Python 参数配置使用 XML 文件的教程：轻松管理你的项目配置

ops/2024/12/15 10:40:48/
xmlns="http://www.w3.org/2000/svg" style="display: none;">

Python 参数配置使用 XML 文件的教程：轻松管理你的项目配置

一句话总结：当配置项存储在外部文件（如 XML、JSON）时，修改配置无需重新编译和发布代码。通过更新 XML 文件即可调整参数，无需更改源代码，从而提升开发效率和代码可维护性。

1. 为什么选择 XML 配置文件

XML 配置文件具有多种优点，如良好的扩展性、可读性和兼容性等。然而，最重要的优势在于其简洁和优雅的结构。

在使用 Python 编写机器学习算法或其他算法时，99%的情况需要调用库并使用他人封装的代码。这过程中常常涉及文件路径、参数配置等问题。当算法开发到一定程度（基本不需要修改大的结构后），此时引入 XML 配置文件来管理输入输出文件及相关参数，不仅方便参数的调整，还简化了模型的打包过程。

以我自己的一个代码项目为例，使用 RANSAC 和 ICP 进行点云配准。在引入 XML 配置文件之前，代码如下：

python">if __name__ == "__main__":# 设置距离阈值voxel_size = 5distance_threshold = 4print(f"Using voxel size: {voxel_size}")print(f"Using distance threshold: {distance_threshold}")# 加载模型pcd_mri = load_and_convert_to_point_cloud("mri1.stl", num_points=8000)pcd_scan = preprocess_point_cloud(load_and_convert_to_point_cloud("scan2.stl", num_points=10000), voxel_size)pcd_helmet = load_and_convert_to_point_cloud("helmet2.stl", num_points=6000)   ...

虽然将需要修改的路径和参数集中在代码前部是一种良好的习惯，便于自己维护和调参，但对于他人来说，代码后部分仍然存在许多需要调整的参数：

python"># 使用RANSAC进行 mri -> scan 粗配准
result_ransac_mri_to_scan = o3d.pipelines.registration.registration_ransac_based_on_feature_matching(pcd_mri_down, pcd_scan_down, fpfh_mri, fpfh_scan, True,distance_threshold,o3d.pipelines.registration.TransformationEstimationPointToPoint(False),3,[o3d.pipelines.registration.CorrespondenceCheckerBasedOnEdgeLength(0.8),o3d.pipelines.registration.CorrespondenceCheckerBasedOnDistance(distance_threshold)],o3d.pipelines.registration.RANSACConvergenceCriteria(4000000, 500)
)# 使用RANSAC进行 helmet -> scan 粗配准
result_ransac_helmet_to_scan = o3d.pipelines.registration.registration_ransac_based_on_feature_matching(pcd_helmet_down, pcd_scan_down, fpfh_helmet, fpfh_scan, True,distance_threshold,o3d.pipelines.registration.TransformationEstimationPointToPoint(False),3,[o3d.pipelines.registration.CorrespondenceCheckerBasedOnEdgeLength(0.8),o3d.pipelines.registration.CorrespondenceCheckerBasedOnDistance(distance_threshold)],o3d.pipelines.registration.RANSACConvergenceCriteria(4000000, 500)
)

这些参数通常已经调试好，且不需要频繁修改，但其他开发者可能不清楚这些参数的具体含义和设置。因此，使用 XML 配置文件来规范化参数设置，是一种有效的解决方案。

2. 使用 XML 配置文件存储参数

通过一个 XML 配置文件来存储配准相关的参数，可以显著提升代码的可维护性和灵活性。以下是一个示例配置文件：

xml"><?xml version="1.0" encoding="UTF-8"?>
<config><Preprocessing><VoxelSize>5.0</VoxelSize></Preprocessing><Alignment><DistanceThreshold>4.0</DistanceThreshold></Alignment><ModelFiles><MRI>mri_model.stl</MRI><Scan>scan_model.stl</Scan></ModelFiles><NumPoints><MRI>8000</MRI><Scan>10000</Scan></NumPoints>
</config>

3. 解析 XML 文件并提取配置参数

使用 Python 的 xml.etree.ElementTree 库，可以轻松解析 XML 文件并提取所需的配置参数。以下是示例代码：

python">import xml.etree.ElementTree as ET# 从 XML 文件中加载参数
def load_parameters_from_xml(xml_file):tree = ET.parse(xml_file)root = tree.getroot()params = {'voxel_size': float(root.find('Preprocessing/VoxelSize').text),'distance_threshold': float(root.find('Alignment/DistanceThreshold').text),'model_files': {'mri': root.find('ModelFiles/MRI').text,'scan': root.find('ModelFiles/Scan').text,},'num_points': {'mri': int(root.find('NumPoints/MRI').text),'scan': int(root.find('NumPoints/Scan').text),}}return params

这样一来，代码不仅更加简洁优雅，还方便了他人的使用和维护。

4. 保存结果到 XML 文件

同样地，输出结果也可以通过 XML 文件进行保存。只要是可以 print 出来的内容，都可以使用 XML 来存储。这一方法的好处在于，若你的算法需要被集成到某个框架中，其他人也可以轻松通过读取 XML 文件来实现输入输出接口。

python">def save_results_to_xml(file_name, voxel_size, distance_threshold, ransac_results, icp_results):root = ET.Element("Results")# 添加基本参数parameters = ET.SubElement(root, "Parameters")ET.SubElement(parameters, "VoxelSize").text = str(voxel_size)ET.SubElement(parameters, "DistanceThreshold").text = str(distance_threshold)# 添加 RANSAC 和 ICP 结果# 省略具体的添加过程，最后美化 XML 并写入文件with open(file_name, "w", encoding="utf-8") as f:f.write(pretty_xml)

