掌握百数低代码平台,一键配置计划任务提升工作效率

通过设定任务计划,用户可以轻松安排指定的功能插件或数据助手在特定时间自动执行,有效提高工作效率,还确保了数据的及时更新和处理。任务计划在应用启动时自动启动并在后台运行,无需用户持续监控,为用户带来极大的便利。

功能简介

设定一个功能任务,可在设定时间内激活执行,或循环执行等。

利用任务计划功能,可以将指定的“功能插件”或“数据助手”安排在某个最方便的时间运行。任务计划在每次应用启动的时候启动并在后台运行。

注意:

1. 当新建计划任务或对已有的计划任务进行了编辑操作后,系统会在五分钟内对该任务进行激活或重新激活的操作。

2. 包含计划任务的应用或表单被复制后,需手动激活(即启用)表单内的计划任务。

新建计划任务

01设置入口

操作步骤:【应用编辑页面选择目标表单】——【表单设置】——【计划任务】——【新建计划任务】

02计划任务名称

指该计划任务的名称,方便区分同一位置的多个计划任务(计划任务数量以个人套餐限制为准)。

注意:计划任务名称唯一。

03计划任务类型

即该计划任务的执行方式,执行方式有三种:定时执行、重复执行、循环执行。

定时执行

定时执行是选择某一天执行该功能插件,过期就不执行该插件了。

执行时间

选择某一天,时间为时分秒的格式。

注意:所选择的日期和时间必须大于当前的日期时间才会生效

重复执行

重复执行就是进行周期性执行功能插件。

1. 重复周期

重复周期即多久执行一次任务计划。重复周期可选择:每天、每周、每月、每年

2. 执行时间

即设定执行计划任务的开始时间。

3. 结束时间

即设定执行任务计划的结束时间。

循环执行

循环执行即根据设定的重复次数进行间隔性的执行计划任务。

1. 重复次数

即重复执行多少次。0表示无限循环执行,不会停止

2. 重复间隔

即执行一次计划任务后,多久执行下一次。时间可设置:分钟、小时、天。

功能扩展设置

可以设置数据助手和功能插件(只能设置其一),设置完成后,会根据计划任务设置执行配置的数据助手或插件。

新建计划任务保存后,计划任务为已启动状态。

编辑计划任务

已创建的计划任务可以再次编辑。

暂停/启动计划任务

1. 暂停计划任务后,该计划任务为已停止状态,不会执行。

2. 计划任务暂停后,可以启用,启用后计划任务会根据设置继续执行。

删除计划任务

点击删除即可删除该计划任务。

总结

通过上文的介绍,相信您已经对百数低代码平台中的计划任务设置有了较为全面的了解。从创建计划任务的基本步骤,到高级设置中的触发器、动作配置,再到监控与调整任务执行的细节,百数低代码平台以其直观的操作界面和强大的功能支持,让即便是非技术背景的用户也能轻松上手,实现业务流程的自动化管理。

  • 3
    点赞
  • 6
    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