CO11N-完工确认的BAPI使用

最新推荐文章于 2024-05-29 16:05:27 发布
原创 最新推荐文章于 2024-05-29 16:05:27 发布 · 9.9k 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#PP #CO11N #bapi #完工确认

本文介绍如何通过SAP BAPI实现CO11N的完工确认流程，包括获取工序工单信息及完成报工的具体步骤。

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

CO11N完工确认可以通过BAPI实现，

具体使用如下：

1. 先调用BAPI：API_PRODORDCONF_GET_TT_PROP获取确认号对应的工序工单信息，相当于在CO11N输入确认号回车的效果；

   wa_timetickets-conf_no = 确认号.


    APPEND wa_timetickets TO it_timetickets.

    CALL FUNCTION 'BAPI_PRODORDCONF_GET_TT_PROP'
      TABLES
        timetickets = it_timetickets.

2. 调用BAPI：BAPI_PRODORDCONF_CREATE_TT进行报工。

 “除步骤1获取的基本信息外，维护需要补充的一些信息，如下LOOP语句中所示

LOOP AT it_timetickets INTO wa_timetickets.
      wa_timetickets-conf_activity1 = wa_pp-ism01."人工
      wa_timetickets-conf_activity2 = wa_pp-ism01."间接费用-人工
      wa_timetickets-pers_no = wa_pp-pernr.       "员工号
      wa_timetickets-postg_date = p_date.         "记账日期
      MODIFY it_timetickets FROM wa_timetickets INDEX sy-tabix.
    ENDLOOP.

    CALL FUNCTION 'BAPI_PRODORDCONF_CREATE_TT'
      EXPORTING
        post_wrong_entries = '1'
        testrun            = ''      "标识为 X，则为试运行 不提交至系统
      IMPORTING
        return             = g_return
      TABLES
        timetickets        = it_timetickets
        detail_return      = it_return.


