linux安装trac+svn+apache+wike,Linux_Ubuntu系统下Trac+Subversion+Apache安装,1.安装svn:   $ sudo apt-get in - p...

Ubuntu系统下Trac+Subversion+Apache安装

1.安装svn:

$ sudo apt-get install subversion

$ sudo apt-get install libapache2-svn //这个是安装apache部分,如果不使用http协议可以不必装这个。

2.配置svn服务器端:

首先,创建subversion用户组,并且将www-data和您自己这两个用户加入该组。(这可以通过在Ubuntu 菜单上选择“系统->系统管理->用户和组”操作)。

其次,创建svn的根位置,

$ sudo mkdir /home/svn

$ cd /home/svn

然后,开始一个新的知识库,

$ sudo mkdir myproject

$ sudo chown -R root:subversion myproject //这里要给www-data添加权限,因为我们后面要用apache

$ sudo chmod -R g+rws myproject //这个是为了赋予组成员对所有新加入文件仓库的文件拥有相应的权限

$ sudo svnadmin create /home/svn/myproject //开始一个新的知识库

最后,设置用户验证,

$ sudo vim /home/svn/myproject/conf/svnserve.conf //将# [general]和# password-db = passwd的注释取消掉,这表示使用同级目录下的passwd文件做为密码数据库。

$ sudo vim /home/svn/myproject/conf/passwd //添加admin用户及密码。

3.使用svn客户端:

这里只介绍两种方式,假设工作目录位于/home/cyndi/work/下。

$ svn co file:///home/svn/myproject //这是当客户端与服务器端在同台机器上时,这么访问。

$ svn co svn://10.28.158.133/home/svn/myproject –username admin

另外,为了使客户端访问知识库时简化目录,可以在服务器端启用daemon,

$ svnserve -d –foreground -r /home/svn

这样客户端的访问可以简化为,

$ svn co svn://10.28.158.133/myproject –username admin

详细的svn安装及设置可参考:http://wiki.ubuntu.org.cn/SubVersion

4.安装trac并设置,与svn相仿:

$ sudo apt-get install trac

$ sudo trac-admin /home/trac initenv //除了项目名称(myprojectname)和svn仓库路径(/home/svn/myproject)以外,其余可使用默认。

$ sudo chown -R root:www-data trac //使用www-data:www-data

$ sudo chmod -R g+rsw trac

5.设置用户权限:

首先,创建用户,第二参数指定用户文件存放的位置,第三个参数指定连接的域,第四个为用户名,

$ htdigest -c /home/trac/passwd.digest trac.palmsource.com www-data

其次,为passwd.digest文件中创建的用户绑定trac系统的权限,

$ trac-admin /home/trac/ permission add admin TICKET_ADMIN //为admin这个用户/组加上指定权限,关于更多权限设置可以参看:http://trac.edgewall.org/wiki/TracPermissions

$ trac-admin /home/trac/ permission add www-data admin //为www-data这个用户绑定与admin一样的权限

其次,启动daemon监听指定端口用于处理web请求,

$ tracd -p 8000 –auth myprojectname,/home/trac/passwd.digest,trac.palmsource.com /home/trac/

另外,如果不打算启用用户权限,可以这么用,

$ tracd -p 8000 /home/trac/

(这一步我试了,授权方式,不好用,还不知道为什么。)

6.Apache设置

add following conf at the end of apache2.conf:

Options Indexes MultiViews

AllowOverride None

Order allow,deny

Allow from all

SetHandler mod_python

PythonHandler trac.web.modpython_frontend

PythonOption TracEnv /home/trac/testproject

PythonOption TracUriRoot /trac

AuthType Basic

AuthName "Trac"

AuthUserFile /etc/apache2/trac.passwd //用htdigest生成密码文件,trac,apache,svn可以共享一个密码文件

Require valid-user

7.注意事项

上面配置是针对python模式的,CGI和Python不能一起配,会出现"wiki.png"等怪问题,我不太会弄

本文作者:相关阅读:

C# 生成高质量缩略图程序—终极算法

Windows Server 2008蓝牙驱动安装方法

SQL查询分析器清除被注入恶意病毒代码

Access查询之Linq to DataSet

wordpress模板常用调用函数

Asp.net控制Tomcat启动关闭的实现方法

ASP.Net生成一个简单的图片

php下清空字符串中的HTML标签的代码

CSS3属性之text-shadow详解

Mootools 1.2教程 正则表达式

ASP.net 路径问题 详解

5.3 提高ASP性能的最佳选择

Linux和Windows双操作系统Grub丢失恢复

ASPJPEG综合操作的CLASS类

  • 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