开源项目推荐:Redux-Little-Router(已废弃)

开源项目推荐:Redux-Little-Router(已废弃)

redux-little-routerA tiny router for Redux that lets the URL do the talking.项目地址:https://gitcode.com/gh_mirrors/re/redux-little-router

请注意:本文所介绍的项目redux-little-router自2018年12月10日起已不再维护。然而,对于那些在React和Redux中处理路由问题的历史爱好者或学习者来说,该项目仍然可能有一定的参考价值。

1、项目介绍

redux-little-router是一个专为Redux应用设计的小型路由器,它让URL直接参与状态管理。该库旨在简化URL与状态树的关系,使URL变更仅表现为普通的行为(actions),并提供一个简单易扩展的路由匹配方案。虽然它的核心并不依赖任何特定的视图库,但提供了灵活的React绑定和组件。

2、项目技术分析

  • URL是状态树的一部分:将URL视为与应用程序其他状态同等重要的一份子,使其可以被统一管理和操作。
  • URL变化就是行动:通过触发actions来改变URL,这符合Redux的核心理念。
  • 可扩展的路由匹配:设计得易于扩展,使得自定义路由逻辑变得简单。

项目使用了history模块,并通过store enhancer将当前和之前的路由状态添加到你的Redux store中。它还提供了中间件来拦截导航actions,调用相应的history方法执行导航。

3、项目及技术应用场景

  • React应用的路由管理:在不使用React Router或者想要避免其与Redux集成的复杂性时,可以考虑使用redux-little-router
  • 纯Redux的导航体验:如果你希望将URL状态完全纳入Redux的状态管理,那么这个库是一个很好的选择。
  • 时间旅行调试:尽管该项目不专门为了时间旅行调试而设计,但它提供的API使得在不同URL状态之间跳转变得更加容易。

4、项目特点

  • 小而强大:尽管已废弃,但它的设计理念和实现对于理解如何在Redux中优雅地处理路由问题仍很有启发性。
  • React兼容:提供了React绑定和组件,简化React应用中的路由集成。
  • 可自定义的数据模型:路由可以关联任意序列化数据,如页面标题等,方便进行各种定制。
  • 独立于视图层:允许你在不局限于React的情况下使用,只要你有合适的方式来响应actions。

尽管redux-little-router不再更新,但它留下了许多有关如何以Redux为中心思考路由问题的知识和经验。如果你对这个领域感兴趣,不妨研究一下它的代码和相关文档,可能会有意外的收获。同时,建议转向替代品,如connected-react-router,它也能够将React Router的状态存储在Redux中。

redux-little-routerA tiny router for Redux that lets the URL do the talking.项目地址:https://gitcode.com/gh_mirrors/re/redux-little-router

  • 5
    点赞
  • 7
    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

乌昱有Melanie

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