spring内幕(七)bean的初始化之creatBean()方法

最新推荐文章于 2025-07-23 09:05:54 发布
原创 最新推荐文章于 2025-07-23 09:05:54 发布 · 446 阅读 · 0 ·
CC 4.0 BY-SA版权
阿里巴巴盒马大量招聘 hc多多 提供全程面试辅导 简历砸过来 laixiaoxing.lxx@alibaba-inc.com 5年内的p6 7年以上的p7 机会多多

本文详细探讨了Spring框架中Bean的初始化过程，从`creatBean()`方法开始，涉及后置处理器、`doCreateBean()`方法、`createBeanInstance()`、无参构造函数的`instantiateBean()`以及Cglib子类化策略。在Bean实例化过程中，重点解释了MethodOverrides的作用，如何处理`lookup-method`和`replace-method`属性，以及如何解决循环依赖问题。Bean生命周期的第一阶段——创建阶段至此结束，接下来是属性初始化和初始化方法的调用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在creatbean中
先看该beanName有没有设置后置处理器，如果有 则返回一个代理对象
在这里插入图片描述

然后看doCreateBean方法
在这里插入图片描述

在doCreateBean方法里面
createBeanInstance方法将会创建一个对象
在这里插入图片描述
在createBeanInstance方法里面

有从提供者那获取bean instanceSupplier是一个回调接口
在这里插入图片描述
从工厂方法中获取bean，该工厂方法要先通过配置解析到beanDefinition里面
在这里插入图片描述

使用指定注入的构造函数进行实例化
在这里插入图片描述

使用默认的构造函数绝对bean进行实例化
在这里插入图片描述
最后还有 没有任何特殊处理 使用无参构造函数实例化
在这里插入图片描述

这里我们只看无参构造函数实例化 也就是instantiateBean（）方法

在这里插入图片描述

默认的实例化策略是CglibSubclassingInstantiationStrategy
在这里插入图片描述

那么再看下默认的策略里面instantiate方法在这里插入图片描述

需要注意的是

这个MethodOverrides ，是方法重写集，用于确定运行时springIOC容器会重写托管对象的哪些方法
methodOverrides列表 记录的是bean的属性中包含有lookup-method和replace-method属性的bean
lookup-method 是当单例bean依赖非单例bean的时候，能够每次重新创建非单例bean的时候使用
replace-method则是直接替换整个方法，用于替换的bean需要实现MethodReplacer接口 ，可以替换掉指定的方法

拥有以上步骤的 需要cglib来动态生成子类代理 来解决 靠反射创建原来的实例无法解决

以上就是完成了一个bean实例的创建。
此时已经有了一个bean对象，但是还不可以使用，因为其依赖的属性还没有初始化。

此时流程刚从createBeanInstance中返回，回到了doCreateBean方法
bean已经创建好了对象， 但是属性尚未填充，但是为了解决循环依赖
此时可以作为早期bean暴露出去
在这里插入图片描述
将这个bean 放到了singletonFactories里面，也就是所谓的第三级缓存中
这样在填充属性的时候，发现有依赖到这个bean的 就可以从singletonFactories里面取出来。

