1.Android 手机自动化测试工具有哪些？
2.「安卓按键精灵」扒别人脚本的安卓安卓安装界面源码
3.手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)

Android 手机自动化测试工具有哪些？

       1、Monkey是触摸测试触摸测试Android SDK自带的测试工具，在测试过程中会向系统发送伪随机的源码源码用户事件流，如按键输入、下载下载触摸屏输入、安卓安卓安装手势输入等)，触摸测试触摸测试spring事物源码实现对正在开发的源码源码应用程序进行压力测试，也有日志输出。下载下载实际上该工具只能做程序做一些压力测试，安卓安卓安装由于测试事件和数据都是触摸测试触摸测试随机的，不能自定义，源码源码所以有很大的下载下载局限性。

       2、安卓安卓安装MonkeyRunner也是触摸测试触摸测试Android SDK提供的测试工具。严格意义上来说MonkeyRunner其实是源码源码一个Api工具包，比Monkey强大，可以编写测试脚本来自定义数据、卖源码的app事件。缺点是脚本用Python来写，对测试人员来说要求较高，有比较大的学习成本。

       3、Instrumentation是早期Google提供的Android自动化测试工具类，虽然在那时候JUnit也可以对Android进行测试，但是Instrumentation允许你对应用程序做更为复杂的测试，甚至是框架层面的。通过Instrumentation你可以模拟按键按下、抬起、屏幕点击、滚动等事件。Instrumentation是通过将主程序和测试程序运行在同一个进程来实现这些功能，你可以把Instrumentation看成一个类似Activity或者Service并且不带界面的组件，在程序运行期间监控你的中文修改源码方法主程序。缺点是对测试人员来说编写代码能力要求较高，需要对Android相关知识有一定了解，还需要配置AndroidManifest.xml文件，不能跨多个App。

       4、UiAutomator也是Android提

「安卓按键精灵」扒别人脚本的界面源码

       在一次技术交流中，有朋友向我咨询如何解析别人的安卓脚本界面源码，我虽不擅长直接破解，但分享一下如何通过常规手段揭开这一层神秘面纱。

       界面的代码其实并不复杂，主要由几个基础元素构成，模仿起来并不困难。不过，这里我们不走寻常路，而是要深入探究其背后的逻辑和文件结构。

       要找到界面代码，阅读源码价值分析首先需要进入脚本的安装目录，通常在"/data/data/"后面跟随应用的包名。打开这个目录，找到其中的"files"文件夹，这个文件夹往往是保存应用界面配置的地方，基于以往的经验，我们先一探究竟。

       在一堆与脚本相关的文件中，我们使用文本读取命令逐一探索。代码逻辑是逐个读取文件内容，比如当我们看到script.cfg文件，它虽与界面截图对应，但并非源码，只是记录了用户填写内容的配置信息。

       在遍历的输出结果中，我注意到一行标注为"script.uip"的getpost链接跳转源码文件。从后缀名判断，这可能是与UI界面相关的。更有趣的是，它包含了一些花括号{ }，这提示了我们可能找到了界面源码的线索。

       接着，我们面对的是可能存在的乱码问题。按键的乱码可能是加密或编码问题，通过观察问号，猜测是编码错误。编码为utf8的按键支持广泛，我们尝试用转码插件来解决这个问题，以gbk编码为例进行测试，结果出乎意料地顺利。

       解决乱码后，我们将调试结果复制到文本中，确认这就是我们寻找的界面源码。将其粘贴回脚本中，界面效果依然保持完好。

       但别忘了，包名这一关键信息可能需要用户自行获取。在运行脚本时，可以在界面上找到包名。为了简化操作，我们可以在脚本中直接引入包名，跳过遍历，直接读取界面文件。

       至此，我们已经完成了从头到尾的解析过程，代码也变得更加简洁有效。如果你对这些内容感兴趣，不妨试着操作一番，或许会有所收获。

       当然，如果你在探索过程中遇到任何问题，或者想要了解更多关于按键精灵的资源，别忘了关注我们的论坛、知乎账号以及微信公众号"按键精灵"，那里有更全面的教程和讨论。

手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)

       手部关键点检测第二部分：使用YOLOv5进行手部检测（附带训练代码和数据集）

       本篇将专注于手部检测模型的开发，采用自上而下的方法，分为两阶段：首先进行手部检测，然后估计手部关键点。所采用的框架是基于开源的YOLOv5项目。

       项目成果包括一个精度高达mAP_0.5=0.，mAP_0.5:0.=0.的手部检测模型，以及轻量化版本的yolov5s_和yolov5s_模型，均适用于普通Android手机，CPU(4线程)约ms左右，GPU约ms左右。

       手部检测结果和手部关键点检测效果已经展示，并提供了Android手部关键点检测APP的下载链接。

       1.1 手部检测数据集说明

       收集了三个手部检测数据集：Hand-voc1，Hand-voc2和Hand-voc3，总共有+张，标注格式统一为VOC数据格式，便于深度学习手部目标检测模型算法开发。

       1.2 自定义数据集

       如果需要调整数据集进行训练，或自定义数据集，可以参考相应步骤。

       2. 基于YOLOv5的手部检测模型训练

       训练Pipeline基于YOLOv5进行，使用GitHub上的YOLOv5项目，需要将原始数据集转换为YOLO的格式。项目代码已在Ubuntu和Windows系统上验证，确保无误。

       训练数据准备、配置数据文件、模型文件，选择轻量化的yolov5s模型，该模型计算量减少了倍，参数量减少了7倍，适应手机端性能。

       训练过程可视化使用Tensorboard，训练结果输出包括各种性能指标。

       3. Python版本手部检测效果展示

       项目提供demo.py文件用于测试模型效果，兼容Windows系统。展示手部检测结果。

       4. 提升模型性能的建议

       通过调整数据集、参数配置，可进一步提高模型性能。

       5. 手部检测与手部关键点检测

       项目已实现Android版本的手部检测与关键点检测，应用在普通Android手机上达到实时效果，满足业务性能需求。

       6. 项目源码下载

       项目包含手部检测数据集、训练代码和测试代码，支持Android应用开发。

       完成的手部检测与关键点检测，可应用于多种场景，提供高性能、实时的手部检测解决方案。