先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Linux运维全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上运维知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024b (备注运维)
正文
二、实现细节
1、前提条件
在执行下面的操作之前,请保证你当前已经具有以下的这些环境。
- Ubuntu 16.04系统
- NVIDIA 显卡,建议不低于GTX 1080
- CUDA驱动,CUDA8.0\CUDA9.0\CUDA10.0均可,建议设置为可以随时切换的模式
- Anaconda3
2、数据标注
对于一个完整的深度学习流程而言,数据标注是必不可少的一环,数据标注质量会极大的影响算法的性能。当前如果你使用别人已经标注好的数据或者公有的数据集,请直接跳过该步骤。
下面就来简单的介绍几种数据标注工具,当前已经有很多开源的数据标注工具,这些工具基本上可以满足我们98%的需求,工具没有好坏之分,合适自己的工具就是好工具,所以大家需要根据自己的情况去选择合适的标注工具。
2.1 Labelme
2.1.1 工具特点简介
- 同时支持Ubuntu / macOS / Windows系统
- 可以使用多边形、矩形、圆、线和点进行图像注释
- 支持VOC和COCO数据格式
- 支持分类、检测和分割等多个计算机视觉任务
2.1.2 工具安装
方案1:
conda create --name=labelme python=3.6
source activate labelme
pip install labelme
方案2:
sudo apt-get install python3-pyqt5 # PyQt5
sudo pip3 install labelme
2.1.3 工具使用简介
上图展示了Labelme工具的标注界面,工具的使用留给大家自己去熟悉,在这里我只会强调几个需要注意的地方,具体的内容如下所示:
- 建议把需要标注的数据集存放在一个文件夹下面,并以相应的名字来命名
- 该工具默认的标注方式是多边形,如果进行目标检测任务,通过Edit->Create Rectangle来切换
- 在标注的过程中,尽量做到精细化的标注,尽量先将目标放大,再执行精细标注,标注的质量会对极大的影响检测算法的精度
- 该工具默认会生成.json格式的标签并和标注图片存放在同一个目录,.json格式的标签文件适合用来构建COCO数据集格式,而.xml格式的标签文件适合用来构建VOC数据集格式,
2.2 LabelImg
2.2.1 工具安装
方案1:
pip3 install labelImg
labelImg
labelImg [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
方案2:
git clone https://github.com/tzutalin/labelImg.git
sudo apt-get install pyqt5-dev-tools
sudo pip3 install -r requirements/requirements-linux-python3.txt
make qt5py3
python3 labelImg.py
python3 labelImg.py [IMA