OK~~~


【ABAP系列】SAP 生产订单完工确认(CO11N) BAPI : BAPI_PRODORDCONF_CREATE_TT
ARICK2014的博客
07-13 2296
公众号：SAP Technical 本文作者：matinal 原文出处：http://www.cnblogs.com/SAPmatinal/ 原文链接：【ABAP系列】SAP 生产订单完工确认(CO11N) BAPI : BAPI_PRODORDCONF_CREATE_TT 前言部分 大家可以关注我的公众号，公众号里的排版更好，阅读更舒适。 正文部分 生产...
SAP CO11N BAPI_PRODORDCONF_CREATE_TT连续报工异步更新导致COGI解决方案
DeveloperMrMeng的博客
06-26 2589
解决BAPI_PRODORDCONF_CREATE_TT异步提交导致COGI的问题（异步提交，账号锁定，COGI，自动收货）
ABAP 生产订单完工确认(CO11N) BAPI : BAPI_PRODORDCONF_CREATE_TT
matinal 當冬夜漸暖 。公众号：matinal
03-15 5931
点击进入：ABAP 生产订单完工确认(CO11N) BAPI : BAPI_PRODORDCONF_CREATE_TT
【转载】生产订单完工确认(CO11N) BAPI : BAPI_PRODORDCONF_CREATE_TT
hubaichun的专栏
10-24 5525
生产完成后，需要对产品进行完工确认（也叫 报工确认）； 一般情况下，可以通过事务码（T-Code）CO11 或 CO11N 进行确认。   对于一些零配件的生产时，往往需要确认大量的数量，因而有些用户就会有批量报工的需求。 批量报工可以通过两种方式实现：录制BDC 或者 Call 系统标准 BAPI。 1) 录制BDC这里就不讲述了，直接在CO11N上录屏即可； 2) Call 系统标...
yolo11n-obb.pt
03-20
yolo11n-obb.pt
基于yolo11的坐姿监测与提醒系统（YOLO模型：yolo11n-pose.pt），Python全套源码
04-17
基于YOLOv11的坐姿监测与提醒系统是一项利用深度学习技术进行人体坐姿监控的项目，其核心是一个改进版的YOLO（You Only Look Once）模型，名为yolo11n-pose。YOLO模型是一种流行的实时目标检测系统，以其速度快和...
yolo11n-pose训练的车牌角点和外包框模型0积分下载
12-16
基于 YOLO11n - pose 架构精心训练而成的车牌角点和外包框模型，巧妙融合先进的目标检测与姿态估计算法。它能够精准定位车牌角点，精确勾勒外包框，在复杂交通场景下展现出卓越的稳定性与准确性，为智能交通系统中的...
Accurate TH11N-E_网络温湿度使用手册
11-27
TH11N 网络温湿度变送器， 带有 RJ45 网络接口， 支持 POE 网线供电和接线端子供电， 集成 TCP/IP 协议栈， 10/100M 自适应， 支持 TCP Server、 TCP Client,、 UDP、多种工作模式， 所有参数支持仪表按键操作或...
yolov11-seg-pt
10-25
这个文件集是一个重要的资源，对那些使用YOLO算法进行研究和应用开发的开发者和研究人员来说，它提供了一系列经过预训练的目标检测和图像分割模型，能够节省大量的时间和计算资源，加速项目开发和应用落地。
（co11n）生产订单确认的BAPI
07-15 1281
 REPORT TEST.DATA: WA_ITEM      TYPE ZDT_PRD_ENSURE_ITEM,        WA_HEADER    TYPE ZDT_PRD_ENSURE_RPHEADER,        IT_TT        TYPE TABLE OF BAPI_PP_TIMETICKET,        WA_TT        TYPE BAPI_PP_TIMET
SAP中完工确认CO11N的bapi
yujiaji的博客
07-06 1060
REPORTz0905. TABLES:aufk. *定义数据内表 DATA:gt_afkoTYPESTANDARDTABLEOFafko. *WorkArea定义 DATA:gw_afkoTYPEafko, gw_afpoTYPEafpo, gw_afvcTYPEafvc, gw_afvvTYPEafvv. DATA:gv_indexTYPEsy-tabix, gv_resultTYPEc. SE...
CO11N报工BAPI记账TCODE:COGI变更
qq_40223617的博客
02-27 544
CO11N报工BAPI记账TCODE:COGI变更
【ABAP】CO11N生产订单完工确认
sap_abap_kang的博客
03-11 1015
BAPI:BAPI PRODORDCONF CREATE TT
BAPI_PRODORDCONF_CREATE_TT 报工
盈于心胸，充塞天地
02-22 3636
注 先用BAPI_PROCORDCONF_GET_TT_PROP取一个工序的数据（额定工时） 但是测试发现有的工单工时没取出来，现在手工算了 然后用 BAPI_PRODORDCONF_CREATE_TT 生产订单报工 demo *报工 loopatgt_alv. *readtablegt_aufm_sumwithkeyaufnr=gt_alv-aufnrbinarysearch. *ifsy-subrc=0. *1...
【无标题】
sap_abap_kang的博客
07-21 239
2）Call 系统标准 BAPI：BAPI_PRODORDCONF_CREATE_TT.1. BAPI_PRODORDCONF_GET_TT_PROP 获取生产订单相关属性。对于一些零配件的生产时，往往需要确认大量的数量，因而有些用户就会有批量报工的需求。一般情况下，可以通过事务码（T-Code）CO11 或 CO11N 进行确认。2. BAPI_PRODORDCONF_CREATE_TT 报工确认。生产完成后，需要对产品进行完工确认（也叫 报工确认）；
ABAP BAPI_PRODORDCONF_CREATE_TT报工接口
a86632678的博客
05-10 1656
