【ModelScope】从入门到进阶

计算机视觉任务

任务（Task）中文任务（Task）英文任务说明
单标签图像分类image-classification对图像中的不同特征根据类别进行区分
通用图像分割image-segmentation识别图像主体与图像背景进行分离
文字检测ocr-detection将图像中的文字检测出来并返回检测点坐标位置
人像美肤skin-retouching对图像中的人像皮肤进行细节美化
风格迁移image-style-transfer对图像或视频的色彩风格进行另一种风格转化
图像翻译image-to-image-translation将一张图片上的文字翻译成目标语言并生成新的图片
以图生图image-to-image-generation根据输入图像生成新的类似图像
搜索推荐image-search根据输入图像进行范围匹配
审核评估image-evaluation对图像进行解析并自动给出一个评估信息
视频处理video-processing对视频信息进行自动运算处理
视频检测video-detection对视频信息进行内容解析
视频分割video-segmentation对视频信息进行背景和主体分离
视频生成video-generation对视频进行解析匹配视频信息进行生成
视频编辑video-editing对视频进行解析转化为可编辑状态
视频表征video-embedding对视频特征进行多模态匹配
视频检索video-search对视频解析根据规则提取部分信息
视频审核评估video-evaluation根据规则对视频解析并给出评估结果
视频文本识别video-ocr对视频中的文字内容进行识别
视频到文本video-captioning将视频中的音频转化为文本信息
三维重建3d-reconstruction对三维模型解析并重新构建
三维识别3d-recognition对三维模型进行识别并进行标注
三维编辑3d-editing对三维模型解析转化为可编辑状态
驱动交互3d-driven对三维模型解析转为为动态效果
渲染呈现3d-rendering对三维模型进行渲染并以图像展示
虚拟试衣virtual-try-on给定模特图片和衣服图片，合成模特穿上给定衣服的图片
文字识别ocr-recognition将图像中的文字识别出来并返回文本内容
人脸检测face-detection对图像中的人脸进行检测并返回人脸坐标位置
人脸识别face-recognition对矫正对齐后的人脸图像提取特征向量
人体检测human-detection对图像中的人体关键点进行检测并返回关键点标签与坐标位置
人物交互关系human-object-interaction对图像中的肢体关键点和物品进行检测和识别对坐标信息进行处理
人脸生成face-image-generation对图像中的人脸进行区域位置检测并生成虚拟人脸
多标签图像分类image-multilabel-classification解析图像特征支持多个类别区分
通用目标检测image-object-detection对输入图像中的较通用物体定位及类别判断
目标检测-自动驾驶场景(行人、车辆、交通标注等)image-object-detection-autopilot对自动驾驶中的场景进行目标检测，图像中的人、车辆及交通信息等进行实时解析并进行标注（行人、车辆、交通标注）
目标检测-自动驾驶场景(车道线)image-object-detection-laneline对自动驾驶中的场景进行目标检测，图像中的人、车辆及交通信息等进行实时解析并进行标注（车道线）
人像抠图portrait-matting对输入的图像将人体部分抠出并对背景进行透明化处理
人像增强image-portrait-enhancement对图像中的人像主体进行细节增强
图像超分辨image-super-resolution对图像进行倍数放大且不丢失画面质量
图像上色image-colorization对黑白图像进行区域解析并对其进行类别上色
图像颜色增强image-color-enhancement对图像中色彩值进行解析并对其进行规则处理
图像降噪image-denoising对图像中的噪点进行处理降低
人像卡通化image-portrait-stylization对输入的图像进行卡通化处理，实现风格变化