在这里插入图片描述

bean的声明周期，第一阶段 创建bean 就完成了 核心方法是instantiateBean

接下来是初始化属性，和调用初始化方法
再就是bean的使用 和销毁阶段。

[项目源码]2024年11月YOLO相关项目精选项目源码
futureflsl的博客
11-23 2152
序号项目名称文件大小 1基于YOLO模型实现足球运动实时分析项目源码252.47M 2基于YOLO的食物卡路里检测系统(源码＆部署教程＆数据集).zip21.13M 3基于Ascend310 AI处理器+深度学习算法的变电站电力巡检系统源码+说明（基于YOLO v4对电力巡检目标检测）....10.28M 4基于YOLO与Deepsort的实时多目标跟踪，旨在利用C++实现多目标跟踪系统138.48M 5基于YOLO的抽烟玩手机检测系统(python源码＆部署教程).zip7.09M 6基于YOLO v
2025最全计算机专业毕业设计选题大全（建议收藏）✅
十多年程序猿资深互联网人，目前专注于Python/Java/大数据项目解决方案制定，提供各行业各编程语言的全套开发服务，喜爱code，喜爱分享，生命不止，编码不息！
10-06 2055
2025最全计算机专业毕业设计选题大全（建议收藏）✅
基于YOLOv8深度学习的人脸面部口罩检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测
10-27 348
本文基于YOLOv8深度学习框架，通过853张图片，训练了一个进行人脸面部口罩的目标检测模型，能够准确的检测人脸“戴口罩”、“未戴口罩”及“未正确佩戴口罩”。并基于此模型开发了一款带UI界面的人脸面部口罩检测系统，可用于实时检测场景中的人员是否佩戴口罩，更方便进行功能的展示。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。💗博主介绍：全网粉丝10W+,、专注于深度学习，机器学习等，Python，Java、小程序技术领域和毕业项目实战✌💗。
基于Python的口罩佩戴识别的设计与实现（UI界面+MySQL数据库+YOLOv5+训练数据集+开题报告+中期检查+论文）
weixin_51534858的博客
02-18 1828
本文旨在基于Python开发一种口罩佩戴识别系统，通过深度学习技术实现对口罩佩戴情况的准确检测。采用了系列目标检测算法作为基础模型，并结合迁移学习进行训练和优化。同时，为了提供更好的用户体验，本系统还设计了用户登录注册界面，实现了用户信息的管理和保存。最后，在开发过程中，使用了图形界面设计工具，使系统界面更加友好和易用。
基于Python的口罩佩戴识别的设计与实现（UI界面+MySQL数据库+YOLOv5+训练数据集+开题报告+中期检查+项目说明书）
weixin_46385645的博客
04-25 727
本文旨在基于Python开发一种口罩佩戴识别系统，通过深度学习技术实现对口罩佩戴情况的准确检测。采用了YOLOv5系列目标检测算法作为基础模型，并结合迁移学习进行训练和优化。同时，为了提供更好的用户体验，本系统还设计了用户登录注册界面，实现了用户信息的管理和保存。最后，在开发过程中，使用了PyQt5图形界面设计工具，使系统界面更加友好和易用。目录摘要​编辑研究背景大纲1. 效果演示（一）用户注册登录界面2. 口罩数据集及训练（一）获取图像数据（二）数据标注（三）数据集划分（四）训练结果分析3.识别结果展示。
图像识别类毕业设计题目大全
m0_73268882的博客
09-06 2860
基于EEMD-MPE-KPCA-BILSTM集合经验模态分解-多尺度排列嫡-核主元分析-双向长短期记忆网络故障识别与诊断。EEMD-MPE-KPCA-BiLSTM、EEMD-MPE-BiLSTM、EEMD-PE-BiLSTM故障识别、诊断。实现视网膜断层图中Vitreous、NFL、GCL、INL、OPL、ONL、OS、RPE八层的图像分割识别。AI健身教练-引体向上-俯卧撑计数代码-仰卧起坐姿态估计-康复训练姿态识别-姿态矫正。
图像识别深度学习题目大全
weixin_45769113的博客
09-06 2702
基于EEMD-MPE-KPCA-BILSTM集合经验模态分解-多尺度排列嫡-核主元分析-双向长短期记忆网络故障识别与诊断。EEMD-MPE-KPCA-BiLSTM、EEMD-MPE-BiLSTM、EEMD-PE-BiLSTM故障识别、诊断。实现视网膜断层图中Vitreous、NFL、GCL、INL、OPL、ONL、OS、RPE八层的图像分割识别。AI健身教练-引体向上-俯卧撑计数代码-仰卧起坐姿态估计-康复训练姿态识别-姿态矫正。
[毕业设计]2023-2024年最新最全计算机专业毕设选题推荐汇总
