4.Nodejs入门-----MongoDB

1.MongoDB

官网:https://www.mongodb.com/

手册:https://docs.mongodb.org/manual/

 

win7系统需要安装补丁,KB2731284。

 

此时,我们看一下装好的文件夹:

C:\ProgramFiles\MongoDB\Server\3.0\bin  加入到系统的path环境变量中


那么我们就能在系统的任何盘符,使用mongo命令了:

mongo   使用数据库

mongod  开机

mongoimport  导入数据

 

开机命令:C:users\Danny\mongod --dbpath C:\mongo

 

--dbpath就是选择数据库文档所在的文件夹。

也就是说,mongoDB中,真的有物理文件,对应一个个数据库。U盘可以拷走。

一定要保持,开机这个CMD不能动了,不能关,不能ctrl+c。 一旦这个cmd有问题了,数据库就自动关闭了。

所以,应该再开一个cmd。输入

C:users\Danny\mongo

 

那么,运行环境就是mongo语法了。

列出所有数据库:

1       show dbs

 

使用某个数据库

1       use 数据库名字

如果想新建数据库,也是use。use一个不存在的,就是新建。

 

查看当前所在数据库

1       db

 

插入数据:

db.student.insert({"name":"小明","age":16});

student就是所谓的集合。集合中存储着很多json。

student是第一次使用,集合将自动创建。



数据库使用


要管理数据库,必须先开机,开机使用mongod --dbpath c:\mongo

管理数据库:mongo  (一定要在新的cmd中输入)

清屏:

1       cls

 

查看所有数据库列表

1       show dbs

 

使用数据库、创建数据库

1       use itcast

 

如果真的想把这个数据库创建成功,那么必须插入一个数据。

数据库中不能直接插入数据,只能往集合(collections)中插入数据。不需要创建集合,只需要写点语法:

1       db.student.insert({“name”:”xiaoming”});

db.student  系统发现student是一个陌生的集合名字,所以就自动创建了集合。

 

删除数据库,删除当前所在的数据库

1       db.dropDatabase();

 


4.1插入数据

插入数据,随着数据的插入,数据库创建成功了,集合也创建成功了。

1       db.student.insert({"name":"xiaoming"});

 

我们不可能一条一条的insert。所以,我们希望用sublime在外部写好数据库的形式,然后导入数据库:

 

1       mongoimport --db test --collection restaurants --drop --file primer-dataset.json

-db test  想往哪个数据库里面导入

--collectionrestaurants  想往哪个集合中导入

--drop 把集合清空

--fileprimer-dataset.json  哪个文件

 

这样,我们就能用sublime创建一个json文件,然后用mongoimport命令导入,这样学习数据库非常方便。

 

4.2查找数据

查找数据,用find。find中没有参数,那么将列出这个集合的所有文档:

1       db.restaurants.find()

 

精确匹配:

1       db.student.find({"score.shuxue":70});

 

多个条件:

1       db.student.find({"score.shuxue":70 , "age":12})

 

大于条件:

1       db.student.find({"score.yuwen":{$gt:50}});

 

或者。寻找所有年龄是9岁,或者11岁的学生

1       db.student.find({$or:[{"age":9},{"age":11}]});

 

查找完毕之后,打点调用sort,表示升降排序。

1       db.restaurants.find().sort( { "borough": 1, "address.zipcode": 1 } )

 


4.3修改数据

修改里面还有查询条件。你要该谁,要告诉mongo。

查找名字叫做小明的,把年龄更改为16岁:

1       db.student.update({"name":"小明"},{$set:{"age":16}});

 

查找数学成绩是70,把年龄更改为33岁:

1       db.student.update({"score.shuxue":70},{$set:{"age":33}});

 

更改所有匹配项目:"

Bydefault, the update() method updates a single document. To update multipledocuments, use the multi option in the update() method.

1       db.student.update({"sex":"男"},{$set:{"age":33}},{multi: true});

 

完整替换,不出现$set关键字了:

1       db.student.update({"name":"小明"},{"name":"大明","age":16});

 

4.4删除数据

 

1       db.restaurants.remove( { "borough": "Manhattan" } )

 

Bydefault, the remove() method removes all documents that match the remove condition.Use the justOne option to limit the remove operation to only one of thematching documents.

1       db.restaurants.remove( { "borough": "Queens" }, { justOne: true } )

 


Node.js操作MongoDB

需要引包:

1       npm install mongodb

  • 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