nginx+ uwsgi+ flask

10 篇文章 0 订阅
1 篇文章 0 订阅

参考网址:https://my.oschina.net/jk409/blog/366084



1.下载所需要的软件包,

wget http://nginx.org/download/nginx-1.5.9.tar.gz
wget http://projects.unbit.it/downloads/uwsgi-2.0.4.tar.gz
wget http://exim.mirror.fr/pcre/pcre-8.34.tar.gz

2.编译安装

#安装pcre ,Nginx的HTTP Rewrite模块会用到
tar zxvf pcre-8.34.tar.gz 
cd pcre-8.34/
./configure 
sudo make
sudo make install
cd ..
#安装nginx------------------------------------------
tar -zxvf nginx-1.5.9.tar.gz  
cd nginx-1.5.9  
./configure --user=nobody --group=nobody --prefix=/usr/local/nginx --with-http_stub_status_module --with-cc-opt='-O3' --with-cpu-opt=opteron  
sudo  make && sudo make install  
cd .. 
#安装uwsgi-------------------------------------------
tar -zxvf uwsgi-2.0.4.tar.gz  
cd uwsgi-2.0.4  
sudo make
vi /etc/ld.so.conf    #添加动态链接库目录/usr/local/lib  
#添加行:/usr/local/lib  
ldconfig    #使之生效  
cp uwsgi /usr/bin  
cd ..  
#--------------------------------------------------
#Flask,安装方式很多:yum、apt-get、pip
sudo   pip  install  flask

3.编辑nginx和uwigi配置文件,直接拿了大牛的配置稍微修改了下:
nginx.confi

kkk@bogon:~$ cat /usr/local/nginx/conf/nginx.conf
user  nobody;
worker_processes  2;
events {
    worker_connections  1024;
}


http {
    include       mime.types;
    default_type  application/octet-stream;

    #log_format  main  '$remote_addr - $remote_user [$time_local] "$request" '
    #                  '$status $body_bytes_sent "$http_referer" '
    #                  '"$http_user_agent" "$http_x_forwarded_for"';

    #access_log  logs/access.log  main;

    sendfile        on;
    #tcp_nopush     on;

    #keepalive_timeout  0;
    keepalive_timeout  65;

    gzip  on;

    server {
        listen       80;
        server_name    #记得做下本地hosts 
        location / {
            uwsgi_pass 127.0.0.1:9000;  
            include uwsgi_params;  
            uwsgi_param UWSGI_CHDIR  /data/www/flask/yw;  #网站目录可以选,因为uwsgi那还是要配置的
            uwsgi_param UWSGI_SCRIPT run;  #run就是flask/yw目录下运行文件run.py
            access_log off; 
    }
        error_page   500 502 503 504  /50x.html;
        location = /50x.html {
            root   html;
        }

        #location ~ \.php$ {
        #    root           html;
        #    fastcgi_pass   127.0.0.1:9000;
        #    fastcgi_index  index.php;
        #    fastcgi_param  SCRIPT_FILENAME  /scripts$fastcgi_script_name;
        #    include        fastcgi_params;
        #}
    }

}


uwsgi.ini

kkk@bogon:~$ cat /usr/local/nginx/conf/uwsgi_ini 
    [uwsgi]  
    socket = 0.0.0.0:9000  
    master = true  
    pidfile = /usr/local/nginx/uwsgi.pid  
    processes = 8  
    workers = 2  
    chdir = /data/www/flask/yw   #网站目录
    callable = app    #这个就是run.py里的app,you know!
    pythonpath = /data/www/flask  
    profiler=true  
    memory-report=true  
    enable-threads = true  
    logdate=true  
    limit-as=6048  
    daemonize=/data/logs/flask.log   #run.py运行后产生的信息都记录在这的flask.log日志文件里
#配置2
[uwsgi]  
    socket = 0.0.0.0:9000  
    pidfile = /usr/local/nginx/uwsgi.pid  
    processes = 8
    master = true  
    chdir = /data/www/flask/yw   #网站目录
    #module = run     #这个就是run.py
    callable = app    #这个就是run.py里的app,you know!
    pythonpath = /data/www/flask

4.运行uwsgi和nginx

sudo /usr/bin/uwsgi --ini /usr/local/nginx/conf/uwsgi.ini
sudo sudo /usr/local/nginx/sbin/nginx 

#kill
sudo killall nginx
sudo killall -9 uwsgi
  • 0
    点赞
  • 0
    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
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