伪分布式hadoop1.1.2和hbase0.94.11配置

Hadoop 1.1.2 和Hbase 0.94.11版本配置

 

测试时ip  172.19.32.128

 

这个版本需要把/etc/hosts的aa-vm改成127.0.0.1,也就是和localhost一致。否则hbase会出现master在初始化(出现此问题还可能是时间不同步)

 

1.更新apt

  Sudo apt-get update

 

  Sudo apt-get install vim

 

2.安装ssh,设置无密码登陆

  Sudo apt-get install openssh-server

  Ssh localhost

  Exit

  Cd  ~/.ssh/

  Ssh-keygen –t rsa

  Cat ./id_rsa.pub >> ./authorized_keys

 

  再使用ssh localhost就不需要密码

 

3.安装java环境

  Sudo apt-get install default-jre default-jdk

  vim ~/.bashrc

    在文件前面添加export JAVA_HOME=/usr/lib/jvm/default-java

  Source ~./bashrc

 

  echo $JAVA_HOME

  java -version

  $JAVA_HOME/bin/java -version

 

4.安装hadoop

  Sudo tar –zxf ~/下载/hadoop-1.1.2.tar.gz –C /usr/local

  Cd /usr/local

  Sudo mv ./hadoop-1.1.2/ ./hadoop

  Sudo chown –R hadoop ./hadoop

 

  Cd /usr/local/hadoop

  ./bin/hadoop version

 

5.伪分布式配置

  Cd /usr/local/hadoop/conf

  Vim hadoop-env.sh

      添加:export JAVA_HOME=/usr/lib/jvm/default-java

      export PATH=$PATH:/usr/local/hadoop/bin

         source hadoop-env.sh

         hadoop version

 

         vim core-site.xml

                   <configuration>

        <property>

              <name>fs.default.name</name>

               <value>hdfs://localhost:9000</value>

          </property>

          <property>

              <name>hadoop.tmp.dir</name>

               <value>/usr/local/hadoop/tmp</value>

          </property>

      </configuration>

 

         Vim hdfs-site.xml

                   <configuration>

        <property>

          <name>dfs.replication</name>

          <value>1</value>

        </property>

        <property>

          <name>dfs.name.dir</name>

          <value>/usr/local/hadoop/hdfs/name</value>

        </property>

        <property>

          <name>dfs.data.dir</name>

          <value>/usr/local/hadoop/hdfs/data</value>

        </property>

      </configuration>

 

         ./bin/hadoop namenode –format

         ./bin/start-dfs.sh

         Jps

 

6. 创建hdfs用户目录

  Cd /usr/local/hadoop

  ./bin/hadoop fs –mkdir –p /user/hadoop

        

  ./bin/hadoop fs –ls. (这个.是hdfs用户当前目录,等价于./bin/hadoop fs –ls /user/hadoop)

 

  ./bin/hdfs dfs –mkdir input

    (在创建个input目录时,采用了相对路径形式,实际上,这个input目录创建成功以后,它在HDFS中的完整路径是“/user/hadoop/input”。

 

  ./bin/hdfs dfs –mkdir /input

    是在HDFS的根目录下创建一个名称为input的目录

 

7.   Hdfs文件操作

 

  本地文件系统上传到hdfs

    ./bin/hdfs dfs -put /home/hadoop/myLocalFile.txt  input

 

           ./bin/hdfs dfs –ls input 查看是否成功上传

    ./bin/hdfs dfs –cat input/myLocalFile.txt

 

  Hdfs下载到本地文件系统

    ./bin/hdfs dfs -get input/myLocalFile.txt  /home/hadoop/下载

 

  Hdfs的一个目录拷贝到hdfs的另一个目录

    ./bin/hdfs dfs -cp input/myLocalFile.txt  /input

 

8.  Hbase安装

    sudo tar -zxf ~/下载/hbase-0.94.11-security.tar.gz -C /usr/local

    sudo mv /usr/local/hbase-1.1.2-security /usr/local/hbase

    vim ~/.bashrc

      export PATH=$PATH:/usr/local/hbase/bin

    source ~/.bashrc

 

    cd /usr/local

    sudo chown -R hadoop ./hbase

 

    /usr/local/hbase/bin/hbase version

 

12.   Hbase伪分布式配置

    Vim /usr/local/hbase/conf/hbase-env.sh

      添加:export JAVA_HOME=/usr/lib/jvm/default-java

      export HBASE_MANAGES_ZK=true

 

           vim /usr/local/hbase/conf/hbase-site.xml

           设置:

        <configuration>

                       <property>

                        <name>hbase.rootdir</name>

                        <value>hdfs://localhost:9000/hbase</value>      

                       </property>

                          <property>

                        <name>hbase.cluster.distributed</name>

                        <value>true</value>

                       </property>

                              <property>

               <name>hbase.zookeeper.quorum</name>

               <value>127.0.0.1</value>

            </property>

            <property>

               <name>dfs.replication</name>

               <value>1</value>

            </property>

          </configuration>

 

         ssh localhost

   cd /usr/local/hadoop

  ./bin/start-dfs.sh

  Jps

 

         cd /usr/local/hbase

  bin/start-hbase.sh

  jps

 

  bin/hbase shell

 

  exit

  bin/stop-hbase.sh

 

13.   关闭hadoop:./sbin/stop-dfs.sh

 

14.   访问hbaseweb管理页面 http://172.19.32.128:60010/

  访问hdfs web管理页面http://172.19.32.128:50070/

 

15.  解决Hbase Table already exists问题。

  通过./hbase zkcli命令进入zookeeper client模式

  输入ls /hbase/table命令看到zombie table

  使用rmr /hbase/table/TABLE_NAME命令删除zombie table

  重启Hbase

 

转载于:https://www.cnblogs.com/dhName/p/10469628.html

  • 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