yum 源简介yum 是一种在Linux环境下安装、更新和删除软件包的软件管理器。通过yum，用户可以轻松地从软件仓库中搜索和安装包含所需软件的软件包，并自动处理所需的依赖关系。 此外，yum 还可以与其他软件管理工具配合使用，例如 rpm。它是许多Linux发行版中的默认软件包管理器。 简介 首先备份 /etc/yum.repos.d/CentOS-Base.repo 1mv /etc/yum.

mixed content the page at was loaded over https报错原因： HTTPS页面里动态的引入HTTP资源，比如引入一个js文件； 在HTTPS页面里通过AJAX的方式请求HTTP资源。 解决方案： 如果目标有https资源,就是用https方式能打开连接，可以直接用相对路径例如//baidu.com CSP：如果不想改，而且确定连

因为 Centos 官网是挂在国外的服务器上，下载镜像时相比于国内的下载速度会慢很多，所以在这里向大家分享两个国内的镜像站去下载 Centos 镜像。 清华大学开源软件镜像站下载Centos7镜像 清华大学开源软件镜像站地址：https://mirrors.tuna.tsinghua.edu.cn/ 向下滑找到【centos】进行点击。 向下滑点击【7.9.2009/】。 点击【i

buffer 和 cache 是内存的不同的体现，接下来简单分析对buffer和cache的理解。 buffer：A buffer is something that has yet to be “written” to disk. 翻译过来就是：buffer 就是写入到磁盘。 buffer 是为了提高内存和硬盘（或其他I/O设备）之间的数据交换的速度而设计的。 buffer 是在向

因为 Centos 官网是挂在国外的服务器上，下载镜像时相比于国内的下载速度会慢很多，所以在这里向大家分享两个国内的镜像站去下载 Centos 镜像。 二、前往阿里云镜像站下载Centos7镜像 阿里云官网地址：https://www.aliyun.com/ 点击左上角的【文档与社区】展开选择【镜像站】。 点击【centos】。 点击【下载链接】。 向下翻点击【7.9.2009&#

简介COCO API 提供了 Matlab, Python 和 Lua 的 API 接口. 该 API 接口可以提供完整的图像标签数据的加载, parsing 和可视化。此外,网站还提供了数据相关的文章, 教程等。 在使用 COCO 数据库提供的 API 和 demo 之前, 需要首先下载 COCO 的图像和标签数据（类别标志、类别数量区分、像素级的分割等 ）： 图像数据下载到 coco/

首先了解下cocoeval .py的构成吧。 Params类：对于COCO格式的数据检测，我们主要分为不同的IoU阈值，不同的面积范围，单张图片的最大检测数量。在这些不同的参数下，会得到不同的AP与AR。 所以在这个类中，我们需要指定这些参数的数值范围，具体可看下面贴出的代码。 标准的即IoU阈值设置为从0.5-0.95 间隔0.05，一共10个阈值 AR的阈值为0-1 间隔0.01 ，一共101

一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 预测为正样本（Positive） 预测为负样本（Negative） 实际为正样本（True） TP（真正例） FN（假反例） 实际为负样本（False） FP（假正例） TN（真反例） 二、通俗理解（以西瓜数据集为例）以西瓜数据集为例

首先我们为什么要使用这些呢? 举个简单的例子，假设我们图像里面只有1个目标，但是定位出来10个框，1个正确的，9个错误的，那么你要按(识别出来的正确的目标/总的正确目标)来算，正确率100%，但是其实效果不是很好，而且还有框的各种情况，因此我们需要下面的指标来衡量一个目标检测模型的好坏。 1.IOU(Intersection Over Union)这是关于一个具体预测的Bounding

gunicron 官网：https://docs.gunicorn.org/en/stable/ github 地址：https://github.com/benoitc/gunicorn 1、WSGI1.1、WSGI 协议Web 框架专注于业务逻辑、专注于HTML文档的生成。Web 服务器用于处理和响应 HTTP 请求（HTTP 请求接收、建立连接、返回响应等）。Web 框架和 We

gunicron 官网：https://docs.gunicorn.org/en/stable/ github 地址：https://github.com/benoitc/gunicorn Gunicorn 工作原理Gunicorn 使用 pre-fork worker 模型，这意味着在处理请求之前，它会预先 fork 出多个 worker 进程。每个 worker 进程都是独立的，可

gunicron 官网：https://docs.gunicorn.org/en/stable/ github 地址：https://github.com/benoitc/gunicorn 总体结构Gunicorn 使用 pre-fork worker model worker model：意味着这个模型有一个 master 进程，来管理一组 worker进程； fork：意味着 w

论文题目：Feature Pyramid Networks for Object Detection 论文链接：https://arxiv.org/abs/1612.03144 论文代码：Caffe版本 https://github.com/unsky/FPN 《Feature Pyramid Networks for Object Detection》这篇论文主要解决的问题是目标检测在处理多

1 简介TensorRT是一个高性能的深度学习推理（Inference）优化器，可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架，将TensorRT和NVIDIA的GPU结合起来，能在几乎所有的框架中进行快速

COCO 简介 官网地址：https://cocodataset.org MS COCO 数据集主页：http://mscoco.org/ Github 网址：https://github.com/Xinering/cocoapi 关于 API 更多的细节在网站: http://mscoco.org/dataset/#download MS COCO的全称是Microsoft Common Ob

COCO评估指标 除非另有说明，否则AP和AR在多个交汇点（IoU）值上取平均值，使用0.50到0.95共10个IOU阈值下的mAP求平均，结果就是COCO数据集定义的AP，与只用一个IOU=0.50下计算的AP相比，是一个突破； AP是所有类别的平均值。传统上，这被称为“平均准确度”（mAP，mean average precision）。官方没有区分AP和mAP（同样是AR和mAR

1.LeNet-5论文《Gradient-based learning applied to document recognition》web：http://yann.lecun.com/exdb/lenet/ 2.AlexNet论文《ImageNet Classification with Deep Convolutional Neural Networks》 3.ZFNet论文《Vis

GoogLeNet Incepetion V1这是GoogLeNet的最早版本，出现在2014年的《Going deeper with convolutions》。之所以名为“GoogLeNet”而非“GoogleNet”,文章说是为了向早期的LeNet致敬。 Motivation深度学习以及神经网络快速发展，人们不再只关注更给力的硬件、更大的数据集、更大的模型，而是更在意新的idea、新的算法以

CIFAR-10 数据集官网：http://www.cs.toronto.edu/~kriz/cifar.html CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（

在MongoDB中，_id字段是表示一个集合的主键【类似MySQL中的id字段】，可以唯一标识每个文档。_id字段包含唯一的ObjectID值。 使用默认的_id（ObjectId）默认情况下，在集合中插入文档时，如果字段名中没有_id的字段名称，则MongoDB将自动添加一个ObjectId字段。 ObjectId是轻量型的，不同的机器都能全局唯一的生成它；ObjectId使用12字节的存储