Liunx常用命令

1、cd命令,切换目录

cd /root/Docements 	# 切换到目录/root/Docements  
cd ./path          	# 切换到当前目录下的path目录中,“.”表示当前目录    
cd ../path         	# 切换到上层目录中的path目录中,“..”表示上一层目录

2、ls命令,查看目录和文件

参数功能
-l列出长数据串,包含文件的属性与权限数据等
-a列出全部的文件,连同隐藏文件(开头为.的文件)一起列出来(常用)
-d仅列出目录本身,而不是列出目录的文件数据
-h将文件容量以较易读的方式(GB,kB等)列出来
-r连同子目录的内容一起列出(递归列出),等于该目录下的所有文件都会显示出来
	ls -l 	#以长数据串的形式列出当前目录下的数据文件和目录  
	ls -lR 	#以长数据串的形式列出当前目录下的所有文件 

3、cp命令,复制文件

参数功能
-a将文件的特性一起复制
-p连同文件的属性一起复制,而非使用默认方式,与-a相似,常用于备份
-i若目标文件已经存在时,在覆盖时会先询问操作的进行
-r递归持续复制,用于目录的复制行为
-u目标文件与源文件有差异时才会复制
cp -a file1 file2 			#连同文件的所有特性把文件file1复制成文件file2  
cp file1 file2 file3 dir 	#把文件file1、file2、file3复制到目录dir中

4、mv命令,移动文件、目录或更名

参数功能
-fforce强制的意思,如果目标文件已经存在,不会询问而直接覆盖
-i若目标文件已经存在,就会询问是否覆盖
-u若目标文件已经存在,且比目标文件新,才会更新
mv file1 file2 file3 dir 	# 把文件file1、file2、file3移动到目录dir中  
mv file1 file2 				# 把文件file1重命名为file2

5、rm命令.删除文件或目录

参数功能
-f就是force的意思,忽略不存在的文件,不会出现警告消息
-i互动模式,在删除前会询问用户是否操作
-r递归删除,最常用于目录删除,它是一个非常危险的参数
rm -i file # 删除文件file,在删除之前会询问是否进行该操作  
rm -fr dir # 强制删除目录dir中的所有文件 

6、chgrp命令,改变文件所属用户组

chgrp [-R] dirname/filename
-R :进行递归的持续对所有文件和子目录更改
例:chgrp users -R ./dir # 递归地把dir目录下中的所有文件和子目录下所有文件的用户组修改为users 

7、chown命令,改变文件所有者

8、chmod命令,更改文件权限

chmod [-R] xyz 文件或目录  
-R:进行递归的持续更改,即连同子目录下的所有文件都会更改 

9、处理目录的其他常用命令

pwd:显示当前目录
mkdir:创建一个目录
rmdir:删除一个目录
  • 1
    点赞
  • 1
    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