图像表征image-embedding对输入图像特征进行多模态匹配
直播商品类目识别live-category实时解析识别直播画面中的商品类别进行信息展示
行为识别action-recognition对视频中的动作行为进行识别并返回类型
短视频内容分类video-category解析短视频语义进行场景分类
目标跟踪及重识别reid-and-tracking可对图片和视频进行目标识别可重复识别
增强/虚拟现实ar-vr对vr图像信息进行画面增强
人体2D关键点body-2d-keypoints检测图像中人体2D关键点位置
商品图片特征product-retrieval-embedding对商品图像进行表征向量提取
视频场景分割movie-scene-segmentation输入一段长视频，算法将其分割成不同的场景子视频
人脸表情识别facial-expression-recognition识别图像中人脸的表情
手部2D关键点hand-2d-keypoints检测图像中手部21点关键点坐标
视频摘要video-summarization输入一段长视频，算法找出其中的一些关键片段进行拼接，输出拼接的短的摘要视频
人脸2D关键点face-2d-keypoints检测图像中人脸106点关键点坐标和人脸朝向姿态角
行人重识别image-reid-person输入包含人的图片，输出图片的特征向量
3D人体关键点body-3d-keypoints检测视频中人体姿态的3D关键点坐标
视频单目标跟踪video-single-object-tracking输入视频和第一帧目标位置，在所有视频帧中预测该目标位置
行为检测action-detection检测视频中发生的行为动作，并给出动作的时空位置
人群密度估计crowd-counting输入一张图片，输出图片内有多少人
卡证检测矫正card-detection检测输入图片中是否存在卡证，并定位其角点，根据角点将卡证矫正为正视图
全身关键点检测human-wholebody-keypoint检测图片中全身关键点坐标，包括人脸关键点，骨骼关键点、脚步关键点和手势关键点，共计133点
视频目标检测video-object-detection任务的输入输出类型及数据格式
语义分割semantic-segmentation图像显著性，预测图中每个像素的重要程度
人体美型image-body-reshaping给定一张人物图像（半身或全身），无需任何额外输入，端到端地实现对人物身体区域（肩部，腰部，腿部等）的自动化美型处理
目标检测-自动驾驶场景image-object-detection-auto检测自动驾驶场景图片的目标，包括车辆，行人等
图像填充image-inpainting输入一张图片；同时用户根据该图片，自定义地可以进行在线绘制任意形状的mask；最终输出恢复、补全后的图像
视频修复video-inpainting对视频中指定的区域和帧范围，进行视频修复
2D手势语义识别hand-static对图片中的人手动作的语义进行识别
人脸情绪识别face-emotion对图片中的人的情绪进行识别
人脸人体人手三合一检测face-human-hand-detection对图片中的人脸、人体、人手进行检测
通用商品分割product-segmentation对图片中的商品进行分割
商品显著性分割shop-segmentation对商品图像进行显著性分割
文本指导的图像分割text-driven-segmentation根据文本对图像进行分割
动物识别animal-recognition对图片中的动物主体的进行识别
视频文本表征video-multi-modal-embedding输入任意视频和文本pair，输出相应的视频-文本pair特征，和相应得分
自然语言引导的视频摘要language-guided-video-summarization输入一段长视频和N句英文描述，算法找出其中和英文描述相关的一些关键片段进行拼接，输出拼接的短的摘要视频
文本指导的视频目标分割referring-video-object-segmentation通过用户输入的文本描述（英文）从输入视频中分割出指定的物体，支持一次性输入两个物体描述
万物识别general-recognition对图片中的物体主体的进行识别

