飚王硬盘盒怎么样_硬盘盒/底座选择

前段时间采购家用的机械硬盘,计划用于家庭影音、工作文件、PS4拓展盘、和NAS,容量2-4T不等,转速尽量7200rpm,预期采购数量在5块左右。鉴于各盘符用途不同,需要分开独立使用,又另外选购了一些3.5寸的机械硬盘盒,知乎里也看了不少评测,自己也按照大众得口碑还行的品牌中入了几个,现把使用体验记录下来,给同样需求的朋友参考。

以下的观点只代表本人的主观意见,仅供参考!

品牌:奥睿科orico、阿卡西斯Acasis、蓝硕BLUEENDLESS、Unestech、荣胜辉,最后两个品牌比较小众。

奥睿科orico:一开始没怎么研究,就看了某东和某宝的销量排名靠前品牌型号,入手了旗舰店的双盘位底座(100元出头),不带脱机拷贝功能,按照自己的需求和使用场景,脱机拷贝功能可有可无。拿到手瞬间就有后悔的感觉,分量也太轻了吧?单纯的ABS塑料材质。USB3.0速度上没什么问题,散热也可以(不过这种非封闭式的底座散热本就不是问题),稳定性以及其他功能就没细究了,体验了几天挂某鱼折价出手了。

在知乎上深入学习后,重新入手以下几个

阿卡西斯Acasis(单):单盘硬盘盒(不到70)。到手后拆盒测试,黑色外观,材质是完整的铝合金外壳和金属内托。单盘盒附带架子,方便盒子立起来,有利于散热和外观。盒盖子的密封做工稍差,能看到缝隙,散热口也较小。其他比如智能休眠功能、USB3.0传输等功能均验证没问题。

阿卡西斯Acasis(双):阵列双盘盒(170出头)。到手后拆盒测试,黑色外观,材质是完整的铝合金外壳和金属内托。阵列双盘从外观、做工和散热孔位上比单盘盒要更好一点,另外还支持RAID功能。不过居然有一个BUG,盒子连上PC后HDD1盘符在各种硬盘检测工具上都检测不到硬盘信息,也做不了读写测速、坏盘检测等功能,一般的数据读写是没问题的,HDD2盘符上均正常。这个问题有找官方咨询,答复是这个阵列双盘盒产品型号硬盘盒的共性问题,并不是我手上的盒子问题。其他比如智能休眠功能、USB3.0传输等功能均验证没问题。

蓝硕BLUEENDLESS:U35Q单盘盒(80左右)。银色外观,全铝合金外壳和金属内托,外观、做工和散热都更好于acasis的单盘盒,另外尺寸也更大一圈。以为是单盘盒最优解了。后来使用时发现并不支持休眠功能,官方回复也确实不支持休眠。作为家用以及PS4拓展盘,节能一项还是必不可少的。

Unestech:双盘位底座UT5520BB(70出头),小众牌子,带脱机拷贝,没有不带脱机拷贝的型号。黑色外观,材质是全金属,做工也挺好。智能休眠、USB3.0数据传输速度等功能也没问题,稳定性有待后期考证。

荣胜辉:单盘盒(80左右),小众牌子,在pdd上看到的,被外观吸引遂入手。拆机测试,灰色外观,材质是铝合金外壳和塑料内托,和Acasis单盘盒一样附带架子。外观确实还可以,也比Acasis的单盘盒更小巧。使用中发现两个问题,第一个是自带的USB3.0数据线传输速度明显慢很多(和其他品牌自带的数据线对比),但是数据线接口颜色确实是蓝色,厂家同意免费重发一根3.0的数据线。第二个是产品说明上写的支持智能休眠,实测下来并不支持,厂家的技术支持也相当不及时,遂退货。

其他更深入稳定性和安全性测试以及更多用于nas的多盘符的硬盘盒暂时还没体验,等后续有了再增加。

  • 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