集成google leaderboard出错

【google leaderboard】
耗时3小时
1、搭建完google game service环境后,开始集成leaderboard代码
    public void leaderBoard() {
        if (isSignedIn()) {
            //mActivity.startActivityForResult(Games.Leaderboards.getLeaderboardIntent(mGoogleApiClient, "CgkI9Z-w6NEUEAIQAA"), RC_UNUSED);
            mActivity.startActivityForResult(Games.Leaderboards.getAllLeaderboardsIntent(mGoogleApiClient), RC_UNUSED);
        } else {
            CldComm.alert("leader boards not available");
        }
    }
2、调测过程中,出现了登录页面(完成后,没有欢迎回来提示),不过显示leaderboard失败
   -> 与发行那边交涉,添加了测试帐号
3、eclipse继续调试,显示排行榜仍然闪退。栈信息是startActivityForResult空指针
4、对比google示例代码,发现遗漏了onActivityResult处理,添加后发现是登录失败了,返回错误码是10004 result_app_misconfigured,意思是配置错误了
5、考虑到签名问题,尝试使用release正式签名测试一下。成功了
总结:
1、leaderboard排名测试前需要添加测试帐号(跟内购等一样)
2、leaderboard排名同样要求签名、包名完全一致(跟内购一样)
### COCO 数据集排行榜及相关性能指标 COCO(Common Objects in Context)是一个广泛用于目标检测和图像分割的任务数据集。其排行榜主要评估算法在多个方面的表现,以下是关于 COCO 数据集排行榜及其性能指标的关键点: #### 性能指标概述 COCO 数据集使用的性能指标主要包括平均精度(Average Precision, AP),这是衡量模型检测能力的核心标准[^1]。具体来说: - **mAP (mean Average Precision)** 是 COCO 中最常用的评价指标之一,表示所有类别的 AP 的均值。 - **AP@IoU=0.50:0.95** 表示在 IoU 阈值范围为 0.5 到 0.95 下计算的平均精度。 - **AP@IoU=0.50** 和 **AP@IoU=0.75** 分别代表特定阈值下的平均精度。 此外,COCO 还会根据不同对象大小划分三个子类别来报告 AP 值: - **APs**: 小物体上的平均精度。 - **APm**: 中等物体上的平均精度。 - **APl**: 大物体上的平均精度。 这些指标共同构成了对模型全面性能的评估体系[^4]。 #### 排行榜结构 COCO 数据集提供多种任务类型的排行榜,包括但不限于实例分割、关键点检测以及传统的目标检测。每种任务都有对应的基线分数供研究者对比新方法的效果。例如,在增量少样本学习领域中提到的一个案例显示,在 COCO 批量增量少样本检测任务里取得了高达 9.9 的新颖类别 AP 成绩[^1]。 对于希望参与竞赛的研究人员而言,访问官方网站可以获取最新排名情况并提交自己的成果进行评测。 ```python import numpy as np def calculate_mAP(precisions, recalls): """ 计算给定精确率与召回率列表之间的最大面积即 mAP. 参数: precisions (list): 不同置信度下得到的一系列精确率数值. recalls (list): 对应于上述精确率所获得的一组召回率. 返回: float: 平均准确率(mAP). """ recall_levels = np.linspace(0, 1, num=101) interpolated_precisions = [] for r in recall_levels: candidate_precision_values = [p for rp, p in zip(recalls, precisions) if rp >= r] max_p_at_r_or_above = max(candidate_precision_values) if len(candidate_precision_values)>0 else 0 interpolated_precisions.append(max_p_at_r_or_above) return sum(interpolated_precisions)/len(interpolated_precisions) ``` 此函数展示了如何基于一系列精确率和召回率计算出最终的 mAP 结果。 ---
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