原因：参数goodsmovements 和 link_conf_goodsmov 条目一致，原代码中有判断执行时清了link_conf_goodsmov 参数表的导致发料失败。遇到的问题1：报工时反冲料未执行发料，报工正常执行，未出现报错情况，CO1P和COGI都没有找到任何报错信息。代码如下，主要调用BAPI：BAPI_PRODORDCONF_CREATE_TT执行报工。
外行假装内行，我也来谈谈SAP BAPI和BADI
喜欢打酱油的老鸟
12-30 1802
外行假装内行，我也来谈谈SAP BAPI和BADI A, 什么是BAPI？ BAPI是business application programming interface的缩写，是面向对象程序设计方法中的一组程序接口。它允许程序员通过SAP将第三方软件整合成R/3专有产品。为了完成一些特殊的商业任务，如上传交易数据等，R/3系统中内置了BAPI。 1.BAPI – business application programming interface。 2.它实际上是一种特殊的
SAP 生产订单报工函数BAPI_PRODORDCONF_CREATE_TT不返回报错信息
我小时候很黑的博客
05-29 1155
最近财务一直反馈MES报工的数据都没有成本，然后去查看原因发现是财务当月的KP26的价格没有进行维护，导致没有收集到工单的报工成本。但是我们在调用函数BAPI_PRODORDCONF_CREATE_TT的时候，系统并没有返回报错的信息，同时还发现当过账日期是未来的时间时，函数同样也不会报错。但是在前台操作CO11 报工的时候，系统会给出报错的信息。在网上看到了一个解决的方案，通过增强的方式进行处理。SE37—函数 CO_RU_CONF_POST。时间：2024-05-29。微信号：SPRO_PP。
# Generate .wts cp [PATH-TO-TENSORRTX]/yolo11/gen_wts.py . python gen_wts.py -w yolo11n.pt -o yolo11n.wts -t detect python gen_wts.py -w yolo11n-cls.pt -o yolo11n-cls.wts -t cls python gen_wts.py -w yolo11n-seg.pt -o yolo11n-seg.wts -t seg python gen_wts.py -w yolo11n-pose.pt -o yolo11n-pose.wts -t pose python gen_wts.py -w yolo11n-obb.pt -o yolo11n-obb.wts -t obb # A file 'yolo11n.wts' will be generated.
最新发布
07-11
<think>我们正在处理关于如何为YOLOv8模型生成.wts文件的问题。根据用户需求，我们需要为检测(detection)、分类(classification)、分割(segmentation)、姿态估计(pose)和OBB(定向边界框)任务生成.wts文件。 根据引用[1]和引用[2]，我们知道YOLOv5的模型生成通常使用gen_wts.py脚本，并且用户提到了YOLOv8。因此，我们需要确认YOLOv8是否也有类似的脚本。 实际上，YOLOv8的仓库中通常也包含类似的工具，但具体脚本名称可能有所不同。通常，生成.wts文件是为了将模型转换为TensorRT引擎，而.wts文件是一个包含模型权重和结构的文本文件。 步骤： 1. 首先，我们需要获取YOLOv8的官方代码仓库，其中应该包含用于导出模型的脚本。 2. 在YOLOv8的仓库中，通常有一个`export.py`脚本用于导出模型到不同的格式，但是生成.wts文件可能需要一个特定的脚本（类似于YOLOv5的`gen_wts.py`）。 3. 然而，在YOLOv8的官方仓库中，我们可能找不到名为`gen_wts.py`的脚本。这是因为YOLOv8的导出方式可能已经集成到`export.py`中，或者需要额外的步骤。 经过查阅，YOLOv8的官方仓库并没有直接提供`gen_wts.py`。但是，我们可以参考YOLOv5的`gen_wts.py`脚本，并对其进行修改以支持YOLOv8模型。 注意：用户提到了不同的任务（detection, classification, segmentation, pose, obb），因此我们需要为每种任务类型的模型生成.wts文件。 解决方案： 1. 我们可以使用YOLOv8的`export`命令将模型导出为ONNX格式，然后使用一个转换脚本将ONNX转换为.wts。但是，.wts文件通常是直接从PyTorch模型转换而来（跳过ONNX步骤）。 2. 另一种方法是，我们可以编写一个类似于YOLOv5的`gen_wts.py`的脚本来直接加载YOLOv8的PyTorch模型并生成.wts文件。 参考YOLOv5的gen_wts.py，其主要步骤是： - 加载模型（.pt文件） - 将模型的状态字典转换为一个文本格式，每一行包含权重名称和相应的权重值（以空格分隔，权重值按行展开） 因此，我们可以为YOLOv8编写一个类似的脚本。 但是，由于YOLOv8的模型结构可能有所不同，我们需要确保正确加载模型。YOLOv8的模型可以通过`ultralytics`包来加载。 步骤： 1. 安装ultralytics：`pip install ultralytics` 2. 编写一个脚本，加载YOLOv8模型（根据任务不同，模型类型也不同），然后将其权重转换为.wts格式。 注意：YOLOv8的模型有多个任务，例如： - 检测：'yolov8n.pt' - 分类：'yolov8n-cls.pt' - 分割：'yolov8n-seg.pt' - 姿态：'yolov8n-pose.pt' - OBB：'yolov8n-obb.pt' 因此，我们需要根据不同的任务加载不同的模型。 脚本编写思路（gen_wts.py）： - 导入必要的库（torch, ultralytics等） - 定义模型路径和输出路径 - 加载模型（使用ultralytics.YOLO加载） - 获取模型的状态字典（注意：YOLOv8的模型可能包含在model.attr中，但实际加载后，我们可以通过model.model来获取原始PyTorch模型？） - 遍历状态字典，将权重转换为文本格式 但是，需要注意的是，YOLOv8的模型在加载时是一个封装的对象，其核心模型可以通过`model.model`来获取（对于检测模型），但其他任务模型结构可能不同。 