模型加载

加载模型需要两个关键信息：1.模型id 2.模型版本

from modelscope.models import Modelmodel = Model.from_pretrained('damo/nlp_structbert_word-segmentation_chinese-base', revision='v1.0.1')

 如果想下载大本地指定目录的话，使用下面这行代码

from modelscope.hub.snapshot_download import snapshot_downloadmodel_dir = snapshot_download('damo/nlp_structbert_word-segmentation_chinese-base', cache_dir='path/to/local/dir')

 模型推理

使用pipeline方法加载模型进行推理

pipeline构造函数

task: 任务名称，必填
model: 模型名称或模型实例，可选。不填时使用该任务默认模型
preprocessor: 预处理器实例，可选。不填时使用模型配置文件中的预处理器
device: 运行设备，可选。值为cpu, cuda, gpu, gpu:X or cuda:X，默认gpu
device_map: 模型参数到运行设备的映射，可选，不可与device同时配置。值为auto, balance, balanced_low_0, sequential或映射dict

pipeline调用时参数

batch_size: 批量推理的mini-batch大小，可选。不传时不进行批量推理

pipeline基本用法

创建pipeline对象

from modelscope.pipelines import pipeline
word_segmentation = pipeline('word-segmentation')

 输入推理数据

input_str = '今天天气不错，适合出去游玩'
print(word_segmentation(input_str))

结果

# 输出
{'output': '今天 天气 不错 ， 适合 出去 游玩'}

输入多条推理数据

 pipeline对象也支持传入多个样本列表输入，返回对应输出列表，每个元素对应输入样本的返回结果。多条文本的推理方式是输入data在pipeline内部用迭代器单条处理后append到同一个返回List中。

inputs =  ['今天天气不错，适合出去游玩','这本书很好，建议你看看']
print(word_segmentation(inputs))# 输出
[{'output': ['今天', '天气', '不错', '，', '适合', '出去', '游玩']}, {'output': ['这', '本', '书', '很', '好', '，', '建议', '你', '看看']}]

 模型训练

 

ModelScope的模型训练步骤如下：

  1. 使用MsDataset加载数据集
  2. 编写cfg_modify_fn方法，按需修改部分参数
  3. 构造trainer，开始训练
  4. 【训练后步骤】进行模型评估
  5. 【训练后步骤】使用训练后的模型进行推理

 PyTorch模型的训练使用EpochBasedTrainer（及其子类），该类会根据配置文件实例化模型、预处理器、优化器、指标等模块。因此训练模型的重点在于修改出合理的配置，其中用到的各组件都是ModelScope的标准模块。

 trainer的重要构造参数

model: 模型id、模型本地路径或模型实例，必填
cfg_file: 额外的配置文件，可选。如果填写，trainer会使用这个配置进行训练
cfg_modify_fn: 读取配置后trainer调用这个回调方法修改配置项，可选。如果不传就使用原始配置
train_dataset: 训练用的数据集，调用训练时必传
eval_dataset: 评估用的数据集，调用评估时必传
optimizers: 自定义的(optimizer、lr_scheduler)，可选，如果传入就不会使用配置文件中的
seed: 随机种子
launcher: 支持使用pytorch/mpi/slurm开启分布式训练
device: 训练用设备。可选，值为cpu, gpu, gpu:0, cuda:0等，默认gpu

 模型训练示例

文本分类

# structbert的backbone，该模型没有有效分类器，因此使用前需要finetune（微调）
model_id = 'damo/nlp_structbert_backbone_base_std'

使用MsDataset加载数据集

加载官方数据集

from modelscope.msdatasets import MsDataset
# 载入训练数据，数据格式类似于{'sentence1': 'some content here', 'sentence2': 'other content here', 'label': 0}
train_dataset = MsDataset.load('clue',  subset_name='afqmc', split='train')
# 载入评估数据
eval_dataset = MsDataset.load('clue',  subset_name='afqmc', split='validation')

 加载自己的数据集

from modelscope.msdatasets import MsDataset 
# 载入训练数据 
train_dataset = MsDataset.load('/path/to/my_train_file.txt') 
# 载入评估数据 
eval_dataset = MsDataset.load('/path/to/my_eval_file.txt')

更多方法参考：数据集使用指南

编写cfg_modify_fn方法，按需修改部分参数

 建议首先查看模型的配置文件，并查看需要额外修改的参数：

from modelscope.utils.hub import read_config
# 上面的model_id
config = read_config(model_id)
print(config.pretty_text)

