长列表加载性能优化
最编程
2024-10-06 21:53:02
...
一、体验指标
1、列表渲染时间
完整内容的第一帧所用的时间
2、页面滑动帧率
丢帧率:一个时间周期内的丢帧比率。
如果某一帧没有在11.1ms(90HZ刷新率)内绘制完成的话,就会出现丢帧
3、应用内存占用
二、四个优化方向
1、懒加载:按需加载,别把数据一次性全加载了,很慢而且比较占用资源。
数据量比较大的时候就用LazyForEach,按需加载数据
2、缓存列表项:提前加载缓存接下来要展示的数据,预加载的形式,比如一次性屏幕要展示3个数据,那么可以提前预加载2个,滑动的时候就用这个缓存的数据进行展示,避免滑动过快的时候数据来不及加载而出现白块现象
LazyForEach中可以设置cachedCount来指定缓存数量(一般设置为屏幕显示数量的一半),设置后,除屏幕内显示的ListItem组件外,还会预先将屏幕可视区域外指定数量的列表项数据缓存。
这样当一个屏幕数据加载完成后,再次向下滑动时,会先加载上一次请求的数据,加载完成后,再加载本次请求的数据。
3、组件复用:搞点可复用组件对象的缓存资源池,降低相同组件短时间内频繁创建和销毁的开销,提升组件渲染效率。
第一步把组件用@Reusable标识,表示可复用能力
第二步实现自定义组件的生命周期回调函数,数据填充的逻辑
第三步设置组件的reuseldID
4、布局优化:减少视图嵌套层级和组件数,避免过度绘制,提升页面渲染效率。
推荐阅读
-
长列表加载性能优化
-
iOS性能提升实战2:加载大图列表的优化策略
-
优化层级式列表数据计算性能:一次实战经验分享
-
H5 缓存机制分析 移动网络加载性能优化
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
铯 | 大规模点加载和性能优化
-
前端性能和加载体验优化实践(包括:PWA、离线包、内存优化、预渲染)
-
前端性能和加载体验优化实践(包括:PWA、离线包、内存优化、预渲染)
-
铯样加载大规模 3dtiles 数据稳定流畅的性能优化思路
-
JavaScript 性能优化] ------ 理解脚本标签的加载和执行