Maven实战指南 02

第二章 邀请Maven入驻

  2.1 窥探一下Maven

Maven Apache开源组织奉献的一个开源项目。它是一个项目管理工具,将项目开发和管理过程,抽象成一个项目对象模型(POM),咱们开发人员只需要做些简单统一的配置,就可以批量完成项目的构建,报告和文档的生成。

当然,Maven除了是一个优秀的项目构建方面的管理工具之外,还有项目管理相关的其它特殊优势。

比如项目相关的第三方依赖包,这是java程序员不可能回避的问题。

每个老程序员,都会在自己的电脑里面,专门有个目录,分类保存过去项目开发过程中使用到的第三方jar包,需要的时候从里面去筛选。新程序员就惨咯,测试项目的时候,动不动就抛出ClassNoFoundException,根据异常在度娘那里寻寻觅觅,经常一天就这么在度娘加重启中飘过。

Maven就帮咱们解决了这问题。它统一管理起来了所有的依赖jar,甚至是不同版本。咱们程序员也可以动态的将自己写好的模块,打包成jar包,丢给它管理。需要的时候,直接通过简单的描述文件告诉Maven就行,它自动帮咱们找出来,集成到咱们项目中。

Maven现在的版本更新到了3.3.9,本书上的所有案例,都是基于该版本测试的。为了避免不必要的不兼容,研究测试Maven的是,请使用3.3.9版本。

  2.2 整理整理内务先

前面介绍了那么多的Maven,现在有必要进入主题,真正折腾Maven了。

折腾一个软件,肯定是从安装配置开始,完后在是研究和使用(我们这里是使用在研究^_^)。

因为Maven本身就是基于Java写的,所以在安装配置Maven之前,我们有必要将Java的运行环境安装配置好。

接下来介绍一下java的安装和配置过程,有基础的朋友,可以之间跳过本节,但是要把握一点,Maven3.3.9版本要求的JDK,一定需要JDK1.7或以后的版本。

JDK的安装和配置,主要分如下步骤:

1、下载合适的JDK安装软件安装

   Oracle所有软件的下载连接如下:

https://www.oracle.com/downloads/index.html

   咱们可以在里面找到需要的JDK安装包,下载Window版本的啊,咱们是在Window操作系统中完成的所有案例。

   注意下载跟自己电脑芯片匹配的安装包(32位或64位)。现在的电脑,基本上是64位,建议java相关的软件,统一安装64位的。

   下载完后就是安装啦,双击安装文件就行,后面就是下一步一直到结束,当然,中间有要接受协议的步骤,那肯定是直接接受咯,要不安装不了的。

   开始的时候,有建议选择安装目录,如果有基础,对自己电脑文件有自己的管理,可以选择自己的目录,为了省去麻烦,建议直接使用默认目录。

   安装好后的目录结构,大概如图:


    JDK1.7.0_17_64是我安装JDK后的总目录,bindbinclude等,是它里面的子目录和文件。

2、配置JDK环境变量

   JDK的环境变量,目前来说只要配置JAVA_HOMEPATH就行。

   在我的电脑上右键鼠标,选择属性,出现如下图窗口:

 

   点击左边的 高级系统设置,出现如下图窗口:

 

点击 高级 标签中的 环境变量按钮。显示如下图窗口:

 

1)配置JAVA_HOME目录

查看 系统变量 中有没有JAVA_HOME(上图是我的电脑中有配置过,所以有JAVA_HOME这项的显示)

如果没有,点击新建,在弹出的窗口中输入JAVA_HOME Java的安装目录。

Java的安装目录是从安装盘符到java安装的总目录。如上图,我的java总目录是jdk1.7.0_17_64,它是安装在c:\java目录下的,所以JAVA_HOME的值是 c:\java\jdk1.7.0_17_64

2)配置PATH目录

  同样在配置JAVA_HOME的地方,查找PATH变量,一般是存在的,如图:

 

点击 编辑 按钮,在以前的path值的前面,新添加咱们jdkbin目录,我的jdkbin目录是 c:\java\jdk1.7.0_17_64\bin,就是前面的JAVA_HOME目录后面添加 \bin。添加完后,同后面的内容要用分号分开,而且是英文输入法的分号。结果如

   c:\java\jdk1.7.0_17_64\bin;以前的内容

3、测试JDK是否安装成功

打开一个cmd窗口,分别输入javac -version 命令和 java -version命令,能出现如下图的Java版本信息显示,就表示JDK安装成功了。

 

  2.3 该正式请进Maven

JDK环境安装好了,接下来就要正式安装配置Maven了,先从如下链接下载Maven

http://maven.apache.org/download.cgi

它是以压缩包提供的,下载binary形式的压缩包就行。Source形式的压缩包是源代码,以后要进一步研究Maven,甚至完善Maven的功能,咱们就可以从source包入手了。现在只要binary的包。

 

下载完后,就直接用解压工具(比如rar解压软件)解压到自己的一个空目录下,我这里是解压到 c:\java\apache-maven-3.3.9,最后的目录结构图如下:

 

 

安装好后,接下来就是对Maven进行配置。

配置内容同JDK的配置内容一样,也是两部分:一是在系统环境变量中配置一个M2_HOME,另外一个也是将Maven里面的bin目录,添加到PATH环境变量中去。

1)配置M2_HOME

     同配置JAVA_HOME一样,在系统环境变量中添加M2_HOME,参考JDKJAVA_HOME配置,在这里就不累赘了,效果图如下:

 

2)追加PATH

类似前面JDK PATH环境变量的配置,请参考JDK配置,效果图如下:

 

其中%M2_HOME%\bin; 是作为Mavenpath添加上去的。

3)测试是否安装成功

打开一个行的CMD窗口(注意,一定是要重新打开一个,不能使用配置环境变量之前的旧cmd窗口),输入 mvn -v 命令运行,出现如下图显示,表示安装成功。




 版权所有,转载请友情注明  相关系列视频 http://cyedu.ke.qq.com

  • 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