FreeBSD 让普通用户使用su 获得root权限

原文地址:http://blog.chinaunix.net/uid-12326395-id-80775.html


FreeBSD系统下su:sorry的解决办法
      在FreeBSD上要使用su命令成为root用户,不但要知道root的口令,还需要经过特别设置,否则就不能成功使用这个命令。这是因为 FreeBSD对执行su命令的用户进行了更严格的限制,能使用su命令的用户必须属于wheel组(root的基本属组,组ID为0),否则就不能通过 这个命令成为root用户。因此需要编辑组设置文件/etc/group,将需要超级用户权力的管理成员加入到wheel组中。
      可以使用如下命令给普通用户su - root的权力:
      pw groupmod wheel -m <username>
      pw user mod <username> -g wheel
      或者直接修改/etc/group文件,把相应的用户加到wheell组就可以
      wheel:*:0:root,username

FreeBSD系统下默认是不允许root用户直接通过ssh连接到服务器的,在安装FreeBSD系统时要创建一个额外的用户,切忌一定要把这个用户加 入到wheel组中(如果不加入到这个组中的话就无法ssh),也可以安装完系统后创建用户,并把这个用户加入wheel组。


跟用户和组有关的两个文件:/etc/passwd   /etc/group

用vipw可以直接修改/etc/passwd里的内容

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 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
要将FreeBSD中的用户0改为999,您需要在root用户下进行以下步骤: 1. 打开 /etc/passwd 文件,找到以 root 开头的行,将第三个字段(即用户ID)从0改为999。 2. 打开 /etc/group 文件,找到以 root 开头的行,将第三个字段(即组ID)从0改为999。 3. 在 /etc 目录下创建一个文件名为 login.conf 的文件。 4. 打开 login.conf 文件,复制下面的内容并保存: ``` root:\ :passwd_format=blf:\ :path=/sbin /usr/sbin /bin /usr/bin /usr/local/sbin /usr/local/bin /root/bin:\ :umask=022:\ :charset=UTF-8:\ :lang=en_US.UTF-8:\ :setenv=MAIL=/var/mail/root:\ :setenv=BLOCKSIZE=K:\ :setenv=SHELL=/bin/csh:\ :setenv=TERM=xterm-color:\ :setenv=FTP_PASSIVE_MODE=YES:\ :setenv=PAGER=more:\ :setenv=EDITOR=vi:\ :setenv=VISUAL=vi:\ :setenv=LC_ALL=en_US.UTF-8:\ :setenv=LESS=X:\ :setenv=SSH_AUTH_SOCK=/tmp/ssh-add.XXXXXXXX:\ :setenv=SSH_AGENT_PID=YYYY:\ :setenv=SSH_TTY=/dev/ttyv0:\ :setenv=SSH_CONNECTION=IPADDRESS:PORTNUMBER IPADDRESS:PORTNUMBER:\ :setenv=SSH_CLIENT=IPADDRESS PORTNUMBER PORTNUMBER:\ :setenv=DISPLAY=:0 ``` 注意:您需要将IPADDRESS和PORTNUMBER替换为实际的IP地址和端口号。您也可以根据需要修改其他环境变量。 5. 运行以下命令更新配置: ``` cap_mkdb /etc/login.conf ``` 6. 重启系统以使更改生效。 请注意,修改root用户用户ID可能会影响某些系统工具和应用程序的正常运行,因此在进行此操作之前,务必要仔细考虑和测试。
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