云落地导读

近年,企业级的云计算战略逐渐落地,总体来说相比往年有很大的进步。同时我也发现了另外一种现象,就是以“云”为口号,企级客户盲目跟风的现象也日渐增多,某些方面反而造成了企业成本的增加和管理上的麻烦,最终导致云计算之路中途废弃或重新来过。本人就自己的工作经验写下这篇文章,供大家参考。


需要注意的是,本文只是我的一些个人看法,非公司或相关行业的统一观点,如有雷同,纯属巧合,转载请注明出处。


1、企业级云计算应用场景的目标定位;


目标,在可控的时间里,定义的一个可见的标杆,这是我总结的“目标”的含义。


那么如何给云计算的应用场景定义目标呢?


1)、确定服务对象。云计算服务是提供给企业内部用户使用还是提供外部用户使用?这将决定云计算服务的功能范围;


2)、确定服务类型。不论1)中的服务对象确定如何,都要确认服务的类型,是提供IaaS服务,还是提供PaaS服务或者SaaS服务,又或者是CaaS服务,每一种云服务类型的边界都是不一样的,所以落地的方式也是多种多样的。


3)、确定企业内部周边应用整合范围。除了1)和2)两条外,还要确定的就是企业内部的应用与云计算服务的有效整合。当然除了全新独立的云计算环境,但是在企业中,往往还要整合一些企业内部的管理软件或运维平台,否则无法称之企业一体化的云计算解决方案。如:SSO、项目管理系统、预算系统、统一权限平台等。


4)、确定云服务的周期范围和功能边界。在可控的时间内,完成可控的功能,要完成可控的功能,就要将云服务的功能边界定义清楚。不能定义一个功能是无法完成的,或在己知的时间区间范围内无法完成的,否则云落地只是个概念。


5)、是否要与外部的公有云服务集成。这是一个非常值得关注的问题,我把它单独提出来说明。首先,企业的物理资源是有限的;其次,传统型企业内部的网络环境和安全约束也是比较松散的;最后,企业环境里,突发事情比较常见。如:节假日活动、新业务上线等。通过以上三点,我们就有可能会借助公有云服务,帮助我们解决突发性的事件或长期的安全保障。


2、企业级云计算应用场景的前期咨询与中短期的云服务发展规划;


1)、我个人一直认定,企业云计算落地,咨询在先的理念。为什么这么说?有了前期的咨询,才可以非常直观确定第1条中所提到的所有问题,一个靠谱的咨询,将决定云计算的最终落地。在这个环节,我们可以清楚的帮助客户梳理企业的业务对象、服务类型、相关功能边界等项目。如,根据企业的资源(物理资源和虚拟资源)可以推到出企业到底要的是一个集中的“虚拟化集中管理”平台还是一个真正的“云计算管理”平台。也就是大家常说的“伪云”和“云”的定义。也能更直观的帮助客户去“抓”痛点,解“难”题。


2)、为什么说是中短期规划呢?中短期的规划的时长大概是什么样子的呢?计算机技术不断的更新,云计算技术的不同实现技术也是日新月异。夸张一点的说,有可能你睡醒一觉起来的,就发现昨天的技术不是最好的实现方案!那我们是不是要重新来过呢?答案大部分是否的。所以在我看来企业云计算落地,只需要做一个2年内,可以满足企业云服务边界规划即可,不要动不动就做一个5年规划,又是一个功能方面越多越好的规划。企业云计算落地,要以实用为主,不需要华而不实的。当然,也要适当的考虑一下未来的业务拓展计划。


3、企业级云计算解决方案的落地和阶段性成果。

俗话说不能一口吃个胖子,一个成功的企业级云计算解决方案落地,应该是分步进行的,而不是即时性的。


常见的云计算服务落地,大概的落地路径是:


1)、前期咨询阶段;

2)、标准化制定阶段;

3)、底层资源聚合阶段;

4)、上层业务场景定义阶段;

4)、企业周边系统集成阶段;

5)、集成联调阶段;

6)、试运行阶段;

7)、上线;

8)、持续迭代阶段(功能优化、增值类功能添加等)。


上述路径在企业各实际应用场景中会各不相同,但核心的路径都在其中,可供大家参考。


由于时间有限,就不配图了,稍后有时间再补充吧,对本文有什么好的想法或补充项,可以直接联系我,欢迎大家交流各自的云落地心得,谢谢。

转载于:https://my.oschina.net/eriloanjoan/blog/717578

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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
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