myeclipse j2ee程序能进入debug模式窗口,但不能执行调试的问题

       最近遇到这样的一个问题,我在java web程序中设置好了断点,然后我在浏览器中访问web程序,myeclipse立即转换为了debug调试视图,可问题是我点击单步执行的时候程序根本就停止不动,并且有关的调试按钮也被禁用,然后看浏览器的进度条也毫无进展,程序彻底在断点处停止了。我以为是我web应用的问题,所以我又新建了一个web应用,然后写了一个servlet,并设了断点做测试,可以还是发生同样的问题。

       我觉得奇怪了,为什么会发生这样的灵异事件,我在网上查了好久的资料,发现我的jdk、tomcat的配置完全没问题。结果我换用jdk、tomcat的其他版本,可是问题还是不能解决。我郁闷至极,一气之下把电脑中的开发工具(myeclipse5.5、tomcat5、jdk1.6)全部给干掉了。干掉他们时的感觉真是痛快。

      重新安装后,我满怀期望的开始了再次测试的旅程。就在那一刻我心都给碎了,当我eclipse转为debug视图在我单击单步执行按钮的时候,奇迹发生了,程序TMD依然不动,调试按钮全部被禁用。我觉得怪了,我程序都全部重新安装了,为啥还要出现这样的问题呢!我感觉这只有两种可能,第一就是老天在戏弄我,第二就是2012来临前的征兆。管他,不服输的我打算和命运的悲剧战争到底。

      我认为可能是由于我重新安装之前没重启计算机,可能是计算机缓存了我之前myeclipse的配置。然后我又重新做了一遍卸载安装的操作,可是事实难料啊,面前的场景简直就是惨不忍睹。问题完全没有一点改善,bebug视图下的光标依旧停滞不前,所有的与调试有关的按钮全部被禁用。这些东西让我再次的明白程序员可能真的需要一个坚强的心(要不我电脑早就被我给ko了)。

      我不能放弃,放弃对我来说简直就是放屁。我不但没有跳出这次for循环,反而果断的进入了下一次循环操作。依然是重新卸载安装。安装完后,进行运行环境的配置。jdk的配置倒没发现什么问题。就在进行tomcat的配置的时候我发现了新的异常,我上次的卸载前的myeclipse tomcat的配置都完好无缺的保留着,并且延续到了他的下一代(重新安装)配置。哈哈,我想我这应该是发现了解决之道吧,然后我马上上网查myeclipse的配置文件存放目录,结果发现myeclipse的配置文件的存在目录就发在Workspace(工作台)目录下,下一步可想而知了,我毫不犹豫到干掉了目录下所有的安装前上次的配置文件,然后再按流程重新做配置。哈哈,问题总算解决了。

      前面的都是废话,最后做下此类问题的解决方法:

                1.找到目前web应用所在的工作台目录,例如一般默认的路径为C:\Documents and Settings\Administrator\workspace。然后删除目录下.metadata文件夹,该文件夹下面存放了myeclipse的配置。

                2.如果上面做的操作还不能解决问题的话,建议重新安装所有的开发工具及环境,安装好后在做删除.metadata文件夹的操作。这样的话问题很有可能被解决,要是解决不了,我建议以后少出门玩,外面的车多,在家买彩票是最好的选择。

       这些事情对于有些人来说是件小的不能再小的事情,可能找到好的解决渠道,是成功的关键。可遗憾的是我不能在第一时刻找到好的解决方案,从开始到结束都只是在做盲目的操作,所以浪费了我很多时间。我希望以后不管做什么事情都先拟定一个好的方案。我相信这样的话,世界就不会放弃我了。

  • 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 中行分类,并根据分类结果对候选框的位置行微调。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行调整肯定是不可行的,需要对这些结果先行一个大体的挑选。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