进步的阶梯(1)---生成可执行jar包

设:环境变量配置好

     有一个class文件  com.HelloWorld 且有main方法

背景=================================================================================背景

第一种方法:命令行模式

    1.命令行下切换到com目录的上一级,执行:jar -cvf  xxx.jar com     

       解压出MANIFEST.MF文件,和com目录在一级目录下

      除去com文件夹和MANIFEST.MF文件外,其他和com在一级文件夹下的文件全删除

      在MANIFEST.MF文件中加入Main-Class: com.HelloWorld      //注意,冒号后面要有空格,在结尾要加回车键

     2.执行:jar -cvfm xxx.jar MANIFEST.MF com

     3.执行:java -jar xxx.jar

     成功!

第一种方法:eclipse

     1.首先要在eclipse中有com.HelloWorld.java 且有main方法

     2.要执行一次这个main方法 //这一步不能忽略

     3.右键com包,export--->java--->Runnable JAR file--->选择要打包的包,选择导出路径

     成功!

结束=================================================================================结束

附录:转:jar 命令详解 


  jar 是随 JDK 安装的,在 JDK 安装目录下的 bin 目录中,Windows 下文件名为 jar.exe,Linux 下文件名为 jar。它的运行需要用到 JDK 安装目录下 lib 目录中的 tools.jar 文件。不过我们除了安装 JDK 什么也不需要做,因为 SUM 已经帮我们做好了。我们甚至不需要将 tools.jar 放到 CLASSPATH 中。 


  使用不带任何的 jar 命令我们可以看到 jar 命令的用法如下: 


  jar {ctxu}[vfm0M] [jar-文件] [manifest-文件] [-C 目录] 文件名 ... 


  其中 {ctxu} 是 jar 命令的子命令,每次 jar 命令只能包含 ctxu 中的一个,它们分别表示: 


  -c 创建新的 JAR 文件包 
  -t 列出 JAR 文件包的内容列表 
  -x 展开 JAR 文件包的指定文件或者所有文件 
  -u 更新已存在的 JAR 文件包 (添加文件到 JAR 文件包中) 


  [vfm0M] 中的选项可以任选,也可以不选,它们是 jar 命令的选项参数 


  -v 生成详细报告并打印到标准输出 
  -f 指定 JAR 文件名,通常这个参数是必须的 
  -m 指定需要包含的 MANIFEST 清单文件 
  -0 只存储,不压缩,这样产生的 JAR 文件包会比不用该参数产生的体积大,但速度更快 
  -M 不产生所有项的清单(MANIFEST〕文件,此参数会忽略 -m 参数 


  [jar-文件] 即需要生成、查看、更新或者解开的 JAR 文件包,它是 -f 参数的附属参数 
  [manifest-文件] 即 MANIFEST 清单文件,它是 -m 参数的附属参数 


  [-C 目录] 表示转到指定目录下去执行这个 jar 命令的操作。它相当于先使用 cd 命令转该目录下再执行不带 -C 参数的 jar 命令,它只能在创建和更新 JAR 文件包的时候可用。 

  • 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
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