5. 完整示例代码

以下是最终的完整示例代码，展示了如何使用 XML 配置文件来管理参数，并进行点云配准：

python">if __name__ == "__main__":try:import osimport sysBASE_DIR = os.path.dirname(os.path.realpath(sys.argv[0]))xml_file_path = os.path.join(BASE_DIR, 'AlignPoint_input.xml')params = load_parameters_from_xml(xml_file_path)voxel_size = params['voxel_size']distance_threshold = params['distance_threshold']# 加载和预处理点云mri_file_path = os.path.join(BASE_DIR, params['model_files']['mri'])scan_file_path = os.path.join(BASE_DIR, params['model_files']['scan'])pcd_mri = load_and_convert_to_point_cloud(mri_file_path, params['num_points']['mri'])pcd_scan = preprocess_point_cloud(load_and_convert_to_point_cloud(scan_file_path, params['num_points']['scan']), voxel_size)# 计算 FPFH 特征和下采样点云pcd_mri_down, fpfh_mri = compute_fpfh_features(pcd_mri, voxel_size)pcd_scan_down, fpfh_scan = compute_fpfh_features(pcd_scan, voxel_size)# 执行 RANSAC 和 ICP 配准# ...# 保存结果到 XML 文件save_results_to_xml("AlignPoint_output.xml", voxel_size, distance_threshold, ransac_results, icp_results)# 可视化对齐结果visualize_alignment(pcd_mri, pcd_scan, result_icp_mri_to_scan.transformation)except Exception as e:print("An error occurred:", e)with open("error_log.txt", "w") as f:f.write(str(e))

OVER！


http://www.ppmy.cn/ops/142073.html

相关文章

xdoj 矩阵元素求和并排序

xdoj 矩阵元素求和并排序

问题描述 请写一个程序&#xff0c;对于一个 m 行 m 列&#xff08;2&#xff1c;m&#xff1c;20&#xff09;的方阵&#xff0c;求其每一行、每一列及主、 辅对角线元素之和&#xff0c;然后按照从大到小的顺序依次输出这些值。 注&#xff1a;主对角线是方阵从左上角到右下…
阅读更多...
论文阅读 -- IDENTIFYING THE RISKS OF LM AGENTS WITHAN LM-EMULATED SANDBOX， ICLR2024

论文阅读 -- IDENTIFYING THE RISKS OF LM AGENTS WITHAN LM-EMULATED SANDBOX， ICLR2024

论文链接&#xff1a;https://arxiv.org/pdf/2309.15817 目录 ABSTRACT 1 INTRODUCTION 2 BACKGROUND & PROBLEM STATEMENT 3 CONSTRUCTING TOOLEMU 3.1 EMULATING TOOL EXECUTIONS WITH LANGUAGE MODELS 3.2 DESIGNING AUTOMATIC EVALUATIONS WITH LANGUAGE MODEL…
阅读更多...
【软件开发 | 重构】避免 if-else 函数式风格

【软件开发 | 重构】避免 if-else 函数式风格

本文译自：https://lackofimagination.org/2024/09/avoiding-if-else-hell-the-functional-style/，对文章内容作二次修改。 文章目录 背景使用守卫语句的提前返回决策表函数组合总结背景 多年前，我参与开发了一款叫车移动应用，这款应用至今仍被广泛使用。我不清楚他们现在使…
阅读更多...
ionic capacitor JSValueEncodingContainer报错

ionic capacitor JSValueEncodingContainer报错

try to clean the build folder. exit Xcode. upgrade your capacitor core libraries update cocoapods to 1.13.0 do “pod install --repo-udpdate” after that: ionic build --prodnpx cap updatenpx cap syncnpx cap open ios capacitor ios最低版本要求13 [Bug]:…
阅读更多...
iOS 18.2 今天正式推送更新，带来了备受瞩目的 ChatGPT 集成以及更多 Apple Intelligence 工具

iOS 18.2 今天正式推送更新，带来了备受瞩目的 ChatGPT 集成以及更多 Apple Intelligence 工具

每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗&#xff1f;订阅我们的简报&#xff0c;深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同&#xff0c;从行业内部的深度分析和实用指南中受益。不要错过这个机会&#xff0c;成为AI领…
阅读更多...
huggingface NLP-微调一个预训练模型

huggingface NLP-微调一个预训练模型

微调一个预训练模型 1 预处理数据 1.1 处理数据 1.1.1 fine-tune 使用tokenizer后的token 进行训练 batch tokenizer(sequences, paddingTrue, truncationTrue, return_tensors"pt")# This is new batch["labels"] torch.tensor([1, 1])optimizer A…
阅读更多...
机器学习之交叉熵

机器学习之交叉熵

交叉熵&#xff08;Cross-Entropy&#xff09;是机器学习中用于衡量预测分布与真实分布之间差异的一种损失函数&#xff0c;特别是在分类任务中非常常见。它源于信息论&#xff0c;反映了两个概率分布之间的距离。 交叉熵的数学定义 对于分类任务&#xff0c;假设我们有&#…
阅读更多...
Scala测试

Scala测试

implicit class StrongString(str: String) {def isPhone: Boolean {val reg "1[3-9]\\d{9}".rreg.matches(str)}}def main(args: Array[String]): Unit {val str: String "18888488488"// 需求&#xff1a;给字符串补充一个功能isPhone&#xff0c;判…
阅读更多...
最新文章

Copyright @ 2022~2023