linux-基础 unit5

###系统文件###
/etc/passwd ##用户信息文件
用户名:用户密码:用户uid:用户gid:用户说明:用户家目录:用户使用的shell
/etc/shadow ##用户密码信息
用户名:密码:密码使用天数:最短有效期:密码最长有效期:密码警告期:密码非活跃期:密码到期日
/etc/group ##用户组信息
用户组名:用户组密码:用户组id:附加用户成员
/home/username ##用户家目录
/etc/skel/.* ##用户的基本信息配置


####用户操作命令####
id ###查看用户信息
id -u ##查看用户uid
id -g ##查看用户所属组gid
id -G ##查看用户所属附加组gid
id -n ##查看用户,所属组或附加组的名字。
-un -gn -Gn


su - username ##切换用户以及用户所使用的环境
echo $PATH ##显示当前用户的用户环境
echo $USER ##显示当前用户的信息


useradd ###新建用户
useradd -u ##指定用户的uid
useradd -g ##指定用户的初始组,该组必须存在
useradd -G ##指定用户的附加组,该组必须存在
useradd -c ##用户说明
useradd -d ##指定用户的家目录
useradd -s ##指定用户使用shell,/etc/shells


userdel -r ##删除用户以及用户的所有配置信息


groupadd ###新建组
groupadd -g ##指定组的id
groupdel ##删除组




usermod ###修改用户信息
usermod -u ##改变用户的uid
usermod -g ##改变用户的初始组
usermod -aG ##增加用户的附加组
usermod -d ##改变用户家目录信息
usermod -md ##改变用户家目录信息和家目录名称
usermod -s ##改变用户的shell
usermod -c ##改变用户的说明
usermod -L ##冻结用户
usermod -U ##解锁用户


######用户权限下放(sudo)
权限下放动作的配置文件/etc/sudoers 这个文件用visudo命名编辑


文件内容写法:
授权目标用户 主机名称=(授权用户得到的新身份) 授权用户执行命令


ex:
##test用户能在localhost主机执行useradd(要test密码)
test localhost=(root) /usr/sbin/useradd
##test用户能在localhost主机执行useradd(不要test密码)
test localhost=(root) NOPASSWD:/usr/sbin/useradd


###测试结果
su - test
sudo useradd username


###############密码期限更改
change -d 0 ##设置为0 表示用户登录系统前必须更改密码
change -m ##最短有效期
change -M ##最长有效期
change -W ##警告器
change -I ##非活跃期
change -E ##到期时间格式yyyy-mm-dd
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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