批处理整理(组合包)

本文介绍了如何使用批处理脚本ZHBautopack.bat进行自动化整合,利用EnableDelayedExpansion功能实现更复杂的逻辑控制,提升工作效率。
摘要由CSDN通过智能技术生成

ZHBautopack.bat

setlocal EnableDelayedExpansion 



echo 开始组合包整合


set WinRar="C:\Program Files (x86)\WinRAR\RAR.exe"
set Password=xxxxxxxx
set User=xxxxxxxx
set FTPIp=***.***.**.**




if exist %Workspace%\组合包整理 (
rmdir /s /q %Workspace%\组合包整理 

mkdir %Workspace%\组合包整理


set PKGPath=%Workspace%\组合包整理
set Version=%Version%
set Trade_Version=TRADE_%Version%
set TFC_Version=TFC_%Version%
set TF_Version=TF_%Version%
set PB_Version=PB_%Version%
set PF_Version=PF_%Version%
set PFC_Version=PFC_%Version%
set ALLVersion=%Version%
set pkgtype=WHOLE
set PBScript=PB_%Version%.sql
set O32Script=O32_%Version%.sql


echo %Version%>%PKGPath%\version.txt


mkdir %PKGPath%\升级说明




    findstr "Beta" %PKGPath%\version.txt>nul
if %errorlevel% equ 0 (
  rem 添加升级说明文件
          for /f "tokens=1,2 delims='_'" %%i in ('find "%Version%" %PKGPath%\version.txt') do (
          xcopy /e /q /y %Workspace%\升级说明\%%i\%Version%  %PKGPath%\升级说明\ 

     )
  ) else (
  rem 添加升级说明文件
          xcopy /e /q /y %Workspace%\升级说明\%Version%\%Version%  %PKGPath%\升级说明\ 
)


rem FTP下载
call :FTPDOWN
rem pause


rem 压缩包解压缩
call :RARRealease
rem pause


rem 检查所有目录是否存在
call :CheckDir
rem pause


rem 删除包中的文件
call :delFile


rem TRADE包整理
call :MKTRADEPKG
rem pause


rem TF包整理
call :MKTFPKG
rem pause


rem TFC包整理
call :MKTFCPKG
rem pause


rem PB包整理
call :MKPBPKG
rem pause


rem PF包整理
call :MKPFPKG


rem PFC包整理
call :MKPFCPKG


rem 放pkginfo.ini
call :PutpkgInfo


rem 放入升级说明
call :UpdateFile


rem 包压缩
call :RARPack


rem 包上传FTP时间
call :FTPupdate


rem 打标签
call :writeTag


echo 整理完成,请检查。
pause
@echo on
exit /b




echo ====================================FTP下载=============================================================
:FTPDOWN


echo FTP下载前时间:%time% >%PKGPath%\计算时间.log
echo %User%>%PKGPath%\ftp.txt
echo %Password%>>%PKGPath%\ftp.txt
echo cd ZHB测试包>>%PKGPath%\ftp.txt
echo lcd %PKGPath%>>%PKGPath%\ftp.txt
echo mget *.*>>%PKGPath%\ftp.txt
echo cd ..>>%PKGPath%\ftp.txt
echo cd ..>>%PKGPath%\ftp.txt
echo bye>>%PKGPath%\ftp.txt
ftp -i -s:%PKGPath%\ftp.txt %FTPIp%>%PKGPath%\ftpfile.log
@ping 127.1 /n 10
echo FTP下载后时间:%time% >>%PKGPath%\计算时间.log


goto :eof


echo ====================================压缩包解压缩=============================================================
:RARRealease


    echo 压缩包解压缩前时间:%time% >>%PKGPath%\计算时间.log
start %Workspace%\autopack\ZHB\O32_cmd_unrar.bat
start %Workspace%\autopack\ZHB\RC_cmd_unrar.bat
start %Workspace%\autopack\ZHB\ALGO_cmd_unrar.bat
start %Workspace%\autopack\ZHB\UFX_cmd_unrar.bat
start %Workspace%\autopack\ZHB\UC_cmd_unrar.bat
start %Workspace%\autopack\ZHB\UFT_cmd_unrar.bat

    rem 判断两种环境是否完成编译
    @ping 127.1 /n 5 >nul
echo off
    echo 后台正在解压缩,请耐心等待...
    call :waitunrar unrar
echo on


goto :eof


rem 循环函数,等待解压缩完成
:waitunrar


    if not exist %PKGPath%\unrar* goto :eof
    @ping 127.1 /n 10 >nul
      goto :waitunrar
echo 压缩包解压缩后时间:%time% >>%PKGPath%\计算时间.log


echo ====================================检查所有目录是否存在=============================================================
  • 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