 一般的配置文件中，在训练时需要修改的参数一般分为：

1.预处理器参数

# 使用该模型适配的预处理器sen-sim-tokenizer
cfg.preprocessor.type='sen-sim-tokenizer'
# 预处理器输入的dict中，句子1的key，参考上文加载数据集中的afqmc的格式
cfg.preprocessor.first_sequence = 'sentence1'
# 预处理器输入的dict中，句子2的key
cfg.preprocessor.second_sequence = 'sentence2'
# 预处理器输入的dict中，label的key
cfg.preprocessor.label = 'label'
# 预处理器需要的label和id的mapping
cfg.preprocessor.label2id = {'0': 0, '1': 1}

 某些模态中，预处理的参数需要根据数据集修改（比如NLP一般需要修改，而CV一般不需要修改），后续可以查看ModelCard或各任务最佳实践中各任务训练的详细描述。

2.模型参数

# num_labels是该模型分类数
cfg.model.num_labels = 2

 3.任务参数

# 修改task类型为'text-classification'
cfg.task = 'text-classification'
# 修改pipeline名称，用于后续推理
cfg.pipeline = {'type': 'text-classification'}

 4.训练参数

# 设置训练epoch
cfg.train.max_epochs = 5
# 工作目录
cfg.train.work_dir = '/tmp'
# 设置batch_size
cfg.train.dataloader.batch_size_per_gpu = 32
cfg.evaluation.dataloader.batch_size_per_gpu = 32
# 设置learning rate
cfg.train.optimizer.lr = 2e-5
# 设置LinearLR的total_iters，这项和数据集大小相关
cfg.train.lr_scheduler.total_iters = int(len(train_dataset) / cfg.train.dataloader.batch_size_per_gpu) * cfg.train.max_epochs
# 设置评估metric类
cfg.evaluation.metrics = 'seq-cls-metric'

 使用cfg_modify_fn将上述配置修改应用起来：

# 这个方法在trainer读取configuration.json后立即执行，先于构造模型、预处理器等组件
def cfg_modify_fn(cfg):cfg.preprocessor.type='sen-sim-tokenizer'cfg.preprocessor.first_sequence = 'sentence1'cfg.preprocessor.second_sequence = 'sentence2'cfg.preprocessor.label = 'label'cfg.preprocessor.label2id = {'0': 0, '1': 1}cfg.model.num_labels = 2cfg.task = 'text-classification'cfg.pipeline = {'type': 'text-classification'}cfg.train.max_epochs = 5cfg.train.work_dir = '/tmp'cfg.train.dataloader.batch_size_per_gpu = 32cfg.evaluation.dataloader.batch_size_per_gpu = 32cfg.train.dataloader.workers_per_gpu = 0cfg.evaluation.dataloader.workers_per_gpu = 0cfg.train.optimizer.lr = 2e-5cfg.train.lr_scheduler.total_iters = int(len(train_dataset) / cfg.train.dataloader.batch_size_per_gpu) * cfg.train.max_epochscfg.evaluation.metrics = 'seq-cls-metric'# 注意这里需要返回修改后的cfgreturn cfg

构造trainer，开始训练

首先，配置训练所需参数：

from modelscope.trainers import build_trainer# 配置参数
kwargs = dict(model=model_id,train_dataset=train_dataset,eval_dataset=eval_dataset,cfg_modify_fn=cfg_modify_fn)
trainer = build_trainer(default_args=kwargs)
trainer.train()

 需要注意，数据由trainer从dataloader取数据的时候调用预处理器进行处理。

进行模型评估

可选地，在训练后可以进行额外数据集的评估。用户可以单独调用evaluate方法对模型进行评估：

from modelscope.msdatasets import MsDataset
# 载入评估数据
eval_dataset = MsDataset.load('clue',  subset_name='afqmc', split='validation')from modelscope.trainers import build_trainer# 配置参数
kwargs = dict(# 由于使用的模型训练后的目录，因此不需要传入cfg_modify_fnmodel='/tmp/output',eval_dataset=eval_dataset)
trainer = build_trainer(default_args=kwargs)
trainer.evaluate()