十多年程序猿资深互联网人，目前专注于Python/Java/大数据项目解决方案制定，提供各行业各编程语言的全套开发服务，喜爱code，喜爱分享，生命不止，编码不息！
09-21 7955
[毕业设计]2023-2024年最新最全计算机专业毕设选题推荐汇总
记yolov5使用时的环境配置问题
abc9kj的博客
08-01 502
虚拟环境 下载pytorch 用中科大源。创建虚拟python环境 用清华源。
毕业设计：2023-2024年计算机专业毕业设计选题汇总（建议收藏）
十多年程序猿资深互联网人，目前专注于Python/Java/大数据项目解决方案制定，提供各行业各编程语言的全套开发服务，喜爱code，喜爱分享，生命不止，编码不息！
11-23 6871
毕业设计：2023-2024年计算机专业毕业设计选题汇总（建议收藏）
​基于Python的口罩佩戴识别的设计与实现（UI界面+MySQL数据库+YOLOv5+训练数据集+开题报告+中期检查+论文）
weixin_51534858的博客
04-18 815
本文旨在基于Python开发一种口罩佩戴识别系统，通过深度学习技术实现对口罩佩戴情况的准确检测。采用了YOLOv5系列目标检测算法作为基础模型，并结合迁移学习进行训练和优化。同时，为了提供更好的用户体验，本系统还设计了用户登录注册界面，实现了用户信息的管理和保存。最后，在开发过程中，使用了PyQt5图形界面设计工具，使系统界面更加友好和易用。
Mask-Detection-ContactlessTemperature-Measurement-RaspberryPi
04-01
可以使用预训练的深度学习模型，如Yolo（You Only Look Once）或SSD（Single Shot MultiBox Detector），对口罩进行实时检测。这些模型能在单个推理步骤中检测多个物体，非常适合实时应用。 **4. 非接触式温度测量*...
微信小程序课程设计点餐订餐系统
商城app+新闻app+备忘录记事本app视频教程在某站【浩宇软件开发】
06-20 1337
本文介绍了一个基于微信小程序的美食点餐系统设计与实现。系统采用纯前端架构，通过微信API实现数据本地存储与持久化，包含用户登录注册、首页展示、分类浏览和购物车管理等核心功能。关键技术点包括：使用wx.setStorageSync/wx.getStorageSync进行本地存储，实现用户认证与数据隔离；采用模块化设计处理商品分类与详情展示；通过购物车数据绑定实现实时价格计算。系统不依赖服务器，适合中小餐饮商家快速搭建数字化点餐服务，具有轻量级、低成本、易维护等特点。
高通 QCS6490 平台上 YOLOv7 系列模型的性能测试
最新发布
AI暴风龙
07-23 806
高通QCS6490处理器与YOLOv7模型性能测试分析 摘要：本文探讨了高通QCS6490处理器与YOLOv7目标检测模型的结合应用。QCS6490采用8核Kryo670 CPU架构，支持12TOPS AI算力，搭配企业级Wi-Fi6/6E，适用于边缘计算场景。测试显示，YOLOv7在QCS6490平台上表现出色：CPU模式下处理640x640图像耗时1970.48ms（0.51FPS），NPU加速后提升至22.92ms（43.63FPS）。
主流检测模型太重？ EdgeYOLO 让边缘部署又快又准还轻量
Coovally_AI的博客
07-22 849
无论是在无人机航拍中的实时监控，还是在工业园区的安防巡逻，越来越多的目标检测任务不再依赖云端计算，而是直接在设备本地完成。访问官网，开启你的零代码AI开发之旅！同时，YOLO 系列中的检测头通常是“耦合式”的，也就是说，分类、定位、置信度共享一套卷积核。以 YOLOv5 为例，虽然速度不错，但即使在 Jetson Xavier 上运行，FPS 仍然不理想，且小目标识别能力欠佳。然而，边缘设备的算力有限，如何在“低功耗、低延迟”的前提下实现高精度目标检测，成为了模型设计中的一大挑战。
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现动物分类（C#源码，UI界面版）
xianzuzhicai的博客
07-19 688
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现动物分类（C#源码，UI界面版）
DL00478-涡轮叶片缺陷检测数据集yolo格式1300张左右
crasher123的博客
07-21 825
涡轮叶片缺陷检测数据集yolo格式1300张左右在研究涡轮叶片缺陷检测的过程中，数据集的选择和格式处理是一个至关重要的环节。特别是当你打算通过卷积神经网络（CNN）等深度学习模型进行缺陷检测时，数据集的标注和格式化直接影响到模型的训练效果和论文的质量。本文将重点探讨的YOLO格式，并分析如何利用这一格式为研究论文提供坚实的基础。
