推荐开源项目:ChiselStore - 分布式SQLite与Raft共识的完美结合

推荐开源项目:ChiselStore - 分布式SQLite与Raft共识的完美结合

chiselstoreSQLite + Little Raft = 🚀项目地址:https://gitcode.com/gh_mirrors/ch/chiselstore

在今天的数字世界中,数据的可靠性和可扩展性至关重要。ChiselStore 是一个创新的开源项目,它将轻量级的SQLite数据库系统与强大的分布式一致性算法——Raft相结合,为开发者提供了一种新的嵌入式数据库解决方案。

项目介绍

ChiselStore是一个基于Rust编写的嵌入式分布式SQLite数据库,它利用了Little Raft库来实现集群中的共识。这个项目旨在解决单节点SQLite的局限性,通过引入Raft协议,实现了多节点间的高可用性和容错性。这意味着你可以获得易于使用的SQLite数据库,同时享受分布式系统的强大功能。

项目背后的灵感来源是一篇名为《Web数据的变革之风》的博客文章,作者探讨了如何将传统的SQLite数据库提升到一个新的水平,以适应现代云原生环境的需求。

项目技术分析

ChiselStore的核心特性在于它如何结合SQLite和Raft共识算法。SQLite以其小巧高效而著名,但在多节点环境下效率较低。Raft算法则是一个简洁易懂的分布式一致性算法,适合在大型集群中保证数据的一致性。ChiselStore巧妙地在两者之间架起桥梁,实现了以下关键功能:

  1. 强一致性:通过Raft算法确保所有节点的数据同步,提供一致读写体验。
  2. 可选放松读取:允许在不影响一致性的前提下进行更快速的读取操作。
  3. 可嵌入Rust库:作为Rust库直接集成到你的应用中,简化部署。

项目及技术应用场景

ChiselStore非常适合那些希望在不牺牲性能的前提下提升数据可靠性的小型至中型企业或个人开发者。它可以在以下场景发挥作用:

  • 分布式应用程序:开发需要在多个服务器上运行的应用时,可以无缝集成ChiselStore,保证数据的一致性。
  • 边缘计算:在有限资源的设备上存储和处理数据,如物联网设备。
  • 实时数据处理:对需要快速读写并要求数据一致性的应用非常有用。

项目特点

  • 高可用性:通过Raft算法确保即使在节点故障情况下也能继续服务。
  • 动态扩展:尽管目前尚处于开发阶段,但未来计划支持动态集群成员变更,提高系统的灵活性。
  • 简单集成:作为一个Rust库,ChiselStore易于集成到任何Rust项目中,降低了使用门槛。

想要了解更多详情,可以通过查看项目提供的示例服务器了解如何使用ChiselStore,或者阅读官方发布的相关博客文章来深入了解其设计思路。

最后,ChiselStore遵循MIT许可证,欢迎所有人参与贡献和改进这个项目,一起打造更优秀的数据库解决方案。

chiselstoreSQLite + Little Raft = 🚀项目地址:https://gitcode.com/gh_mirrors/ch/chiselstore

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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

劳泉文Luna

你的鼓励将是我创作的最大动力

¥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