批量打包

新建一个BAT文件,将下面内容复制后保存
jar -cvfM xx.rar @fileList.txt > log.txt
jar -cvfM :JAVA的打包命令,网上资料很多,这里就不进行说明了
xx.rar: 打包文件的名字
@fileList.txt: 指定打包文件名列表的文本文件
> log.txt: 使用管道符将屏幕输出结果写入到log.txt日志文件中

[color=darkred]注意:
1)fileList.txt 文件是要与自己创建的BAT文件放在一个目录下的,如果不在同一个目录需要进行修改,如:@f:\fileList.txt。
2)此打包命令是使用JAVA的JAR命令完成的,所以必须确保机器上安装了JDK,并将环境变量设置正确。[/color]

使用:
1、创建存放文件清单列表的文本文件fileList.txt,其内容存放的是要打包的文件名清单。
2、确保BAT文件已创建好,其它脚本内容与上述一致,双击即可将fileList.txt中指定的文件打到一个压缩包下了。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
批量删除行:包括删除前后行、删除连续行、删除奇数行、删除偶数行、删除空白行、删除重复行、删除特定行、删除含有关键字的行。 1、 批量删除前后行:删除多个文本文件最前面几行,或者最后面几行; 2、批量删除连续行:删除文本文件中 连续行,3 19(则删除3-19行的内容) 3、批量删除奇数行:删除文本文件中奇数的行,1、3、5、7…… 4、批量删除偶数行:删除文本文件中偶数的行,2、4、6、8…… 5、批量删除空白行:删除文本文件中 只含有空格或者制表符或者没有任何内容的行 6、批量删除重复行:重复行是针对单个文件来说的,删除重复行之后 文件内容的顺序保持源文件行的顺序,不会打乱。 7、批量删除特定行:特定行是自定义行,目前不支持省略输入,支持输入固定数字 例如: 1,3,7,10,20 8、批量删除含有关键字的行:删除含有关键字的行,可以是一个关键字,可以是多个关键字,(多个关键字: 某一行含有的多个关键字) 批量删除文本:包括删除文本、替换文本、删除行首数字、删除行首尾多少个字符。 9、批量删除数据(文本):删除多个文件中含有特定文本。 10、批量替换文本:多个文件中批量替换文本 11、删除行首数字:删除行首的数字,一般对于行首递增的数字有明显效果。 12、批量删除行首字符:删除行首自定义多少个字符,一个字母,一个数字,一个汉字,一个标点都是一个字符。如果你不知道或者不想数多少个字符,可以让程序计算。 13、批量删除行尾字符:同上。 合并:包括普通合并、合并+数据、隔行合并、左右合并4种。 14、合并:普通合并,就是正常的多个文本文件进行合并,按照行的合并,第一个文件的最后一行,和第二个文件第一行不在同一行,是两个连续的行。以此类推。(好像是废话) 15、合并+数据:多个文件合并的时候直接添加数据,可以是多行数据。 16、合并+文件名:多个文件合并的时候直接添加文件名(不包括路径,不包括后缀名),可以是多行数据。 17、合并+数据+文件名:多个文件合并的时候先添加数据,再添加文件名(不包括路径,不包括后缀名)。 18、隔行合并:多个文件进行隔行合并。如果有3个文件进行隔行合并, 新文件的行的构成:File1的第一行 + File2的第一行 + File3的第一行 + File1的第二行 + File2的第二行 + File3的第二行 + …… 19、左右合并:左右合并因为需求不高,目前仅支持2个文件左右合并;如果想要进行多个文件左右合并,可以进行多次左右合并。 左右合并:原谅我这样命名下面说明 新文件构成:File1的第一行+ File2的第一行 作为新文件的第一行。 File1的第二行+ File2的第二行 作为新文件的第二行。 ……………………………… 中间可以自定义添加数据。 批量拆分:多个文件可以按照固定个数拆分、固定行数拆分、拆分奇偶行等模式进行拆分。 20、批量拆分,设置拆分新文件的个数:拆分成固定的个数。 说明:按照行进行拆分,不会把一行拆分成两个! 21、批量拆分,设置每个新文件的行数:拆分成多个文件。 22、批量拆分,拆分奇偶行:奇数的行拆分到一个文件,偶数的行拆分到一个文件。 批量添加数据:可以批量向文本文件最前面或者最后面添加数据、可以向行首尾添加数据、 可以向文件中添加文件名。 23、批量添加文本(数据)到文件首尾:可以添加多行文本到文件的首尾,支持添加过的不进行重复添加,(判断是否重复添加的标准是某一行完全一样,包括空格等符号)。 24、批量添加文本到行首尾:可以批量添加文本到每一行的最前面或者最后面。支持添加递增的数字。递增数字:就是每一行添加的数字不一样,或者叫做行号 25、批量添加文件名到文件首行:添加的文件名可以自定义包含路径和包含扩展名。 目前支持添加到行首,文件名前后可以自定义添加数据 其他处理方式:包括添加文件夹、重命名、恢复备份文件、查找个数、转换编码、重新排序。 26、添加文件夹,就是直接添加一个文件夹,说明添加文件或者添加文件夹的时候,如果已经存在则跳过添加。说明:添加文件夹的时候,不会将子文件夹添加进来。 27、重命名:并不是自定义文件名,这个名字是根据每个文件的第一行,并且提取每个文件的第一行作为新的文件名,旧的文件名也可以自定义保留。 说明:如果第一行没有合法的数据可以作为文件名,则顺延至第二行,以此类推。 28、恢复备份文件:程序会产生备份文件,如果处理后的文件不能满意,则恢复到原始状态。 说明:程序产生的备份文件是源文件名+“.bak”的形式。 注意:用户可以自定义要不要备份文件,程序中如果出现多次处理都要产生备份文件,每次产生备份文件先删除之前的备份文件。然后生成新的备份文件。(这个理念根据editplus中生成备份文件的方式) 恢复备份文件:程序中会将.bak后缀的文件恢复到去掉.bak后缀。如果新文件已经存在,则删除之后,再恢复。 (数据无价,建议用户自己先备份,然后使用本程序,如果处理的结果满意,则再考虑删除源文件) 29、批量查找个数:批量从多个文本文件中查找输入文本的个数,程序的状态一栏会显示找到了多少 30、批量转码:多个文本文件批量转成自己想要的文件编码: 常见的文件编码ANSI, Unicode, Unicode big endian, UTF-8。这四种编码类型都可以用windows自带的记事本打开。批量转换编码,方便在其他设备上查看。
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