 会自动执行以下流程：

1. 运行 pytest 对您在 exercises/ 目录下的代码进行测试。
2. 即使部分测试失败，流程也会继续 ( благодаря continue-on-error: true)。
3. 运行 score_calculator.py 脚本，该脚本可能会根据 pytest 的测试结果（例如解析生成的 test-results.xml 文件）来计算一个分数。
4. 最终的分数会保存在 test_score.txt 文件中。
5. 您可以在 GitHub Actions 的运行日志中看到分数报告的打印输出。
6. test_score.txt 和 test-results.xml 文件会作为构建产物 (Artifacts) 上传，您可以在 Actions 运行详情页面下载它们以查看详细结果。

最终评价基于 score_calculator.py 计算出的分数。 docker build -t docker.cnb.cool/momo.mo/python-training-advanced:latest .ide docker build -t docker.cnb.cool/MOMO.MO/python:latest .ide docker.cnb.cool/opencamp/learning-ai/ai-course-lab-basic:latest

docker push docker.cnb.cool/momo.mo/python-training-advanced:latest