 或者，也可以调用predict方法将预测结果保存下来，以供后续打榜：

from modelscope.msdatasets import MsDataset
import numpy as np# 载入评估数据
eval_dataset = MsDataset.load('clue', subset_name='afqmc', split='test').to_hf_dataset()from modelscope.trainers import build_trainerdef cfg_modify_fn(cfg):# 预处理器在mini-batch中留存冗余字段cfg.preprocessor.val.keep_original_columns = ['sentence1', 'sentence2']# 预测数据集没有label，将对应key置空cfg.preprocessor.val.label = Nonereturn cfgkwargs = dict(model='damo/nlp_structbert_sentence-similarity_chinese-tiny',work_dir='/tmp',cfg_modify_fn=cfg_modify_fn,# remove_unused_data会将上述keep_original_columns的列转为attributesremove_unused_data=True)trainer = build_trainer(default_args=kwargs)def saving_fn(inputs, outputs):with open(f'/tmp/predicts.txt', 'a') as f:# 通过attribute取冗余值sentence1 = inputs.sentence1sentence2 = inputs.sentence2predictions = np.argmax(outputs['logits'].cpu().numpy(), axis=1)for sent1, sent2, pred in zip(sentence1, sentence2, predictions):f.writelines(f'{sent1}, {sent2}, {pred}\n')trainer.predict(predict_datasets=eval_dataset,saving_fn=saving_fn)

使用训练后的模型进行推理

训练完成以后，文件夹中会生成推理用的模型配置，可以直接用于pipeline：

  • {work_dir}/output：训练完成后，存储模型配置文件，及最后一个epoch/iter的模型参数（配置中需要指定CheckpointHook）
  • {work_dir}/output_best：最佳模型参数时，存储模型配置文件，及最佳的模型参数（配置中需要指定BestCkptSaverHook）
from modelscope.pipelines import pipeline
pipeline_ins = pipeline('text-classification', model='/tmp/output')
pipeline_ins(('这个功能可用吗', '这个功能现在可用吗'))

此外，ModelScope也会存储*.pth文件，用于后续继续训练、训练后验证、训练后推理。一般一次存储会存储两个pth文件：

  • epoch_*.pth 存储模型的state_dict，output/output_best的bin文件是此文件的硬链接
  • epoch_*_trainer_state.pth，存储trainer的state_dict

在继续训练场景时，只需要加载模型的pth文件，trainer的pth文件会被同时读取。

用户也可以手动link某个pth文件到output/output_best，实现使用任意一个存储节点的推理

pth的文件名格式如下：

  • epoch_{n}/iter_{n}.pth（如epoch_3.pth）: 每interval个epoch/iter周期存储（配置中需要指定CheckpointHook）
  • best_epoch{n}_{metricname}{m}.pth(如best_iter13_accuracy22.pth)：取得最佳模型参数时存储（配置中需要指定BestCkptSaverHook）
# 用于继续训练
trainer.train(checkpoint_path=os.path.join(self.tmp_dir, 'iter_3.pth'))
# 用于训练后评估
trainer.evaluate(checkpoint_path=os.path.join(self.tmp_dir, 'iter_3.pth'))
# 用于训练后推理并通过saving_fn存储预测的label为文件
trainer.predict(checkpoint_path=os.path.join(self.tmp_dir, 'iter_3.pth'), predict_datasets=some_dataset,saving_fn=some-saving-fn)

参考链接：

模型的训练Train

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/230805.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

03-微服务-Ribbon负载均衡

03-微服务-Ribbon负载均衡

Ribbon负载均衡 1.1.负载均衡原理 SpringCloud底层其实是利用了一个名为Ribbon的组件，来实现负载均衡功能的。 那么我们发出的请求明明是http://userservice/user/1，怎么变成了http://localhost:8081的呢？ 1.2.源码跟踪 为什么我们只输入…
阅读更多...
汉诺塔问题(递归超详细)C++，leetcode

