服务的启动与AIDL

 

服务的两种开启方式:
  1. startService();开启服务. 
    开启服务后 服务就会长期的后台运行,即使调用者退出了.服务仍然在后台继续运行.服务和调用者没有什么关系, 调用者是不可以访问服务里面的方法.
  2. bindService();绑定服务. 
    服务开启后,生命周期与调用者相关联.调用者挂了,服务也会跟着挂掉.不求同时生,但求同时死.调用者和服务绑定在一起,调用者可以间接的调用到服务里面的方法.
AIDL

本地服务:服务代码在本应用中 
远程服务:服务在另外一个应用里面(另外一个进程里面) 
aidl: android interface defination language 
IPC implementation : inter process communication

服务混合调用的生命周期

开启服务后再去绑定服务然后再去停止服务,这时服务是无法停止了.必须先解绑服务然后再停止服务,在实际开发中会经常采用这种模式,开启服务(保证服务长期后台运行) –> 绑定服务(调用服务的方法) –> 解绑服务(服务继续在后台运行) –> 停止服务(服务停止),服务只会被开启一次,如果已经开启后再去执行开启操作是没有效果的。

绑定服务调用方法的原理

1. 定义一个接口,里面定义一个方法

  public interface IService {
      public void callMethodInService();//通过该类中提供一个方法,让自定义的类实现这个接口
  }

2.在服务中自定义一个IBinder的实现类,让这个类继承Binder(Binder是IBinder的默认适配器),由于这个自定义类是私有的,为了其他类中能拿到该类,我们要定义一个接口,提供一个方法,让IBinder类去实现该接口,并在相应方法中调用自己要供别人调用的方法。

public class TestService extends Service {
        @Override
        public IBinder onBind(Intent intent) {
            System.out.println("onbind");
            return new MyBinder();
        }

        private class MyBinder extends Binder implements IService{
            public void callMethodInService(){
                //实现该方法,去调用服务中的方法
                methodInService();
            }
        }
        //服务中的方法
        public void methodInService(){
            Toast.makeText(this, "我是服务里面的春哥,巴拉布拉!", 0).show();
        }
    }

3.服务的调用类中将onServiceConnected方法中的第二个参数强转成接口

public class DemoActivity extends Activity {
        private Intent intent;
        private Myconn conn;
        private IService iService;
        @Override
        public void onCreate(Bundle savedInstanceState) {
            super.onCreate(savedInstanceState);
            intent = new Intent(this,TestService.class);
            setContentView(R.layout.main);
        }
        public void start(View view) {
            startService(intent);
        }
        public void stop(View view) {
            stopService(intent);
        }
        public void bind(View view) {
            conn = new Myconn();
            //1.绑定服务 传递一个conn对象.这个conn就是一个回调接口
            bindService(intent, conn, Context.BIND_AUTO_CREATE);
        }
        public void unbind(View view) {
            unbindService(conn);
        }
        //调用服务中的方法
        public void call(View view){
            iService.callMethodInService();
        }
        private class Myconn implements ServiceConnection{
            //当服务被成功绑定的时候调用的方法.
            @Override
            public void onServiceConnected(ComponentName name, IBinder service) {//第二个参数就是服务中的onBind方法的返回值
                iService = (IService) service;
            }
            @Override
            public void onServiceDisconnected(ComponentName name) {
            }
        }
    } 

 

远程服务aidl

 

上面介绍了绑定服务调用服务中方法的原理,对于远程服务的绑定也是这样,但是这个远程服务是在另外一个程序中的,在另外一个程序中定义的这个接口, 在另外一个程序中是拿不到的,就算是我们在自己的应用 中也定义一个一模一样 的接口,但是由于两个程序的报名不同,这两个接口也是不一样的,为了解决这个 问题,谷歌的工程师给提供了aidl,我们将定义的这个接口的.java改成.aidl, 然后将这个接口中的权限修饰符去掉,在另一个程序中拷贝这个aidl文件,然后放到同一个包名中,由于Android中通过包名来区分应用程序,这两个aidl的包名一样,系统会认为两个程序中的接口是同一个,这样就能够在另一个程序中将参数强转成这个接口,在使用aidl文件拷贝到自己的工程之后会自动生成一个接口类,这个接口类中有 一个内部类Stub该类继承了Binder并实现了这个接口,所以我们在自定义 IBinder的实现类时只需让自定义的类继承Stub类即可.

1. 远程服务中定义一个接口,改成aidl

package com.seal.test.service;

interface IService {
    void callMethodInService();
}

2. 远程服务中定义一个Ibinder的实现类,让这个实现类继承上面接口的Stub类,并onBind方法中返回这个自定义类对象

public class RemoteService extends Service {
    @Override
    public IBinder onBind(Intent intent) {
        System.out.println("远程服务被绑定");
        return new MyBinder();
    }
    private class MyBinder extends IService.Stub{
        @Override
        public void callMethodInService() {
            methodInService();
        }
    }
    public void methodInService(){
        System.out.println("我是远程服务里面的方法");
   }
}

2. 在其他程序中想要绑定这个服务并且调用这个服务中的方法的时候首先要拷贝这个aidl文件到自己的工程,然后再ServiceConnection的实现类中将这个参数使用asInterface方法转成接口,通过这样来得到接口,从而调用接口中的方法

public class CallRemoteActivity extends Activity {
    private Intent service;
    private IService iService;
    @Override
    public void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.main);
        service = new Intent();
        service.setAction("com.itheima.xxxx");
    }
    public void bind(View veiw){
        bindService(service, new MyConn(), BIND_AUTO_CREATE);
    }
    public void call(View view){
       try {
           iService.callMethodInService();
       } catch (RemoteException e) {
           e.printStackTrace();
       }
   }
   private class MyConn implements ServiceConnection{
       @Override
       public void onServiceConnected(ComponentName name, IBinder service) {
           iService = IService.Stub.asInterface(service);
       }
       @Override
       public void onServiceDisconnected(ComponentName name) {
           // TODO Auto-generated method stub
       }
   }
}

 

转载于:https://www.cnblogs.com/huangzx/p/4464899.html

  • 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
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