LINUX研习录(03)——新建虚拟机

版权声明

  • 本文原创作者:清风不渡
  • 博客地址:https://blog.csdn.net/WXKKang

一、引入

  在上一篇中,我们选择并且在自己的电脑上安装了VMware-workstation虚拟机程序,那么安装好程序之后,我们下一步就需要新建一个虚拟机,用来承载我们Linux系统的运行,话不多说,我们直接开始

1、新建虚拟机

  接上篇博客,我们安装好虚拟机并打开程序之后,会出现如下界面:
  (1)点击【创建新的虚拟机】来进行新虚拟机的创建:
在这里插入图片描述
  (2)选择【自定义(高级)】,并点击下一步
在这里插入图片描述
  (3)点击【下一步】
在这里插入图片描述
  (4)选择【稍后安装操作系统】,点击【下一步】
在这里插入图片描述
  (5)选择【Linux】,选择【CentOS 64位】(如对应CentOS文件为32位系统则选择32位),点击【下一步】
在这里插入图片描述
  (6)自定义虚拟机名称,选择虚拟机位置,点击【下一步】
在这里插入图片描述
  (7)选择虚拟机处理器个数并点击下一步(注:虚拟机处理机个数不能大于承载虚拟机电脑的处理器个数)
在这里插入图片描述
  (8)选择虚拟机运行内存。点击【下一步】
在这里插入图片描述
  (9)根据需要选择网络类型(因为我是自用所以选择第二个),点击【下一步】
在这里插入图片描述
  (10)点击【下一步】
在这里插入图片描述
  (11)点击【下一步】
在这里插入图片描述
  (12)点击【下一步】
在这里插入图片描述
  (13)根据需要指定磁盘容量,点击【下一步】
在这里插入图片描述
  (14)点击【下一步】
在这里插入图片描述
  (15)点击【完成】,完成虚拟机的配置
在这里插入图片描述

  (16)打开虚拟机设置,选择对应ISO镜像文件(打开光驱,放入光盘)
在这里插入图片描述
  好了,截至到这里我们已经新建好了一个虚拟机,并且把镜像文件也配置了进去,前期的准备也告一段路,下一篇我们来学习Linux操作系统后续的安装与配置,古德拜~

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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
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