[Deepin] Deepin 安装 MEGA

下载debian包

wget https://mega.nz/linux/repo/Debian_12/amd64/megasync-Debian_12_amd64.deb

注意,因文章过时等原因,请去官网下载最新包
https://mega.io/zh-hans/desktop#download
在这里插入图片描述

模拟安装

下载后执行命令
udo apt install --simulate ./megasync-Debian_12_amd64.deb
如图所示:

likewendy@likewendy-PC:~/Desktop/MEGA$ sudo apt install --simulate ./megasync-Debian_12_amd64.deb 
请验证人脸或密码:
验证成功
正在读取软件包列表... 完成
正在分析软件包的依赖关系树... 完成
正在读取状态信息... 完成                 
注意,选中 'megasync' 而非 './megasync-Debian_12_amd64.deb'
下列软件包是自动安装的并且现在不需要了:
  deepin-boot-maker gdisk genisoimage jfsutils libblockdev-fs2 libblockdev-loop2 libblockdev-part-err2 libblockdev-part2
  libblockdev-swap2 libblockdev2 libddcutil3 libdeepin-kwineffects13 libdeepin-kwinglutils13 libdeepin-kwinxrenderutils13
  libgs9-common libhwloc15 libopenblas0 libopencv-core406 libopencv-imgproc406 libpython3.11 libpython3.11-minimal
  libpython3.11-stdlib libtbb12 libtbbbind-2-5 libtbbmalloc2 libutempter0 python3.11 python3.11-minimal squashfs-tools syslinux
  syslinux-common x11-apps x11-session-utils xbitmaps xinit
使用'sudo apt autoremove'来卸载它(它们)。
下列【新】软件包将被安装:
  megasync
升级了 0 个软件包,新安装了 1 个软件包,要卸载 0 个软件包,有 1 个软件包未被升级。
Inst megasync (5.4.1-1.1 local-deb [amd64])
Conf megasync (5.4.1-1.1 local-deb [amd64])

安装的依赖不太多,没有报错,就行

安装

sudo apt install ./megasync-Debian_12_amd64.deb

likewendy@likewendy-PC:~/Desktop/MEGA$ sudo apt install ./megasync-Debian_12_amd64.deb 
正在读取软件包列表... 完成
正在分析软件包的依赖关系树... 完成
正在读取状态信息... 完成                 
注意,选中 'megasync' 而非 './megasync-Debian_12_amd64.deb'
下列软件包是自动安装的并且现在不需要了:
  deepin-boot-maker dtk5-gles.runtime.szbt gdisk genisoimage jfsutils ladspa-sdk libblockdev-fs2 libblockdev-loop2
  libblockdev-part-err2 libblockdev-part2 libblockdev-swap2 libblockdev2 libddcutil3 libdeepin-kwineffects13 libdeepin-kwinglutils13
  libdeepin-kwinxrenderutils13 libgles1 libgs9-common libhwloc15 libomp5 libomp5-17 libopenblas0 libopencv-core406
  libopencv-imgproc406 libpython3.11 libpython3.11-minimal libpython3.11-stdlib libtbb12 libtbbbind-2-5 libtbbmalloc2 libutempter0
  python3.11 python3.11-minimal qt5.15gles-basic.runtime.szbt qt5.15gles-extra.runtime.szbt squashfs-tools syslinux syslinux-common
  x11-apps x11-session-utils xbitmaps xinit
使用'sudo apt autoremove'来卸载它(它们)。
下列【新】软件包将被安装:
  megasync
升级了 0 个软件包,新安装了 1 个软件包,要卸载 0 个软件包,有 1 个软件包未被升级。
需要下载 0 B/31.6 MB 的归档。
解压缩后会消耗 80.4 MB 的额外空间。
获取:1 /home/likewendy/Desktop/MEGA/megasync-Debian_12_amd64.deb megasync amd64 5.4.1-1.1 [31.6 MB]
正在选中未选择的软件包 megasync。
(正在读取数据库 ... 系统当前共安装有 316088 个文件和目录。)
准备解压 .../megasync-Debian_12_amd64.deb  ...
正在解压 megasync (5.4.1-1.1) ...
正在设置 megasync (5.4.1-1.1) ...
fs.inotify.max_user_watches = 524288
正在处理用于 hicolor-icon-theme (0.17-2) 的触发器 ...
正在处理用于 bamfdaemon (0.5.6+repack-1) 的触发器 ...
Rebuilding /usr/share/applications/bamf-2.index...
正在处理用于 desktop-file-utils (0.26-deepin) 的触发器 ...

其他

不知道为什么,应用商店中的无法安装,只能自己去官网下载了。
吐槽一下,我是安装了,又卸载了,才评论的,怎么,我还得再安装再评论?
还是算了,评论这玩意不能仅靠“安装后评论”,应该靠深度学习筛选。
在这里插入图片描述

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Deng_Xian_Shemg

捐助1元钱

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值