mongodb 常用语句(查询操作)

查询所有数据

db.songs.find();

 

查第一条

db.songs.findOne();

 

去重某列(分组)

db.songs.distinct("id");

 

等值查询

db.songs.find({"id":1});

db.songs.find({"_id":ObjectId("51c04ddbe30d4f079352009d")});

db.songs.find({"id":dfs}); (语法错误)

db.songs.find({"id":"dd"}); (匹配id是字符串)

 

非等值查询

db.songs.find({"id":{$gt:1}});

db.songs.find({"id":{$lt:2}});

db.songs.find({"id":{$gte:1}});

db.songs.find({"id":{$lte:2}});

db.songs.find({"id":{$lte:4,$gte:3}});

db.songs.find({"id":{$ne:665}});

 

包含查询

db.songs.find({"download_count":{$in:[3,34,33]}});

db.songs.find({"download_count":{$nin:[3,34,33]}});

db.songs.find({"download_count":{$all:[665]}});

db.songs.find({"name":/a/});(包含a)

db.songs.find({"name":/^a/});(以a开头)

 

查询结果指定列

db.songs.find({},{name:1}); (只显示name列)

db.songs.find({},{name:1,id:1}); (显示name和id两列)

 

排序(1:asc,-1:desc)

db.songs.find().sort({id:1});

db.songs.find().sort({id:-1});

db.songs.find().sort({"id":1,"name":-1});

 

分页 limit是pageSize,skip是第几页*pageSize

db.songs.find().sort({"id":-1}).limit(1);

db.songs.find().sort({"id":-1}).skip(1).limit(1);

 

OR查询

db.songs.find({$or:[{"id":1},{"id":2}]})

db.songs.find({$or:[{"id":1},{"id":{$gte:3}}]})

db.songs.find({$or:[{"id":{$gt:22}},{"category_id":{$in:[2,3,4,5,19]}}]});

 

And查询

db.songs.find({$and:[{"id":1},{"id":2}]})

db.songs.find({$and:[{"id":1},{"id":{$gte:3}}]})

db.songs.find({$and:[{"id":{$gt:22}},{"category_id":{$in:[2,3,4,5,19]}}]});

 

<>

db.songs.find({"name":{"$ne":"kebi"}});

 

in

db.songs.find({"age":{$in:[12,22,33]}});

 

选择特定列(0=false,!0=true)

db.songs.find({"age":{$in:[12,22,33]}},{age:0});

db.songs.find({"age":{$in:[12,22,33]}},{age:1});

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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