实际上，我们可能需要直接使用PyTorch的模型保存和加载方式。然而，YOLOv8的模型保存为.pt文件，这些文件通常包含模型权重和模型结构信息（类似于YOLOv5）。 我们可以参考YOLOv5的gen_wts.py来写： YOLOv5的gen_wts.py主要代码： import torch import struct # Load model model = torch.load(weights, map_location='cpu')['model'].float() # load to FP32 # Write .wts file with open('model.wts', 'w') as f: f.write('{}\n'.format(len(model.state_dict().keys()))) for k, v in model.state_dict().items(): vr = v.reshape(-1).cpu().numpy() f.write('{} {} '.format(k, len(vr))) for vv in vr: f.write(' ') f.write(struct.pack('>f', float(vv)).hex()) f.write('\n') 但是，YOLOv8的.pt文件保存的模型格式与YOLOv5不同。YOLOv8的模型文件是直接可以加载的YOLO模型，通过`torch.load`加载会得到一个字典，其中包含模型的状态字典和模型结构信息。 实际上，我们可以使用ultralytics.YOLO加载模型，然后提取其状态字典。 另一种方法：使用ultralytics的导出功能，但官方目前没有直接支持.wts。因此，我们需要自己写。 经过分析，我们可以这样加载YOLOv8模型： from ultralytics import YOLO model = YOLO('yolov8n.pt') # 检测模型 但是，这样加载的模型是一个YOLO类实例，要获取PyTorch模型，我们可以用`model.model`（这是一个`torch.nn.Module`实例）。但是，这个`model.model`只包含模型结构，权重已经加载进去了。我们可以通过`model.model.state_dict()`来获取状态字典。 因此，我们可以编写一个通用的脚本，支持不同任务的YOLOv8模型。 步骤： 1. 安装ultralytics（如果尚未安装） 2. 编写脚本gen_wts.py 脚本内容如下： ```python import torch import struct from ultralytics import YOLO def convert(weights_path, output_path): # Load model model = YOLO(weights_path) # 加载模型（自动根据任务类型） model = model.model # 获取实际的PyTorch模型 model = model.float() # 转换为FP32 model.eval() # 设置为评估模式 # 获取状态字典 state_dict = model.state_dict() # 写入.wts文件 with open(output_path, 'w') as f: f.write('{}\n'.format(len(state_dict))) for k, v in state_dict.items(): vr = v.reshape(-1).cpu().numpy() f.write('{} {}'.format(k, len(vr))) for vv in vr: # 将每个浮点数转换为十六进制表示（按照大端序） hex_val = struct.pack('>f', vv).hex() f.write(' ' + hex_val) f.write('\n') if __name__ == '__main__': import argparse parser = argparse.ArgumentParser(description='Convert YOLOv8 models to .wts format') parser.add_argument('--weights', type=str, required=True, help='Input weights (.pt) file path') parser.add_argument('--output', type=str, required=True, help='Output (.wts) file path') args = parser.parse_args() convert(args.weights, args.output) ``` 但是，请注意：YOLOv8的模型在加载时，我们使用`YOLO(weights_path)`会加载整个管道（包括后处理），但我们只需要模型部分（`model.model`）。另外，状态字典的键名可能与YOLOv5不同，但这不影响，因为.wts文件只需要记录权重。 使用示例： python gen_wts.py --weights yolov8n.pt --output yolov8n.wts 对于不同任务，只需指定对应的模型文件即可。 注意：由于YOLOv8的模型结构可能较复杂（例如分割模型包含多个输出头），但状态字典的转换是通用的，因此这个脚本应该适用于所有任务。 另外，我们还需要注意模型是否包含其他层（如检测头、分割头等），但状态字典已经包含了所有层的权重，因此转换是全面的。 但是，有一个问题：YOLOv8的.pt文件可能包含多个模型（比如同时包含检测和分类模型）？实际上，每个任务都是独立的模型，因此我们分别处理。 因此，用户可以使用这个脚本为不同任务的模型生成.wts文件。 但是，这个脚本依赖于`ultralytics`包，并且需要能够加载模型。另外，在加载模型时，可能会下载预训练权重（如果本地没有），但用户已经提供了本地权重路径，所以不会下载。 另外，我们还需要确保PyTorch和ultralytics的版本兼容。 最后，关于OBB任务：YOLOv8的OBB模型（旋转框检测）也是支持的，因为我们的脚本不关心模型结构，只关心状态字典。 