【问题来了】针对若依Ruoyi开源项目的个性化改造问题

本文介绍了在使用若依RuoYi开源项目时进行的一些前端个性化改造,包括表格边框添加、表格头部行错位修复、控制打开窗口数量、搜索栏收起展开、列表首列序号显示以及列表固定分页栏等,提供了详细的实现步骤和代码示例。

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


前言

若依RuoYi是一个目前相当火热的、完全开源的、界面简洁美观、基础功能十分齐全、能轻松上手的后台管理系统,基于经典主流技术组合(Spring Boot、Apache Shiro、MyBatis、Thymeleaf、Bootstrap),既可以让初学者很快技术入门,也可以让开发者注重专注业务,降低技术难度,从而节省人力成本,缩短项目周期,提高软件安全质量。
在使用过程中,肯定会一些个性化的改造设计需求,特别是偏传统的行业,在界面上就会偏向以前的easyUi的风格和使用习惯,以下就是在开发中的一些改变尝试,有些是从其他博主借鉴来,如果侵权,请多多包涵。

一、表格加上边框

这个问题,原项目上已经实现,先看效果,上图是无边框,下图为有边框
无边框效果
在这里插入图片描述
对比下,虽然BootstrapTable 风格的表格比较时尚潮流,但是DataGrid风格也还是耐看,可能是作为一个老码农的情怀了。
实现方式如下:

<!-- 原代码 ->
<div class="col-sm-12 select-table table-striped">
	            <table id="bootstrap-tree-table">         </table>
</div>
<!-- 新代码 ->
<div class="col-sm-12 select-table">
	            <table id="bootstrap-tree-table" class="table table-bordered" ></table>
</div>

没错,在列表页面中,table标签的样式中加入table table-bordered ,table标签的父级div去掉样式table-striped即可,相当美好,那种横横竖竖的格子给人一种整整齐齐的感觉,舒服
另外补充一点,如果是 bootstrapTreeTable 表格树要加边框,以上的操作不够的,如下:
在这里插入图片描述
表格树加了table table-bordered 两个样式后只是外框有边框,里面各个单元格却没有边框,解决方案如下:
templates/include.htmlhead 标签之前加入以下代码

<style>
	   /**解决tree表格无边框 **/
	   .bootstrap-tree-table .treetable-thead th,.bootstrap-tree-table .treetable-tbody td{
    
    
	      border-left:1px solid #e7eaec  !important;
	      border-bottom:1px solid #e7eaec  !important;
	   }
</style>

完美解决,脑补下,就不上图了

二、表格头部行错位

就是这个问题,曾一度把我的强迫症弄犯了,不行你瞧瞧这效果,你能忍吗,不过由于是一个效率出现的问题,我现在居然无法复现了,你说尴尬不,曾经多么想解决问题,现在就有多么想他出现,直接上方案吧
还是在 templates/include.htmlhead 标签之前加入以下代码

<style>
	    /**解决表头错位 **/
	   .table{
    
    table-layout: fixed;}
</style>

这段代码专治各种不服,前提是要在 table 标签上 加上 table 样式

三、控制打开窗口数量

由于系统采用的多窗口模式,可以同时打开多个页面窗口,方便多页面切换,避免页面的重刷,但是过多的页面打开后,势必会造成浏览器的缓存压力,因而就有了控制窗口数量的需求,效果如下:
在这里插入图片描述
实现方案如下:
1、在 参数设置 中新增 允许菜单窗口打开的数量
在这里插入图片描述
2、在 IndexController.java 类的 index(ModelMap mmap) 方法中 获取 该参数,并传到页面中

mmap.put("openMenuCount", configService.selectConfigByKey("sys.index.openMenuCount"));

3、在 index.html 页面的 javascript 块中,获取参数并储存起来

//可打开菜单数量
var openMenuCount = [[${
   
   openMenuCount}]];
storage.set('openMenuCount', openMenuCount);

4、在 common.js 文件中新增js方法 checkMenuTabCountOver

/** 检测菜单选项卡超出数量 **/
function checkMenuTabCountOver(){
   
   
   var topWindow = $(window.parent.document);
    var menuOpenCount=0;
    $('.menuTab', topWindow).each(function(
### 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 12
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