OATS入门与压力测试实战教程

需积分: 47 0 下载量 196 浏览量 更新于2024-07-21 收藏 2.22MB PDF 举报
OATS,全称为Oracle Application Testing Suite,是一款由Oracle公司开发的针对企业级应用的性能和压力测试工具。它主要用于自动化测试,使得测试过程更加高效和精确。OATS的版本为9.30.0272,适用于Windows操作系统,并且推荐使用Firefox 3.5.6作为默认浏览器,兼容性较好,包括IE的6、7、8版本。 安装OATS相对简单,如果不需要进行集群测试,只需在一台计算机上完成完整安装。安装过程中,除了基础的webServer组件,如果缺少数据库,用户可以选择安装并设置管理员账户如administrator的密码。在脚本管理方面,通过OpenScript工具,用户可以创建和管理工作资料库,如"baidu",用于存储录制的测试步骤。 OATS支持录制功能,用户可以通过File->New命令启动新脚本,以实际场景,如对百度网站进行压力测试为例。录制过程中,确保浏览器处于关闭状态,然后在OpenScript上点击录制按钮,记录用户的操作行为。完成录制后,这些步骤将被保存在相应的资料库目录下。 压力测试是OATS的重要功能,用户可以通过Oracle Load Testing (OLT)工具进行。登录时需要使用administrator的用户名和安装软件时设置的密码。在OLT中,用户可以准备测试资料库,复制录制的测试脚本到这个资料库中,以便在压力测试时使用。 OATS是一个强大的测试平台,它简化了性能和压力测试的过程,通过自动化脚本来模拟真实用户行为,帮助开发人员和测试团队评估系统的负载能力,发现潜在问题,提高软件的质量和稳定性。对于Oracle应用程序开发者和测试团队来说,掌握OATS的使用方法是非常关键的,能够显著提升测试效率和测试结果的准确性。
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