loadrunner Web_类函数之web_image()

本文介绍LoadRunner中的web_image函数,用于模拟用户点击网页上的图像。包括客户端和服务器端图像映射的支持,以及如何通过不同属性定位图像。

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

web_image()

模拟鼠标点击由属性定义的图像。

int web_image(constchar * StepName,<Listof Attributes>,[EXTRARES,<List of Resource Attributes>,] LAST);

 

参数说明:

object:评估到类型为WebApi的对象的表达式。通常是web for Java和VisualBasic。另请参见函数和常量前缀。

StepName:树视图中图像的名称。也用作自动事务的事务名称。

List of Attributes – both client–side and server–side image maps: ALT,SRC,Frame,TargetFrame和Ordinal。

如果ALT存在,则记录ALT,否则记录SRC。 Ordinal用于解决两种情况下的模糊性。

ResourceByteLimit:单击此处了解更多信息。

List of Attributes –

client–side image maps only:以下属性仅适用于客户端映像映射:

AreaAlt:要点击的区域的ALT属性。

AreaOrdinal:要单击的区域的序列号。

MapName:与图像相关的地图名称。

List of Attributes –

server–side image maps only:以下属性仅适用于服务器端映像映射(虽然点击的坐标不是“属性”,但使用属性格式):

Xcoord:图像上点击的X坐标。

Ycoord:图像上的点击的Y坐标。

EXTRARES:一个分界参数,指示下一个参数将是资源属性列表。

资源属性列表资源属性列表

LAST:指示参数列表结束的标记。

 

一般信息:

web_image动作函数模拟鼠标点击由属性定义的图像。该函数可以仅在先前操作的上下文中执行。

仅当VuGen处于基于HTML的录制模式(请参阅VuGen的录制选项)时,才会记录web_image。

web_image函数支持客户端和服务器端映像映射。有关特定于客户端和服务器端映像映射的属性,请参阅上面的属性列表。

 

非HTML生成的资源的示例是.gif和.jpg图像。仅当这些资源的记录选项设置为“当前脚本步骤中的记录”时,才会插入资源属性列表。这是默认设置。请参阅“HP LoadRunner虚拟用户生成器用户指南”。

可以修改HTTP头以将关于请求的附加信息传递到服务器。使用HTTP标头,您可以(例如)允许响应中的其他内容类型(例如压缩文件),或者您只能在特定条件下请求网页。要修改请求中的HTTP头,请参阅web_add_header。要修改所有后续请求,请参阅web_add_auto_header。

所有Web脚本都不支持函数web_image,而不支持WAP脚本。

 

示例:web_image

实施例1

以下示例模拟用户单击主页图标以返回主页:

web_url(“my_home”,“URL = http:// my_home /”,LAST);

web_link(“Employees”,“Text = Employees”,LAST);

web_image(“Home.gif”,“SRC = .. / gifs / Buttons / Home.gif”,LAST);

web_link(“Library”,“Text = Library”,LAST);

web_image(“Home.gif”,“SRC = .. / .. / gifs / buttons / Home.gif”,LAST);

 

示例2:客户端图像映射

以下示例模拟用户单击客户端图像映射。

web_image("dpt_house.gif",

    "Src=../gifs/dpt_house.gif",

    "MapName=dpt_house",

    "AreaOrdinal=4",

LAST );

 

示例3:服务器端图像映射

以下示例模拟用户单击服务器端图像映射。

web_image("The Web Developer's Virtual Library",

    "Alt=The Web Developer'sVirtual Library",

    "Ordinal=1",

    "XCoord=91",

    "YCoord=17",

LAST );

 

示例4:使用后缀作为匹配条件

以下示例将dpt_house.gif指定为后缀。可能的匹配项是../gifs/dpt_house.gif,/gifs/dpt_house.gif,gifs / dpt_house.gif和/dpt_house.gif。

web_image(“dpt_house.gif”,

     “Src / sfx = dpt_house.gif”,

     LAST);

 

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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