coco

博文结构 jumpserver介绍 安装jumpserver 一.jumpserver Jumpserver是一款由Python编写开源的跳板机（堡垒机系统），实现了跳板机的应有的功能，基于ssh协议来管理服务器资源，客户端不需要安装jumpserver客户端软件程序。 * 堡垒机介绍 在特定网络环境中(如内网和外网)，为了保证公司网络中的服务器数据不受外界的和破坏，运用各种技术手段收集和监控公司服务器的状态，安全时间、以便集中报警，并且及时处理。 我们又把堡垒机叫做跳板机，简易的跳板机功能简单，主要核心功能是远程登陆服务器和日志审计比较优秀的开源软件jumpserver，功能齐全如： 认证、授权、审计、自动化、资产管理（内网服务器资源分配）等。 * Jumpserver的特点 1.完全开源； 2.Python编写，易于二次开发 3.实现跳板机的基本功能、认证、授权、审计 4.集成了Ansiable，实现批量操作命令等 5.支持web终端 6.Bootstrap编写，界面美观 7.自动收集硬件信息 8.录像回放、命令搜索、实时监控 * Jump架构图 用户通过浏览器访问到nginx代理服务器页面，nginx服务器在jump架构中是作为一台代理服务器，用来代理jumpserver程序、coco程序、luna程序、guacamole程序的web页面，方便用户使用

相信各位对堡垒机（跳板机）不会陌生，为了保证服务器安全，加个堡垒机，所有ssh连接都通过堡垒机来完成，堡垒机也需要有身份认证、授权、访问控制、日志审计等功能。 Jumpserver 是全球首款完全开源的堡垒机, 是符合 4A 的专业运维审计系统。 Jumpserver 使用 Python / Django 进行开发, 采纳分布式架构, 支持多机房跨区域部署, 中心节点提供 API, 各机房部署登录节点, 可横向扩展、无并发访问限制。 Jumpserver 现已支持管理 SSH、 Telnet、 RDP、 VNC 协议资产。 架构图如下： Jumpserver包含四个组件，各个组件的作用如下： Jumpserver 为管理后台, 管理员可以通过 Web 页面进行资产管理、用户管理、资产授权等操作, 用户可以通过 Web 页面进行资产登录, 文件管理等操作 Coco 为 SSH Server 和 Web Terminal Server 。用户可以使用自己的账户通过 SSH 或者 Web Terminal 访问 SSH 协议和 Telnet 协议资产 Luna 为 Web Terminal Server 前端页面, 用户使用 Web Terminal 方式登录所需要的组件 Guacamole 为 RDP 协议和 VNC 协议资产组件, 用户可以通过 Web Terminal 来连接

前言 我们对堡垒机（跳板机）不会陌生，为了保证服务器安全，加个堡垒机，所有ssh连接都通过堡垒机来完成，堡垒机也需要有身份认证、授权、访问控制、审计等功能。 Jumpserver 是全球首款完全开源的堡垒机, 是符合 4A 的专业运维审计系统。 Jumpserver 使用 Python / Django 进行开发, 采纳分布式架构, 支持多机房跨区域部署, 中心节点提供 API, 各机房部署登录节点, 可横向扩展、无并发访问限制。 Jumpserver 现已支持管理 SSH、 Telnet、 RDP、 VNC 协议资产。 架构说明 架构示意图如下： Jumpserver包含四个组件，各个组件的作用如下： • Jumpserver 为管理后台, 管理员可以通过 Web 页面进行资产管理、用户管理、资产授权等操作, 用户可以通过 Web 页面进行资产登录, 文件管理等操作 • Coco 为 SSH Server 和 Web Terminal Server 。用户可以使用自己的账户通过 SSH 或者 Web Terminal 访问 SSH 协议和 Telnet 协议资产 • Luna 为 Web Terminal Server 前端页面, 用户使用 Web Terminal 方式登录所需要的组件 • Guacamole 为 RDP 协议和 VNC 协议资产组件, 用户可以通过 Web

安妮 乾明 发自 凹非寺 本文转载自量子位(QbitAI) 实习生又立功了！ 这一次，亮出好成绩的实习生来自地平线，是一名华中科技大学的硕士生。 他作为第一作者完成的研究Mask Scoring R-CNN，在 COCO图像实例分割任务上超越了何恺明的Mask R-CN N ，拿下了计算机视觉顶会CVPR 2019的口头报告。 也就是说，它从5000多篇投稿中脱颖而出，成为最顶尖的 5.6% 。 无论搭配的基干怎么变，表现一直稳定，总是比Mask R-CNN好一点。 可谓青出于蓝而胜于蓝。 并且，他们的算法已经开源了（传送门在文末）。 给蒙版打分 Mask R-CNN，一种简洁、灵活的实例分割框架，大神何恺明的“拿手作”之一。自2017年一出场就惊艳了四方研究者，何恺明也借此一举拿下ICCV 2017最佳论文奖。 △ 何恺明 新鲜出炉的Mask Scoring R-CNN，性能是怎样超越前辈的呢？ 关键就在名字里的“打分”（Scoring）。这篇论文中，研究人员提出了一种 给算法的“实例分割假设”打分 的新方法。这个分数打得是否准确，就会影响实例分割模型的性能。 而Mask R-CNN等前辈，用的打分方法就不太合适。 这些模型在实例分割任务里，虽然输出结果是一个蒙版，但打分却是和边界框目标检测共享的，都是针对目标区域分类置信度算出来的分数。 这个分数，和图像分割蒙版的质量可未必一致

https://blog.ddlee.cn/posts/7845fb62/ 来源： https://www.cnblogs.com/morganh/p/12291877.html

