Jenkins与TestLink集成教程:自动化测试结果同步详解

5星 · 超过95%的资源 需积分: 10 24 下载量 45 浏览量 更新于2024-07-21 1 收藏 2.15MB PDF 举报
本篇文章是关于Jenkins与TestLink集成的教程,由Bruno P. Kinoshita、César Fernandes de Almeida等作者共同完成,提供了一个详细的指南来帮助用户在持续集成(CI)环境中实现自动化测试结果同步。JenkinsTestLinkPlug-in是一个开源项目,鼓励贡献和改进。 文章首先介绍了两个关键工具:Jenkins,一个流行的开源持续集成服务器,以及TestLink,一个用于软件测试管理的Web应用程序。它分为五个主要部分: 1. **Jenkins简介**:这部分概述了Jenkins的基本概念,包括其作为自动化构建工具的作用,以及如何通过插件扩展其功能。 2. **TestLink简介**:这部分解释了TestLink的功能和用途,它可以帮助跟踪测试进度,管理测试用例和缺陷,以及生成报告。 3. **Jenkins与TestLink集成**:重点讲解如何通过Jenkins TestLink插件将测试执行结果与TestLink系统无缝对接。这包括安装和配置步骤。 - **TestLink安装**:指导用户安装TestLink服务器,确保系统环境准备就绪。 - **创建测试项目**:介绍如何在TestLink中设置测试项目的结构。 - **自定义字段的创建与分配**:为了个性化需求,如何添加或修改测试链接中的字段。 - **测试套件和用例的指定**:说明如何将测试任务关联到TestLink中的特定测试套件和用例。 - **创建测试计划并添加用例**:演示如何在TestLink中创建测试计划,并将Jenkins的测试结果映射到这些计划中。 4. **Jenkins配置**:这部分详述了Jenkins本身的安装和配置,以及如何安装并配置Jenkins TestLink插件。 5. **创建Jenkins任务**:最后,指导用户在Jenkins中创建新的构建/触发器任务,配置它们与TestLink的连接,以便自动同步测试结果。 这篇教程为开发者提供了从基础设置到实际操作的完整指南,旨在帮助他们更高效地整合Jenkins和TestLink,提升测试管理的自动化水平。由于该教程是多语言版本,包括法语和德语翻译,表明其具有广泛的受众和国际适用性。对于那些寻求在CI/CD流程中优化测试管理的IT专业人士,这是一个不可或缺的资源。
2024-09-06 上传
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