ubuntu占用空间清理

最新推荐文章于 2025-02-27 22:03:05 发布
最新推荐文章于 2025-02-27 22:03:05 发布
阅读量6.2k 收藏 25
点赞数 10
文章标签： ubuntu linux
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/luoli_xiaodai/article/details/126008380
版权
本文介绍了如何检查Ubuntu系统中各目录的占用情况，并针对VSCode、Ubuntu缓存等大容量目录进行清理，以释放磁盘空间。通过删除特定缓存目录和使用vmware-toolbox-cmd进行磁盘缩减，可以显著节省空间。最后，文章总结了清理过程对系统空间的影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

1.查看Ubuntu目录占用大小

在用户家目录下/home/linux下执行如下命令查看

sudo du -ah --max-depth=1

2.几个占用特别大的目录

发现有几个占用大小特别多的目录

1.vscode远程缓存目录

/home/linux/.vscode-server/data/User/workspaceStorage/
//这个目录占用了5.6G,这里是vscode的缓存目录，远程ssh打开文件就在
//这个目录下缓存信息,这里直接删除即可

2.ubuntu cache目录

/home/linux/.cache/vmware/drag_and_drop/
//这个目录的大小将近1G，只要从window向Ubuntu拖文件，先在这个目录缓存
//直接删除即可
  
/home/linux/.cache/vscode-cpptools
//这里也是Ubuntu的c/c++插件的缓存目录，我这里大小将近5G
//直接删除，为了防止后续继续产生缓存文件，可以通过vscode设置缓存大小
//见下图
image-20220727094902446

3.Ubuntu空间释放

经过上述的删除，发现Ubuntu占用的大小并没有缩小，需要使用如下命令缩减空间。

注：如果想要缩小空间，必须删除快照。

//查看磁盘挂载列表
sudo vmware-toolbox-cmd disk list
//清理挂载列表上的磁盘
sudo vmware-toolbox-cmd disk shrink /