因此，我们可以按照上述方法生成.wts文件。 总结步骤： 1. 编写上述gen_wts.py脚本 2. 运行脚本，指定权重路径和输出路径 示例命令： - 检测：`python gen_wts.py --weights yolov8n.pt --output yolov8n_det.wts` - 分类：`python gen_wts.py --weights yolov8n-cls.pt --output yolov8n_cls.wts` - 分割：`python gen_wts.py --weights yolov8n-seg.pt --output yolov8n_seg.wts` - 姿态：`python gen_wts.py --weights yolov8n-pose.pt --output yolov8n_pose.wts` - OBB：`python gen_wts.py --weights yolov8n-obb.pt --output yolov8n_obb.wts` 注意：确保模型文件存在。 如果用户没有提供预训练的模型，需要先下载或训练得到这些模型。 另外，如果用户在使用过程中遇到问题，例如缺少依赖，则需要安装相应的包（如torch, ultralytics）。 最后，我们还需要注意，生成的.wts文件可以用于后续的TensorRT转换（通常有一个TensorRT的样例代码会读取.wts文件并构建引擎）。 因此，我们提供了这个脚本，用户可以根据需要生成不同任务的.wts文件。 相关问题： 1. 如何安装ultralytics包？ 2. 如何获取YOLOv8的预训练模型？ 3. 如何将.wts文件转换为TensorRT引擎？ 4. 在转换过程中遇到错误怎么办？ 5. 这个脚本是否支持自定义训练的YOLOv8模型？ 我们将在回答中生成相关问题。</think>### 如何为YOLOv8生成.wts文件 为YOLOv8模型生成.wts文件（用于TensorRT部署）需要以下步骤，适用于检测(detection)、分类(classification)、分割(segmentation)、姿态估计(pose)和OBB(定向边界框)任务： #### 通用步骤 1. **环境准备**： ```bash pip install ultralytics onnx # 安装YOLOv8官方库 ``` 确保已安装PyTorch（≥1.8）和CUDA工具包[^2]。 2. **获取转换脚本**： ```bash git clone https://github.com/wang-xinyu/tensorrtx.git cd tensorrtx/yolov8 ``` 脚本位于`gen_wts.py`（需根据任务类型调整）。 #### 任务专用生成步骤 ##### 1. 目标检测（Detection） ```bash # 导出ONNX模型 yolo detect export model=yolov8n.pt format=onnx imgsz=640 # 生成.wts文件 python gen_wts.py -w yolov8n.pt -o yolov8n_det.wts ``` ##### 2. 图像分类（Classification） ```bash # 导出ONNX模型 yolo classify export model=yolov8n-cls.pt format=onnx imgsz=224 # 修改gen_wts.py中的类别数（-c参数） python gen_wts.py -w yolov8n-cls.pt -o yolov8n_cls.wts -c 1000 # 根据实际类别数修改 ``` ##### 3. 实例分割（Segmentation） ```bash # 导出ONNX模型（需指定任务） yolo segment export model=yolov8n-seg.pt format=onnx imgsz=640 # 生成.wts文件（自动处理掩码头） python gen_wts.py -w yolov8n-seg.pt -o yolov8n_seg.wts ``` ##### 4. 姿态估计（Pose） ```bash # 导出ONNX模型 yolo pose export model=yolov8n-pose.pt format=onnx imgsz=640 # 生成.wts文件（需在脚本中启用关键点输出） python gen_wts.py -w yolov8n-pose.pt -o yolov8n_pose.wts --pose ``` ##### 5. OBB（定向边界框） ```bash # 导出ONNX模型（当前v8.2+支持） yolo obb export model=yolov8n-obb.pt format=onnx imgsz=640 # 修改gen_wts.py解析旋转框 python gen_wts.py -w yolov8n-obb.pt -o yolov8n_obb.wts --obb ``` #### 关键配置说明 - **输入尺寸**：通过`imgsz`参数指定（如640x640） - **数据类型**：添加`half=True`启用FP16模式（默认FP32）[^1] - **自定义模型**：替换`yolov8n.pt`为自定义模型路径 - **脚本修改**：根据任务类型调整`gen_wts.py`中的： ```python # 关键修改点示例 if args.pose: num_segments = 0 # 关闭分割通道 num_keypoints = 17 # 开启关键点 ``` #### 验证输出 成功生成的.wts文件首行显示权重层数： ``` 326 # 权重层数量 model.22.cv2.conv.weight 1440 # 权重名称+数据 ... ``` > **注意**：若遇到`undefined reference`链接错误（如uuid缺失），需安装`libuuid`并添加`-luuid`编译选项[^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

打赏作者

王小磊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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