汉诺塔问题(递归超详细)C++，leetcode

文章目录 前言一、题目分析二、算法原理1.为什么要用递归2.如何编写代码 三、代码实现总结 前言 在本文章中，我们将要详细介绍一下汉诺塔问题，本题目我们采用递归的方式解决相关的内容 一、题目分析 题目要求详解：   🌟 有三个…
阅读更多...
css原子化的框架Tailwindcss的使用教程(原始html和vue项目的安装与配置)

css原子化的框架Tailwindcss的使用教程(原始html和vue项目的安装与配置)

安装教程 中文官网教程 原始的HTML里面使用 新建文件夹npm init -y 初始化项目 安装相关依赖 npm install -D tailwindcss postcss-cli autoprefixer初始化两个文件 npx tailwindcss init -p根目录下新建src/style.css tailwind base; tailwind components; tailwind ut…
阅读更多...
【python入门】day12：bug及其处理思路

【python入门】day12：bug及其处理思路

bug的常见类型 粗心 / 没有好习惯 思路不清 lst[{rating:[9.7,2062397],id:1292052,type:[犯罪,剧情],title:肖申克的救赎,actors:[蒂姆罗宾斯,摩根弗里曼]},{rating:[9.6,1528760],id:1291546,type:[剧情,爱情,同性],title:霸王别姬,actors:[张国荣 ,张丰毅 , 巩俐 ,葛优]},{r…
阅读更多...
卷麻了，00后测试用例写的比我还好，简直无地自容...........

卷麻了，00后测试用例写的比我还好，简直无地自容...........

经常看到无论是刚入职场的新人，还是工作了一段时间的老人，都会对编写测试用例感到困扰？例如： 如何编写测试用例？ 作为一个测试新人，刚开始接触测试，对于怎么写测试用例很是头疼，无法…
阅读更多...
linux性能优化

linux性能优化

文章目录 性能优化图CPU进程和cpu原理性能指标 性能优化图 CPU 进程和cpu原理 进程与线程： 进程是程序的执行实例，有自己的地址空间和系统资源。线程是进程内的执行单元，共享进程的资源。在多核系统中，使用多线程可以更好地利用多…
阅读更多...
Web 自动化测试过程中会遇到哪些问题？

Web 自动化测试过程中会遇到哪些问题？

作者：木可 链接：https://www.zhihu.com/question/636965892/answer/3341410674 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 Web自动化是指使用测试脚本来自动执行网页上的任务。这包括填…
阅读更多...
mybatis快速批量插入工具类

mybatis快速批量插入工具类

代码示例： package com.ly.cloud.util; import java.util.List;import javax.annotation.PostConstruct; import javax.annotation.Resource;import com.google.common.collect.Lists; import org.apache.ibatis.session.ExecutorType; import org.apache.ibatis.s…
阅读更多...
Linux Debian12安装和使用ImageMagick图像处理工具 常见图片png、jpg格式转webp格式

Linux Debian12安装和使用ImageMagick图像处理工具 常见图片png、jpg格式转webp格式

一、ImageMagick简介 ImageMagick是一套功能强大、稳定而且免费的工具集和开发包。可以用来读、写和图像格式转换，可以处理超过100种图像格式，包括流行的TIFF, JPEG, GIF, PNG, PDF以及PhotoCD等格式。对图片的操作，即可以通过命令行进行&am…
阅读更多...
派可数据BI 助力生产企业数字化质量管理，全面提升产品品质

派可数据BI 助力生产企业数字化质量管理，全面提升产品品质

在制造业中，出了质量问题，生产和质检部的同事都先抱怨。大家觉得质量问题是品控部门的问题，生产质量有瑕疵，检验人员就要负责。而检验人员又觉得，品质是生产出来的，而不是检验出来的，只有在生产…
阅读更多...
服务器为什么大多用 Linux？

服务器为什么大多用 Linux？

服务器为什么大多用 Linux？ 在开始前我有一些资料，是我根据自己从业十年经验，熬夜搞了几个通宵，精心整理了一份「Linux的资料从专业入门到高级教程工具包」，点个关注，全部无偿共享给大家！&#…
阅读更多...
1.3 金融数据可视化