总结：经过上述的清理，你会发现你的Ubuntu至少节省了10G的空间。当然Ubuntu缓存越多这里清理掉的越多。是不是很开心呀~~

PyTorch深度学习实战（19）——从零开始实现R-CNN目标检测
盼小辉丶的博客
10-07 7064
R-CNN (Region-based Convolutional Neural Network) 是 R-CNN 系列目标检测算法的初代模型，其将“深度学习”和传统的“计算机视觉”的相结合，在深度学习的框架下实现了高效的物体检测和识别。R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。R-CNN 中的 “Region-based” 指的就是区域提议(候选区域)，用于在图像中识别对象。在本节中，我们将利用区域提议来完成图像中目标对象的检测和定位。
解析目标检测全流程！附代码数据
Datawhale
08-07 2664
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：王程伟，算法工程师，Datawhale成员在计算机视觉中，红...
【目标检测】RCNN算法详解
热门推荐
shenxiaolu1984的专栏
04-05 22万+
深度学习用于目标检测的RCNN算法
【深度学习|图像分割】Faster-RCNN 和 Mask-RCNN详解
传统图像处理，深度学习，目标检测（分类，检测，分割），多目标追踪，部署等
02-04 6294
图像分割：图像分割是对图像中属于特定类别的像素进行分类的过程叫图像分割，属于pixel-wise即像素级别的下游任务。简单来说，图像分割就是按像素进行分类的问题。传统的图像分割算法是基于灰度值的不连续性和相似的性质来进行分割，而深度学习则是利用卷积神经网络，来理解图像中的每个像素所代表的含义。基于深度学习的图像分割技术主要分为这两类：语义分割及实例分割。将完整的图像输入特征提取网络得到特征图使用RPN结构生成候选框信息，将RPN生成的候选框位置投影到原始的特征图的对应位置，得到对应的特征矩阵。
零基础彻底搞懂RCNN系列（手把手教学版）
2401_86968005的博客
02-27 906
版本核心改进速度精度（VOC mAP）RCNN首开深度学习检测53s58.5%Fast RCNNROI Pooling + 多任务0.3s70.0%RPN网络5fps78.8%Mask RCNNROI Align + 实例分割4fps80.3%
目标检测之R-CNN
cengjing12的博客
08-15 1218
RCNN (论文：Rich feature hierarchies for accurate object detection and semantic segmentation) 是将CNN方法引入目标检测领域， 大大提高了目标检测效果，可以说改变了目标检测领域的主要研究思路 RCNN https://github.com/rbgirshick/rcnn Fast RCNN https://github.com/rbgirshick/fast-rcnn Faster RCNN https://github
【论文阅读】RCNN论文详解
想当咸鱼的猫
11-04 2053
RCNN 1. 目标检测 目标检测是分类任务（bounding box中物体的类别）和回归任务（bounding box的大小及位置）的组合。 2. RCNN的贡献 根据Selective Search算法提取Region proposal候选区域 将每个Region proposal缩放到统一大小后，通过CNNCNNCNN提取固定大小的特征 将提取出的特征通过SVMSVMSVM进行分类 训练一个回归器，对bounding box边界框进行调整，使其接近ground truth真实边界框 3. Regi
R-CNN流程介绍
shuai_yue的博客
06-16 1401
创新点 1、R-CNN采用Selective Search算法预先提取出可能包含目标的 Region Proposal（候选区域），替代传统算法（DPM等）的滑动窗口法，提高速度。 2、使用CNN提取Region Proposal的特征。从经验驱动特征（SIFT、HOG）到数据驱动特征（CNN feature map），提高特征对样本的表示能力。 3、采用大数据集下（ImageNet ILSVC 2012）有监督预训练和小数据集下（PASCAL VOC 2007）微调（fine-tuning）的方法解决小样
RCNN算法流程
m0_49534117的博客
10-20 942
CNN其实就是图像分类网络，只不过是在图像分类中在CNN提取特征展平处理之后，要经过一个全连接层（输出通道数为类别个数）和softmax层，这里把这部分去掉了，从而每个框框留下了4096维的特征向量，总共为【2000，4096】。a、SVM是一个二分类器，这里以VOC数据集为例，有20个类别，所以需要20个SVM分类器【4096，20】，每个分类器会输出是该类别的得分。 b、对于SVM输出矩阵【2000，20】，对于每一列，代表这两千个候选框中属于该类别的分数，对于该列，通过非极大值抑制的方式剔除重叠建议
目标检测
菜鸟的飞翔
03-20 2439
目标检测的过程分为三步，第一步，为每一步目标局部块P_i训练一个分类器（Classifier）；第二步，选择最有区分力的局部块P_0的分类器来检测目标的初始位置；第三步，用其它的分类器对初始位置进行确认，得到最终检测结果。在目标局部块初始化检测过程中，采用了滑动窗口的方法对目标块进行检测和定位。5.1分类器学习 分类器是用来对一组特征向量进行分类，判断该组特征向量所属的图像窗口是否包含需要寻找的目
CNN算法流程详解说明
05-28
这个ppt是对论文《ImageNet Classification with Deep Convolutional Neural Networks》的流程解析，分析了论文里面的重要贡献，对于学习这个网络很有帮助
使用Yolo3进行目标检测实现流程记录1
12-20
上个月需要使用目标检测进行项目开发，简单了解了下目标检测的技术之后，果断选择使用yolo来进行尝试。 在查看了无数篇博客之后，头疼脑热，各种花样的问题之后，果断记录了自行爬坑的过程，希望对后续使用yolo3目标检测的小伙伴有所帮助。 1.搭建yolov3训练的基础环境 1.1软件版本 需要安装的版本为: python 3.6 tensorflow 2.0.0 keras 2.3.1 切记keras与tensorflow的版本必须匹配，可以参照此链接 1.2下载yolov3对应的源码压缩文件 我把之前我使用成功的一套放在此链接，大家可以直接使用此压缩包(里面包含了yolov3.weights文件
深度学习 Python实现基于SSA-CNN麻雀算法（SSA）优化卷积神经网络多输入多输出预测的详细项目实例（含完整的程序，GUI设计和代码详解）
最新发布
04-19
适合人群：具备一定编程基础，对深度学习、优化算法及多输入多输出预测感兴趣的开发者和技术人员。 使用场景及目标：①通过SSA优化CNN，提升多输入多输出预测任务的性能；②应用于医疗诊断、金融风险评估、智能制造...
Python实现基于SSA-CNN-LSTM-Attention麻雀搜索算法（SSA）优化CNN-LSTM-Attention模型数据分类预测的详细项目实例（含完整的程序，GUI设计和代码详解）
03-17
其他说明：项目文档不仅提供了理论背景阐述与目标设定，详尽介绍了SSA算法的工作原理及其在深度学习框架中的实现细节。此外，还包括具体的代码示例、算法设计思想和优化方案，以及面向实际业务需求的功能设计（如API...
【目标检测经典算法】R-CNN、Fast R-CNN和Faster R-CNN详解系列一：R-CNN图文详解
CV在读
03-13 1649
是一种常用于目标检测的候选区域生成方法。在传统的目标检测算法中，需要对图像中的每个可能包含目标的区域进行检测，但这样做会导致计算量巨大，尤其是在图像具有大量区域时。Selective Search的目标是通过一种高效的方式生成一组可能包含目标的区域，以减少后续目标检测算法的计算复杂度。Selective Search算法的核心思想是通过结合不同的图像特征（如颜色、纹理、大小等）来生成候选区域。具体来说，
PyTorch深度学习框架下R-CNN目标检测算法实现详解
2. R-CNN目标检测算法：R-CNN（Region-based Convolutional Neural Networks）是一种基于深度学习的目标检测算法。它通过先生成候选区域（Region Proposals），然后使用卷积神经网络（CNN）对这些区域进行分类和定位...
深度学习经典网络解析目标检测篇（一）：R-CNN
与君共勉，一起学习
04-23 8439
深度学习经典网络解析（八）：R-CNN1.背景介绍2.目标检测（Object Detection） R-CNN论文详情见我的博客： 深度学习论文阅读（七）：R-CNN《Rich feature hierarchies for accurate object detection and semantic segmentation》 1.背景介绍   目标检测（Object Detection) 就是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，通俗点说就是给定一张图片要精确的定位到物体所
目标检测学习--RCNN
panghuzhenbang的博客
06-05 534
论文地址：《Rich feature hierarchies for accurate object detection and semantic segmentation》RCNN(Region CNN)是将CNN引入目标检测领域的开山之作，在当时取得了一些好的效果。 1. 候选区域生成：输入一张图像；使用Selective Search方法提取大约2k个候选区域；对每个候选区域的图像进行拉伸形变，使之成为固定大小的正方形图像；Selective Search算法流程使用一种过分割手段，将图像分割成小区域
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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