01-关于镜像的笔记

镜像的操作:

  • docker pull 拉取远程仓库的镜像到本地
  • docker tag 重命名镜像
  • docker image 查看本地存在的镜像
  • docker rmi 删除无用镜像
  • 构建镜像:
    • docker build 基于dockerfile构建镜像
    • docker commit 基于已运行的容器提交为镜像

构建镜像的方式:

1,使用docker commit

  说几个选项的含义:

选项选项简写说明
–detach-d在后台运行容器,并且打印容器id。
–interactive-i即使没有连接,也要保持标准输入保持打开状态,一般与 -t 连用。
–tty-t分配一个伪tty,一般与 -i 连用。

  

  -it其实就是分配一个连接的伪tty;

  正题:以busybox镜像为例,从busybox容器中提交为镜像

  docker run --rm --name=busybox -it busybox  sh  创建一个busybox容器并进入

  

  touch hello.sh && echo "echo \"hello\"" > hello.sh && chmod +x hello.sh  在容器里创建一个hello脚本

      

  现在新开一个窗口:

  使用docker commit busybox busybox:hello 即将当前容器提交为了一个hello镜像

      

2,基于dockerfile的方式:

  dockerfile常见指令

  FROM:Dockerfile 除了注释第一行必须是 FROM ,FROM 后面跟镜像名称,代表我们要基于哪个基础镜像构建我们的容器。
  RUN:RUN 后面跟一个具体的命令,类似于 Linux 命令行执行命令。
  ADD: 拷贝本机文件或者远程文件到镜像内
  COPY: 拷贝本机文件到镜像内
  USER: 指定容器启动的用户
  ENTRYPOINT: 容器的启动命令
  CMD: CMD 为 ENTRYPOINT 指令提供默认参数,也可以单独使用 CMD 指定容器启动参数
  ENV: 指定容器运行时的环境变量,格式为 key=value
  ARG: 定义外部变量,构建镜像时可以使用 build-arg = 的格式传递参数用于构建
  EXPOSE: 指定容器监听的端口,格式为 [port]/tcp 或者 [port]/udp
  WORKDIR: 为 Dockerfile 中跟在其后的所有 RUN、CMD、ENTRYPOINT、COPY 和 ADD 命令设置工作目录。

  Dockerfile 的每一行命令,都生成了一个镜像层,每一层的 diff 夹下只存放了增量数据,这样分层使得docker镜像非常轻量。每一层根据镜像的内容都有一个唯一的 ID 值,当不同的镜像之间有相同的镜像层时,便可以实现不同的镜像之间共享镜像层的效果。

镜像的实现原理:
镜像是由一系列的镜像层(layer )组成,每一层代表了镜像构建过程中的一次提交,当我们需要修改镜像内的某个文件时,只需要在当前镜像层的基础上新建一个镜像层,并且只存放修改过的文件内容。分层结构使得镜像间共享镜像层变得非常简单和方便。

清理容器多余数据相关的命令有两条,分别是:docker image prune -af 仅仅清除没有被容器使用的镜像文件docker system prune -f 清除多余的数据,包括停止的容器、多余的镜像、未被使用的volume等等。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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
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

影帝sunny

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