1.3 金融数据可视化

跳转到根目录：知行合一：投资篇 已完成： 1.1 编程基础   1.1.1 投资-编程基础-numpy   1.1.2 投资-编程基础-pandas 1.2 金融数据处理 1.3 金融数据可视化 文章目录 1. 金融数据可视化1.1. matplotlib1.1.1. 沪深300走势图1.1.2. 日线均线…
阅读更多...
计算机网络-动态路由

计算机网络-动态路由

网络层协议：ip，ospf，rip，icmp共同组成网络层体系 ospf用于自治系统内部。 一个路由器或者网关需要能够支持多个不同的路由协议，以适应不同的网络环境。特别是在连接不同自治系统的边缘路由器或边界网关的情况下&#…
阅读更多...
Qt之自定义分页（翻页）控件

Qt之自定义分页（翻页）控件

当数据量较大时，分页显示是个不错的选择。这里用百家姓来演示分页效果，包括首页、上一页、下一页、尾页和跳转。 一.效果 每页15个姓氏。 二.实现 QHPageWidget.h #ifndef QHPAGEWIDGET_H #define QHPAGEWIDGET_H#include <QWidget> #include <QStandardItemMod…
阅读更多...
Docker安装Elasticsearch,kibana,ik分词器

Docker安装Elasticsearch,kibana,ik分词器

安装elasticsearch 下载elasticsearch&#xff0c;查看版本&#xff1a;Elasticsearch Guide [8.11] | Elastic docker pull elasticsearch:7.17.16 查看镜像是否下载成功 docker images 创建网络&#xff0c;因为需要部署kibana容器&#xff0c;要让es和kibana容器互联 …
阅读更多...
Linuk安装Prometheus+grafana监控

Linuk安装Prometheus+grafana监控

Linuk安装Prometheusgrafana监控 文章目录 Linuk安装Prometheusgrafana监控服务器环境配置1.prometheus监控框架工具介绍2.Prometheus 源码安装和启动配置2.1 下载2.2安装2.3默认prometheus.yml 配置解释2.4直接启动服务2.5 访问http://localhost:90902.6将Prometheus配置为系统…
阅读更多...
webRTC实时通信demo

webRTC实时通信demo

参考文档&#xff1a; https://www.jianshu.com/p/f439ce5cc0be https://www.w3cschool.cn/socket demo流程示意图&#xff08;用户A向用户B推送视频&#xff09;&#xff1a; #mermaid-svg-0KZaDQ5DBl28zjmZ {font-family:"trebuchet ms",verdana,arial,sans-seri…
阅读更多...
SpringBoot从配置文件中获取属性的方法

SpringBoot从配置文件中获取属性的方法

方式一&#xff1a;Value 基本类型属性注入&#xff0c;直接在字段上添加Value("\${xxx.xxx}")即可&#xff0e;注意这里用的是$&#xff0c;而不是&#xff03;&#xff0c;Value注入的属性&#xff0c;一般其他属性没有关联关系。 配置文件 user:name: Manaphya…
阅读更多...
Docker介绍、常用命令、项目部署

Docker介绍、常用命令、项目部署

什么是Docker 简单说&#xff1a;Docker就是一个虚拟机&#xff0c;专业说&#xff1a;它是一个开源的容器平台。它和我们常用的VMware有很多相似的地方。 名词解释 镜像/images 由本体打包出来的文件。并不是文件本身&#xff0c;但是具有该文件的功能。举个不太贴切的例子&…
阅读更多...
保姆级教程：从0到1搭建web自动化测试环境

保姆级教程：从0到1搭建web自动化测试环境

之前都是在linux上安装&#xff0c;第一次在windows上配置环境&#xff0c;加上距离上次配置环境有点久了&#xff0c;竟也花了点时间。特此记录下保姆级教程&#xff0c;给初学者一个有效的参考&#xff01; 一. 环境搭建 工具清单 工具工具名版本Java开发工具包JDK1.8浏览…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023