【CV工程落地】如何用YOLO三模融合实现道路地下缺陷98.6%召回率？
Coovally_AI的博客
07-21 1099
【导读】在城市化快速发展的今天，道路“看起来没问题”，但地下却可能暗藏危机。路面下层病害（RSD）已成为影响道路安全的“隐形杀手”，而传统依赖人工判读的检测手段，不仅耗时长、效率低，还对专业经验高度依赖。本文介绍了一项突破性研究——结合3D地面穿透雷达（GPR）与YOLOX深度学习模型，首次构建大规模高质量实地数据集，并创新性提出三模态交叉验证策略。该方案在真实道路测试中实现98.6%召回率、90%工作量节省，为道路健康监测提供了高效、可靠的智能解决方案。想了解这套系统是如何将深度学习“落地”到城市道路巡检
YOLO 目标检测的改进方法
zhang1379的博客
07-18 666
YOLO目标检测的改进方法可以从模型架构、训练策略、损失函数等多个方面入手，以下是一些常见的改进方法方向及参考文献：
YOLO+pyqt
03-09
### 如何将YOLO与PyQt结合使用 为了实现YOLO与PyQt的集成，可以按照以下方法构建应用程序： #### 1. 安装依赖库 确保安装了必要的Python包。这通常包括`opencv-python`用于图像处理以及`torch`和`tqdm`等其他可能需要的机器学习框架。 ```bash pip install opencv-python torch tqdm pyqt5 ``` #### 2. 加载并配置YOLO模型 加载预训练好的YOLO权重文件，并设置好检测参数。这部分代码可以从官方GitHub仓库获取或者基于已有的YOLO版本调整[^1]。 ```python import cv2 from ultralytics import YOLO model = YOLO('yolov8n.pt') # Load model ``` #### 3. 创建PyQt界面 设计图形用户界面(GUI)，允许用户选择视频源或图片路径作为输入给YOLO进行目标识别。这里展示了一个简单的窗口布局例子[^2]。 ```python from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QVBoxLayout, QWidget, QLabel, QLineEdit class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("YOLO Object Detection") layout = QVBoxLayout() label = QLabel("Enter image path:") line_edit = QLineEdit() button = QPushButton("Detect Objects!") layout.addWidget(label) layout.addWidget(line_edit) layout.addWidget(button) container = QWidget() container.setLayout(layout) self.setCentralWidget(container) ``` #### 4. 实现对象检测逻辑 当点击按钮时触发事件处理器，在其中调用YOLO来进行预测并将结果显示出来。注意要处理不同类型的媒体数据(如摄像头流、本地文件)[^3]。 ```python def on_button_clicked(self): img_path = self.line_edit.text() # Get input from user results = model(img_path) # Perform inference using loaded model res_plotted = results[0].plot() # Plot bounding boxes over detected objects cv2.imshow("Detected Image", res_plotted) # Show result in a window cv2.waitKey(0) button.clicked.connect(on_button_clicked) ``` 以上就是基本的工作流程；当然实际项目可能会更复杂一些，比如还需要考虑多线程运行以提高性能等问题。对于具体细节上的差异，则取决于所选用的具体YOLO变体及其对应的API接口文档说明[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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