OSGi放弃了Snapshot提议

OSGi联盟最近发布了OSGi R5的预览文档 。在这个即将发布的规范里,最令人期待的功能之一是鉴于SNAPSHOT对现有工具的影响,规范去掉了SNAPSHOT风格的版本:

与现有工具、管理和配置系统之间的交互很让人担心。这些系统处理不了带有预发布(也就是SNAPSHOT)版本字符串的Bundle。它们要做很多修改才能正确处理预发布版本的语法。

问题的根源在于,Maven(以及与Maven兼容的解析程序和构建系统,比如Ivy和Gradle)和OSGi对空标识符的处理方式恰恰相反。在Maven里,1.2.3.2012 <= 1.2.3 ,但在OSGi里,1.2.3.2012 >= 1.2.3

假如构建的组件既要在非OSGi环境里工作(比如使用Maven)、又要在OSGi容器里运行,这就会带来问题。Maven的惯例是处理很多个2.1-SNAPSHOT ,然后才把版本替换成2.1 。Artifactory或Nexus等仓库管理器通常则是在发布的时候把快照重写到过时的文件里,以保证可追溯性。

Eclipse PDE Build和Maven Tycho在构建组件时,则会明确指定组件的名称,通常也会把不断变化的日期/时间戳作为构建的一部分。由于要构建的所有组件都有新的名称,所以版本可能会增量安装到OSGi运行时环境里,新的版本会覆盖另一个。

不幸的是,这意味着“最终”版的组件也包含构建标识符,这些标识符在某些情况下比制品的名称还要长(比如org.junit_4.8.2.v4_8_2_v20110321-1705 )。标识符的格式也不一致(例如org.eclipse.jdt.ui_3.7.1.r371_v20110824-0800.jar )。

SpringSource等一些生产者创建的版本形式则是1.2.3.M1、1.2.3.M2、1.2.3.RELEASE ,它们既能用于OSGi,也能用于Maven。

OSGi之前想支持-SNAPSHOT 风格的版本,来解决这个问题。有人提议改进Bundle-Version 的语法,允许1.2.3-4561.2.3 小,Equinox已经这么实现了 。这能让Bundle开发者在开发时使用-SNAPSHOT 风格的变量(Tycho和PDE等工具都把-SNAPSHOT 当成是“神奇的替换值”,而没用使用“.qualifier ”),然后再发布1.2.3 作为此序列的唯一构建版本,接着又会突然变成1.2.4-SNAPSHOT

很不幸,这种解决方式是臆测出来的,并没有实证依据:

除此之外,我们开始关注预发布版本的复杂度。在CPEG里展开讨论、与同行进行沟通的时候,大家都弄不明白版本的顺序,也搞不清楚有些版本是否包含在特定的范围内。如果我们这些“专家”都不能时刻保持清醒,那我们也不用指望别人能很容易地理解。

这种混乱与怎样界定构建范围是有关系的。我们看一下现有情况,以[1.0,2.0) 为例,这个区间的1.0 表示允许1.0-* 的快照版本,而2.0 则表示不能出现2.0-* 的快照版本。归结起来就是,闭区间包含快照、开区间不包含快照 ,这似乎很难记。

这个决定实际上不利于推广用OSGi生成的内容。大概在一年前,大家对如何在Maven名字空间里表示Eclipse构建的制品 展开了讨论,结论是把组件映射成org.eclipse.* 的风格,并带上完整的制品名称。但Snapshot提议最终去掉了所有的标识符 ,以方便大家使用,至少Maven这么做了。

对于需要处处使用标识符的地方,这就有问题了。在提交构建好的组件时,开发人员要是忘了更新版本号,而只用自动生成的数字,那就会导致 Eclipse的仓库里会有很多主版本、小版本、补丁号都一样,只有构建标识符不同的制品。本地的Eclipse 3.7要升级到3.7.2,下面的一组插件就有着相同的主版本、小版本、补丁号:

  • org.eclipse.cdt.codan.checkers.ui_1.0.0.201109151620.jar
  • org.eclipse.cdt.codan.checkers.ui_1.0.0.201202111925.jar
  • org.eclipse.core.filebuffers_3.5.200.v20110505-0800.jar
  • org.eclipse.core.filebuffers_3.5.200.v20110928-1504.jar
  • org.eclipse.core.variables_3.2.500.v20110511.jar
  • org.eclipse.core.variables_3.2.500.v20110928-1503.jar
  • org.eclipse.emf.ecore_2.7.0.v20110912-0920.jar
  • org.eclipse.emf.ecore_2.7.0.v20120127-1122.jar
  • org.eclipse.equinox.frameworkadmin.equinox_1.0.300.v20110506.jar
  • org.eclipse.equinox.frameworkadmin.equinox_1.0.300.v20110815-1438.jar
  • org.eclipse.equinox.p2.updatesite_1.0.300.v20110510.jar
  • org.eclipse.equinox.p2.updatesite_1.0.300.v20110815-1419.jar
  • org.eclipse.jdt.compiler.tool_1.0.100.v_B76_R37x.jar
  • org.eclipse.jdt.compiler.tool_1.0.100.v_B79_R37x.jar
  • org.eclipse.jface_3.7.0.I20110522-1430.jar
  • org.eclipse.jface_3.7.0.v20110928-1505.jar
  • org.eclipse.ltk.core.refactoring_3.5.201.r371_v20110824-0800.jar
  • org.eclipse.ltk.core.refactoring_3.5.201.r372_v20111101-0700.jar
  • org.eclipse.pde.runtime_3.4.201.v20110819-0851.jar
  • org.eclipse.pde.runtime_3.4.201.v20110928-1516.jar
  • org.eclipse.ui_3.7.0.I20110602-0100.jar
  • org.eclipse.ui_3.7.0.v20110928-1505.jar

问题是对那些查看文件系统或试图记住数字的人来说,这些数字通常毫无意义。如果处理制品时你用的是P2或OBR(OSGi Bundle Repository)等仓库工具,那这可能并不重要;但世上的大部分构建工具还是需要用Require-Bundle 来指定依赖关系的,而且需要明确的版本号和名称。这也让很多OSGi运行时的处理变得复杂,对已安装的Bundle进行比较原本是很简单的,但现在也会变得更加困难。

-SNAPSHOT /release/-SNAPSHOT 模型能解决这个问题,因为版本号在推广时肯定是递增的。(这并不排除在敲定版本号之后还会有进一步的测试;但在测试阶段发现的问题通常只会改变补丁的级别。)Apache Felix项目成功运用了这个过程,它们的发布版本都是短数字 ,在现有的构建系统里也很容易重用。Apache Felix的构建要比Equinox容易一些,原因就是这个模型、以及这些制品在Maven中心库里已经是可用的了。

在InfoQ看来,OSGi错失了良机。OSGi核心平台专家组没有彻底完成方案 ,原因仅仅是这些相对次要的问题,所以专家组的工具化问题已经变成了人的问题。

查看英文原文: OSGi Abandons Snapshot Proposal

译者 王丽娟 王丽娟,04年大学毕业后持续从事Java EE中间件产品的开发,现在主要关注Java技术及中间件产品在云计算环境中的发展趋势和应用。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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