代码来源于Github： https://github.com/eriklindernoren/PyTorch-YOLOv3 环境配置：Windows 10+CUDA 9.2+PyTorch 1.1.0+python 3.6.2 网上关于环境配置有很多教程，这里不再赘述。环境配置成功，接下来就是按照代码包中READEME.md进行安装。README.md 安装 部分内容如下： 一、Clone and install requirements（下载代码和一些需要的包） 1.git clone https://github.com/eriklindernoren/PyTorch-YOLOv3（下载代码） 首先利用命令行进入到你想要下载代码的文件位置，接着利用指令下载代码。以本人为例，按照如下操作即可（前提是电脑已经安装了git）。 2.cd PyTorch-YOLOv3/（cd到该目录） sudo pip3 install -r requirements.txt（安装requirement文件里指定的各种包）这一步应该在Ubuntu系统一个指令就搞定了，但是现在只能自己一个一个下载了。 打开requirement.txt，有如下9个包： 我用的anaconda，就是进入到PyTorch环境中，利用如下指令挨个安装 conda install numpy 二、Download

测试环境 CPU: 64位双核处理器 内存: 4G DDR3 数据库：mysql 版本大于等于 5.6 mariadb 版本大于等于 5.5.6 环境 系统: CentOS 7 IP: 192.168.244.144 设置 selinux 和防火墙 $ firewall-cmd --zone=public --add-port=80/tcp --permanent # nginx 端口 $ firewall-cmd --zone=public --add-port=2222/tcp --permanent # 用户SSH登录端口 coco $ firewall-cmd --reload # 重新载入规则 $ setenforce 0 $ sed -i "s/enforcing/disabled/g" /etc/selinux/config # 修改字符集,否则可能报 input/output error的问题,因为日志里打印了中文 $ localedef -c -f UTF-8 -i zh_CN zh_CN.UTF-8 $ export LC_ALL=zh_CN.UTF-8 $ echo 'LANG="zh_CN.UTF-8"' > /etc/locale.conf 一、准备python3和python虚拟环境 1.1 安装依赖包 $ yum -y install wget gcc

阅读从 tools/train.py 开始。 功能模块 Register 类 位置：utils/registry.py 用于注册起到相同作用的（例如coco/voc数据类、模型类、数据处理流程类）类别。具体功能是这样的。 Register 的 __init__ 加载了两个属性，分别是 name , module_dict . Register 有两个主要功能函数，分别是 register_module , get . 假设我们要生成一个实例，用于注册一些数据集类。我们记这个实例为 DATASET . DATASET=Register('dataset') ,也就是 name 属性为dataset。通过使用 register_module 函数能够向 module_dict 中添加模块。例如我们可以向该实例中添加 coco , voc 。则 module_dict={‘coco’:coco_class,'voc':voc_class} 在mmdetection里，主要通过@修饰符的方法来使用这个类。例如在coco.py文件中首先加载 DATASET 实例，在coco类定义时添加 @DATASETS.register_module ,则coco类别被注册到 DATASET 实例中去了。 build_from_cfg 函数 位置：utils/registry.py 输入： cfg,

我电脑有多个项目 数据集公用 比如都放在 B:\COCO2017\data\coco 复制一份到每个项目下面 占空间，不复制的话，改绝对或相对路径的话，程序要改的地方很多 mklink /d "需要创建链接文件的绝对路径" "指向文件的绝对路径" cmd下管理员身份运行， 比如 mklink /d "B:\PyTorch\mmdetection\data\coco" "B:\COCO2017\data\coco" 操作前必须将项目中的coco目录删除，如果原来就有data就重命名。当备份了 以上代码含义为： 创建"B:\PyTorch\mmdetection\data"并指向"B:\COCO2017\data"，使者两个目录下的文件保持一致。类似于”快捷方式“ 注意点： 使用绝对路径。 路径用英文双引号括起来。 空格，命令之间必须有空格 目录链接没有占用空间 目录链接只是对源目录的引用 来源： CSDN 作者： qq_41895190 链接： https://blog.csdn.net/qq_41895190/article/details/103605546

1、官网下载coco数据集（使用json格式标注图片）： http://cocodataset.org/#download 2、coco API下载(可将coco数据集解析成voc数据集格式， 实际上使用darknet可以直接实现数据集解析 ) 命令行git下载coco API: git clone https://github.com/pdollar/coco.git 3、通过命令行下载darknet源码，并且进入darknet通过脚本下载coco数据集（建议使用官网下载）： 4、yolov3检测模型环境搭建、darknet框架介绍 https://pjreddie.com/darknet/ ①命令行安装darknet git clone https://github.com/pjreddie/darknet.git cd darknet make (说明安装成功！) ./darknet imtest data/eagle.jpg （进行图片测试！） 使用opencv：将darknet下的makefile中opencv由0设置为1 ②命令行执行 ./darknet 以使用darknet的函数进行命令操作。 例如：使用imtest函数对data下的一张图进行darknet测试 ./darknet imtest data/eagle.jpg ③命令行查看文件 cd 目标文件夹 ls