xcode4.3.2 下制作ios的framework 库

写在前面:

通过 Framework 可以在物理上实现 iOS 程序的模块化。

好处:

      1、如果模块间接口定义的比较完善,模块化的程序具有很好的可扩展性与内聚性;

      2、物理上的模块化便于开发过程的管理与测试,尤其是在程序规模相对大。

      3、如果可以使用胶水语言作为粘合剂,程序可以用很少的代价适应未来的变化。

不足:

      1、由于是静态库,应该不会有什么运行时的损失,但是没试验过,不确定。

      2、资源的加载这部分,不知道会不会占用更多内存,没试验,不确定。



1、新建一个静态库工程:



 


2、删除向导所生成工程中的 Target:


删除目标前工程状态



删除目标后工程状态



 

3、删除旧目标对应的工程文件夹:


删除前,注意:此处删除会弹出提示框,要选择“只删除引用”



删除后



 

4、删除旧目标对应的编译设置(Product菜单| Edit Scheme命令):



点击左下角的 Manage Schemes 按钮:



选中旧的 Scheme,点击左下角的减号删除:


删除完成后,点击 OK 返回。



 

5、增加一个新目标。点击 “Add Target”



在弹出的对话框中选择 Mac OS X 下的 Bundle:



如上图,给库取一个名字,保持默认的 Framework(CoreFoundation),然后点击 Finish。



 

6、修改新目标的工程设置。选中 TARGETS 中对应的目标, Build Settings 页:



在 Architectures 下,将”Base SDK”改为”Latest iOS”,然后将 “Architectures” 改为 “Standard”:



在 Deployment 下,将 “Mac OS X Deployment Target”改为”Compiler Default”,将 “Targeted Device Family”改为需要的,此处改成了”iPhone/iPad”,同时可以根据需要修改 “iOS Deployment Target”,此处改为了 “iOS 3.0”:



在 Linking 中,将 “Dead Code Stripping” 改为 “NO”,将 “Link with Standard Libraries” 改为 “NO”,将 “Mac-O Type” 改为 “Relocatable Object File”:



在 Packaging 中,将 “Wrapper Extention” 改为“framework”:




 

7、修改目标的 Info。点击 Info:



将 “Bundle OS Type Code” 改为 “FMWK”(Framework 的意思):


 


8、修改预编译头:


修改前



修改后



 

9、向工程中添加一个类(ViewController 与 Xib):





结果如下:




 

10、导出相关文件。选中 Target,点击 Build Phases:



点击右下角的 “Add Build Phase”:



在弹出的菜单中选择 “Add Copy Headers”,添加完成后,展开 “Copy Headers”:



点击加号:



选中需要暴露的头文件,此处我们选择 “ClassA.h”:



点击 Add 按钮完成添加:



此时,我们看到导出的文件在 Project 下,这样是不能暴露给别人使用的,将其拖动到 Public 下:



关于 Framework 的详细说明参考苹果的在线文档:http://developer.apple.com/library/mac/#documentation/MacOSX/Conceptual/BPFrameworks/Frameworks.html#//apple_ref/doc/uid/10000183-SW1

 


11、编译项目(build),products右键,show in finder 查看结果:




 

下面介绍一下如何使用整个framework 即可模拟器使用也可以真机使用。

演示前先输入iphoneos(真机)和iphonesimulator(模拟器)版本的tgfmwk.framework,这里使用的是Release版。(product--edit scheme)

输出后可以在DeviceData/fmwksqlite/build/products/

下面是合并的关键,

先来看一下framework中的tgfmwk

打开终端。输入pwd 先看一下当前所在的目当路径。使用ls 查看当前目录下的文件夹。

cd /users/[用户名]/Desktop/fmwksqlite/DerivedData/fmwksqlite/build/products/release-iphoneos/tgfmwk.framework

然后使用lipo -info tgfmwk 查看一下库的信息。

看到输出Non-fat file: tgfmwk is architecture: armv7

这里表明只支持真机。

同样的再来看看模拟器的。

cd /users/[用户名]/Desktop/fmwksqlite/DerivedData/fmwksqlite/build/products/release-iphonesimulator/tgfmwk.framework

然后使用lipo -info tgfmwk 查看一下库的信息。

看到输出Non-fat file: tgfmwk is architecture: i386

可见要想真机和模拟器都可以使用该framework需要将这两个版本的tgfmwk文件进行合并。

使用命令lipo -create xxxx/tgfmwk  xxxxx/tgfmwk  -output  tgfmwknew

其中xxxx表示路径,一个是真机的tgfmwk所在路径,一个是模拟器tgfmwk文件所在路径,然后输出tgfmwknew新的文件。输出后,只需要将这个tgfmwknew重命名为tgfmwk然后复盖原来的tgfmwk 文件即可。把复盖后的这个tgfmwk.framework考出来到具体使用的项目就可以实现真机和模拟器通用的framework 了。

看一下tgfmwknew的信息。

显示:Architectures in the fat file: tgfmwknew are : armv7  i386

可见这个合并的文件已具备了armv7(真机)和i386(虚拟机)的能力。

 

12、这是手工制作 Framework 的方法,网上有人制作了工程模版,可以直接生成 Framework 工程:

https://github.com/kstenerud/iOS-Universal-Framework  

.sh文件的安装   打开终端,定位到sh文件所在的目录,在当前目录下输入 sudo ./名称.sh  

framework库的使用方法跟“xcode4.3.2   ios5.1 下制作ios的静态库”文章差不多

发布时注意:

If your framework has only code, and no resources (like images, scripts, xibs, core data momd files, etc), you can distribute (your framework).framework to your users and it will just work.

If you have included resources in your framework, you MUST distribute (your framework).embeddedframework.

在编译时,不用担心时device还是模拟器,只要管release还是debug版本

  • 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