对SAAS在管理软件行当的研究

     1. SAAS的在管理软件应用的切入点、目标客户群、盈利模式、市场容量、发展周期、收费模式、周期每阶段预期收入、竞争环境。

    2. SAAS的运行技术基础。SAAS不仅仅只是片面理解的一套可以存储多个客户单位数据的B/S软件。如果你要应对上亿次的访问,几亿用户的并发和数据存储,你的运行基础设施一定是一个可信平台。

    3.SAAS的业务架构平台。我们既要提供一套可以不用代码就能简单定制的业务平台,也要提供WebService API接口,以使代码能够切入进行复杂定制。而且能够部署、运行,而且是安全的沙箱,而不能部署的是恶意代码。而且每个定制是隔离的,不能互相影响的。

    4.SAAS的开发模式。saas的开发----上一条我们就已经说到了----需要打造一个开发链。我们维护业务平台,维护合作伙伴,而应用定制,却必须由合作伙伴来完成。所以,如何设计、如何开发、如何测试、如何部署、如何版本管理、如何培训教育、如何支持服务大家,这些方面都必须统一。而且团队配合,需要有group、wiki、blog、mail、IM、office online来协作,并且必要的时候还需要配合代码搜索。这也就是为什么google大力发展Gmail、Gtalk、Project Hosting、code search、office online、blog、group forum、SVN。其实Google要搭建的就是SAAS平台和SAAS生态链。你看Google不仅给我们提供了分布式全球存储基础设施(商业称“云存储、云计算”)、各种应用,而且提供了应用API,而且最近还提供了App Engine,而且还提供了代码社区。


    管理软件的saas平台的应用切入点非常重要。你是面对ISV来盈利呢,还是面对最终客户呢?你是想通过软件收费(按流量、按带宽、按存储量、按用户数、按时间年限、按模块数来收费。还有收培训费、支持服务费)呢,还是通过广告来收费呢?还是想挂羊头卖狗肉,利用人气来做其它销售和市场活动呢?(看看Google。Google既提供了应用,也提供了应用接口。既能让最终用户直接使用,也能让ISV调用开发嵌入到ISV自己的应用中。应用既向最终用户收使用费,也向ISV收接口使用费,还要在应用中挂广告收广告费)。如果大家联想到阿里软件有多少软件功能被嵌入阿里巴巴网站和淘宝网站的服务,估计大家按照这个思路下去会想出更多的办法。

    应用想好了,就该想在什么基础设施上实现它。我刚才就讲到:你无法估量你的应用会被多少网站调用,会被多少用户使用。你做的应用再也不是给哪一个的客户使用了(你想想过去你做的管理软件服务,充其量就是一个大型集团上万人访问,但是在互联网上,几亿人的访问都有可能),你需要为你的应用好好设计一下可以供互联网调用的应用平台。
  • 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