Angular Toastr 开源项目教程

Angular Toastr 开源项目教程

angular-toastrAngular port of CodeSeven/toastr.项目地址:https://gitcode.com/gh_mirrors/an/angular-toastr

1. 项目的目录结构及介绍

angular-toastr/
├── dist/
│   ├── angular-toastr.css
│   ├── angular-toastr.min.css
│   ├── angular-toastr.tpls.js
│   ├── angular-toastr.tpls.min.js
│   ├── angular-toastr.js
│   └── angular-toastr.min.js
├── src/
│   ├── common/
│   │   ├── toast.js
│   │   └── toastContainer.js
│   ├── components/
│   │   ├── toast.css
│   │   ├── toast.less
│   │   ├── toast.tpl.html
│   │   └── toastr.js
│   ├── index.js
│   └── index.tpl.js
├── gulpfile.js
├── package.json
└── README.md
  • dist/:包含编译后的文件,可以直接在项目中使用。
  • src/:源代码目录,包含项目的核心逻辑和模板。
    • common/:包含通用的服务和指令。
    • components/:包含具体的组件,如样式文件和模板。
    • index.js:项目的入口文件。
    • index.tpl.js:模板入口文件。
  • gulpfile.js:Gulp构建脚本。
  • package.json:项目的依赖和配置信息。
  • README.md:项目说明文档。

2. 项目的启动文件介绍

项目的启动文件是 src/index.js,它负责初始化Angular模块并引入必要的依赖:

import angular from 'angular';
import 'angular-animate';
import 'angular-sanitize';
import './common/toast';
import './common/toastContainer';
import './components/toastr';

const MODULE_NAME = 'angular-toastr';

angular.module(MODULE_NAME, ['ngAnimate', 'ngSanitize']);

export default MODULE_NAME;

3. 项目的配置文件介绍

项目的配置文件主要是 package.json,它包含了项目的依赖、脚本和其他元数据:

{
  "name": "angular-toastr",
  "version": "2.1.1",
  "description": "Angular-toastr is a notification library based on AngularJS and Bootstrap",
  "main": "dist/angular-toastr.tpls.js",
  "scripts": {
    "build": "gulp build",
    "watch": "gulp watch",
    "test": "gulp test"
  },
  "repository": {
    "type": "git",
    "url": "https://github.com/Foxandxss/angular-toastr.git"
  },
  "keywords": [
    "angular",
    "toastr",
    "notification",
    "message",
    "alert",
    "growl"
  ],
  "author": "Jesus Rodriguez",
  "license": "MIT",
  "bugs": {
    "url": "https://github.com/Foxandxss/angular-toastr/issues"
  },
  "homepage": "https://github.com/Foxandxss/angular-toastr",
  "devDependencies": {
    "angular": "^1.5.0",
    "angular-animate": "^1.5.0",
    "angular-mocks": "^1.5.0",
    "angular-sanitize": "^1.5.0",
    "gulp": "^3.9.1",
    "gulp-concat": "^2.6.0",
    "gulp-cssmin": "^0.1.7",
    "gulp-less": "^3.0.5",
    "gulp-rename": "^1.2.2",
    "gulp-uglify": "^1.5.3",
    "jasmine-core": "^2.4.1",
    "karma": "^0.13.22",
    "karma-jasmine": "^0.3.8",
    "karma-phantomjs-launcher": "^1.0.0",
    "phantomjs-prebuilt": "^2.1.7"
  }
}
  • name:项目名称。
  • version:项目版本。
  • description:项目描述。
  • main:入口文件。
  • scripts:可执行的脚本命令。
  • repository:代码仓库信息。
  • keywords:项目关键词。
  • author:作者信息。
  • license:许可证信息。
  • devDependencies:开发依赖包。

angular-toastrAngular port of CodeSeven/toastr.项目地址:https://gitcode.com/gh_mirrors/an/angular-toastr

  • 4
    点赞
  • 2
    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

嵇梁易Willow

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