App Actions Fitness Kotlin 项目教程

App Actions Fitness Kotlin 项目教程

appactions-fitness-kotlinA sample that shows how to make Android Apps available from the Assistant using App Actions.项目地址:https://gitcode.com/gh_mirrors/ap/appactions-fitness-kotlin

1. 项目介绍

appactions-fitness-kotlin 是一个开源的 Android 项目,展示了如何通过 App Actions 使 Android 应用能够从 Google Assistant 中启动。该项目的主要目的是帮助开发者理解如何实现 App Actions,特别是与健身相关的内置意图(BIIs)。

该项目支持以下 BIIs:

  • actions.intent.START_EXERCISE:启动一个锻炼会话。
  • actions.intent.STOP_EXERCISE:停止当前的锻炼会话。
  • actions.intent.GET_EXERCISE_OBSERVATION:在 Assistant 中显示一个包含锻炼信息的 widget。

2. 项目快速启动

2.1 克隆项目

首先,克隆项目到本地:

git clone https://github.com/actions-on-google/appactions-fitness-kotlin.git

2.2 导入项目

将项目导入到 Android Studio 中:

  1. 打开 Android Studio。
  2. 选择 File > New > Import Project
  3. 导航到克隆的项目目录并选择 appactions-fitness-kotlin 文件夹。

2.3 运行项目

  1. 连接 Android 设备或启动模拟器。
  2. 在 Android Studio 中点击 Run 按钮,选择设备或模拟器。

2.4 配置 App Actions

app/src/main/res/xml/shortcuts.xml 文件中配置 App Actions:

<shortcuts xmlns:android="http://schemas.android.com/apk/res/android">
    <capability android:name="actions.intent.START_EXERCISE">
        <intent
            android:action="android.intent.action.VIEW"
            android:targetPackage="com.devrel.android.fitactions"
            android:targetClass="com.devrel.android.fitactions.MainActivity">
            <parameter
                android:name="exercise.name"
                android:key="exerciseName"/>
        </intent>
    </capability>
    <!-- 其他 BIIs 配置 -->
</shortcuts>

3. 应用案例和最佳实践

3.1 应用案例

  • 健身应用:通过 App Actions,用户可以直接通过 Google Assistant 启动和停止锻炼会话,无需手动打开应用。
  • 健康监测:结合 GET_EXERCISE_OBSERVATION BII,用户可以在 Assistant 中查看当前的锻炼数据。

3.2 最佳实践

  • 简洁的 BII 实现:确保每个 BII 的实现尽可能简洁,避免复杂的逻辑。
  • 用户体验:在实现 BII 时,始终考虑用户体验,确保操作流畅且直观。

4. 典型生态项目

  • Google Assistant SDK:用于开发与 Google Assistant 集成的应用。
  • Android Jetpack:提供了一系列库和工具,帮助开发者构建高质量的 Android 应用。
  • Firebase:提供后端服务,如实时数据库、云存储等,支持应用的扩展和数据管理。

通过以上步骤,您可以快速启动并运行 appactions-fitness-kotlin 项目,并了解如何通过 App Actions 增强 Android 应用的功能。

appactions-fitness-kotlinA sample that shows how to make Android Apps available from the Assistant using App Actions.项目地址:https://gitcode.com/gh_mirrors/ap/appactions-fitness-kotlin

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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

打赏作者

齐游菊Rosemary

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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