号称不死之身的Access,微软一直干不掉,这款国产软件办到了

你或许误以为下面的表格是excel格式的,但实际上,它是Access数据库,这是微软开发的一款曾在全球广受欢迎的数据库软件。

04f53f23fefe01154b6047442ce1345f.jpeg


Microsoft Access自1992年问世至今已历经32载,你是否以为它早已被淘汰?事实恰恰相反,这款软件在竞争激烈的市场中依然稳占一隅,被誉为“不死之身”

576060f19633f8ba21dd081eb9e1909a.jpeg


Access,僵尸一般的存在

尽管Access已显露出衰老之态,但它却像僵尸一般在数据库市场中顽强生存,这无疑违背了软件界的常规逻辑。

这种情况让微软感到困扰,因为它一直有意淘汰这个自己亲手打造的数据库产品。

63189a87aaab236721a740379ad9f49c.jpeg


在2021年全球最受欢迎的十大数据库排名中,Oracle、MySql和SQL Server毫无悬念地占据了前三甲,但令人惊讶的是,Microsoft Access也跻身榜单,位列第十。

据某些研究机构调查显示,目前有超过10万家公司仍在使用Access,尽管这个数量不算庞大,但这些用户的忠诚度却极高,其中许多企业已经持续使用了20多年。

ba93d8aa79f4f7019138ba8387a4db36.jpeg


微软曾多次试图关闭Access数据库,但遭到了用户社区的强烈反对,尽管微软实力强大,采取了各种措施,但仍未能动摇Access在数据库市场的地位。

那么,究竟是哪款国内软件有如此实力,能够“助”微软一臂之力,甚至有潜力取代Access呢?

Access,让微软又爱又恨

“即使是Excel的高手,其能力也不及Access的初学者。”这句话在IT界广为传播。

确实,与其他复杂的数据库相比,Access在数据处理方面拥有许多优势,如用户友好的界面、易于操作、便捷的存取功能以及无需专用服务器等。

这些特点使其完全满足个人用户的需求,也因此当初受到了微软的青睐。

323cbe6f4ce1efad0cfd417b280f7bd8.jpeg


然而,当Access被应用于企业运营场景时,其局限性便显露无遗,网友们也纷纷指出了以下几个问题,这些问题同样是微软对Access感到不满的原因:

其一,Access的数据处理能力有限,随着并发用户的增多,数据处理需求也随之增加,这使得作为小型数据库的Access在运行性能上显得力不从心,甚至出现卡顿现象。

其二,Access缺乏完善的安全模型,当它被用作软件、网站等后台数据库时,几乎任何用户都能轻松访问,这无疑降低了其安全性。

8367c448e81bc9dda60adde20b45c6ba.jpeg


其三,联网功能不足,Access主要在局域网环境中应用,对于非专业人员来说,实现联机功能相当困难。

其四,功能定位尴尬,对于一般用户,使用Access进行日常办公管理需要掌握VBA编程知识,这显然过于复杂;而对于专业开发者来说,Access的扩展性又显得不足,显得有些简陋。

Access用户迎来新选择

许多用户对Access的喜爱,源于其能够通过简单的代码赋予他们软件开发的能力,但现在,有一款国产软件实现了完全的“0”代码搭建方式,吸引了大量Access用户的转投。

这款名为“云表平台”的软件,以其纯中文的操作界面和无需编程的特点,让用户能够以拖拉拽的简单方式实现管理流程,即使是0编程基础的小白也能轻松上手。

63e804b23999ad22ded85c48151457b0.jpeg


企业员工能够迅速完成复杂的数据处理任务,该平台支持高并发用户,即使处理大量数据也毫无压力,操作流畅无卡顿。

更重要的是,云表平台不仅支持PC端,还兼容移动端,并能实现数据“上云”,这样企业员工就可以随时随地管理企业流程。

9533258cbe4bf674fe5fb99d2df583a5.jpeg


以其类似Excel的操作方式,让用户仅需简单绘制表格,即可轻松应对物资、财务、行政、项目管理等多样化日常数据需求,而且,它支持搭建诸如MES、WMS、SRM、ERP等复杂的工业级应用,满足企业高级管理的需求。

46a7118356bed5303e8306050b92b5be.jpeg


这款国产软件,秉持着“人人都是开发者”的初心,向大众提供了免费使用版,至今,它已在国内惠及超过30万家企业,其中不乏一些行业领军者,如华为、中冶、贝因美、燕京大学以及中国中铁等。

小结

被誉为“不死”的Access,如今迎来了真正的挑战者。国内研发的无代码开发技术,正在迅速迎头赶上,甚至在某些方面已经超越了微软。

  • 3
    点赞
  • 13
    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
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
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