吐槽:可怜、可恶、可悲,NetBeans。

无·法·忍·受!
——NetBeans 6.1留给我的第一印象。
想不到这rant分类里的第一篇记录就让NetBeans“荣幸”的占了。呵呵(冷笑

先不说别的,上图:
[img]http://rednaxelafx.iteye.com/upload/picture/pic/15915/1f5c0ec5-0194-325f-a3f6-3f0cc8d9e91b.jpg[/img]
这字体能看么?真的能么?
好吧,字体问题应该可以自定义对吧?谁告诉我NetBeans的[b]菜单[/b]的字体自定义在什么地方做?文本编辑器内的设置倒是不难找,但IDE的整体外观相关的选项在哪里?不要告诉我菜单->工具->选项->其他->外观里的那5个可怜而无用的选项就是全部能调整的东西。
即使进入高级选项,实际能调整的东西也是……我说,不能调整的东西放在选项里干吗?

受不了,想换成英文界面?啥,英文?在GUI里偏偏没地方让人选择IDE的语言(locale)。无论是安装时候的GUI,还是运行时候的GUI上都没提供选择语言的机会。查了下文档发现可以在启动时的命令行参数,或者/etc/netbeans.conf里添加--locale en来换到英语的界面。嗯稍微“能看入眼”一点了,但是……
[img]http://rednaxelafx.iteye.com/upload/picture/pic/15917/5abdbfb0-95eb-3084-bb1f-f235312148b8.jpg[/img]
(注意到那个“导航”)

而且这如此慢的响应是怎么回事?在菜单间移动居然要明显的延迟一会儿才有反应,难以置信。
Eclipse明明也是Java写的IDE,响应速度比NetBeans还是快多了,这很明显不是Java(或者说Sun的JVM)的问题。那么是Swing的问题?嗯很可能。这倒也不奇怪了,用Swing的程序我是从来没见过有多顺畅的。Poseidon和VisualParadigm之类也快不到哪里去。

好吧,即便这NetBeans 6.1对JavaScript和Ruby有怎样的支持也无法说服我使用这种第一印象就如此恶劣的IDE。好歹Aptana的体验也总比这个好。要不是因为想顺利点编译OpenJDK我才懒得装NetBeans呢。算了,还是先卸载掉免得看着心烦的好。

卸载?是说卸载么呵呵。开始菜单的快捷方式是没有“卸载”的。乖乖的到安装目录去手动卸吧;哦对了,控制面板那边也可以的,不过那边卸东西还得刷一次列表……

实在是太恶劣了……连去file一个bug的心情都没了。哼。

P.S. 在这个页面上,[url]http://dlc.sun.com.edgesuite.net/netbeans/6.1/final/[/url],有一个选项是选择下载的安装包的语言。不过实际上没有任何作用。无论选什么,下载到的都是Multilingual版。在简体中文Windows XP上安装时也是强制的就用了中文。实在是太可恶了,看来以后非得用英文操作系统才行。

Sun给我留下的印象就是什么都只做个半吊子。Java本来是很好的技术,JVM的Hotspot也是发展自优秀的Strongtalk,但Java仍然是个半吊子的产品。Solaris本来也是很好的操作系统,但看看它的普及率。在让一些pretty-hair boss满意的同时怎么就不能让更多的average programmer的生活更舒畅点……忍不住想吐槽。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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