Dell EMC NetWorker 19.8 安装指南:备份软件详解

需积分: 1 3 下载量 126 浏览量 更新于2024-06-25 收藏 1.71MB PDF 举报
"Dell EMC NetWorker 19.8 安装指南提供了关于这款强大的备份和恢复软件的详细步骤,适用于多种操作系统。NetWorker 是一个全面的存储管理解决方案,支持跨平台操作,并允许用户根据自己的环境定制备份策略。本指南涵盖了从软件要求到具体操作系统(如Linux、Windows和UNIX)的安装过程。内容包括NetWorker的主要组件,如NetWorker服务器、客户端、存储节点、管理Web界面等,以及相关的系统需求,如身份认证服务、TCP/IP设置和浏览器兼容性。此外,还讨论了针对多语言环境的特殊要求和前端容量估算。" 在《Dell EMC NetWorker 19.8 安装指南》中,首先介绍了NetWorker产品及其核心组件。NetWorker产品不仅提供备份与恢复功能,还能与其他相关的NetWorker产品协同工作,构建适应性极强的存储管理系统。其中,NetWorker身份认证服务确保了安全性,而NetWorker服务器和数据库则是整个架构的基础。NetWorker消息队列适配器处理数据传输,基于数据块的备份技术则优化了备份效率。NetWorker客户端分为基本和扩展两种,满足不同用户的备份需求。存储节点负责实际的数据存储,NMC服务器则提供管理和监控功能。Web用户界面便于用户通过浏览器进行操作,而数据区则存储备份数据。NetWorker REST API 提供了与其他系统集成的可能性,NMC客户端和守护程序则进一步增强了管理能力。 软件要求部分详细列出了安装NetWorker之前需要考虑的硬件和软件条件,如NetWorker身份认证服务、NMC服务器的系统需求,以及对多语言环境的支持。对于Linux、Windows和UNIX系统,都有特定的软件包要求,例如Red Hat Enterprise Linux、CentOS、SUSE和Oracle Enterprise Linux等的软件依赖。此外,DataDomain系统的兼容性,TCP/IP网络配置,以及Web界面和Java运行环境的要求也是安装前必须了解的内容。 安装章节则指导用户如何在不同的操作系统上部署NetWorker。在Linux环境中,例如CentOS、OEL、SuSE和RHEL,安装流程包括确定初始化系统、准备目标主机、安装必要的软件包,以及选择安装NetWorker服务器、客户端或存储节点的软件。静默式安装和Web用户界面的安装选项为管理员提供了更便捷的部署方式。 Dell EMC NetWorker 19.8 安装指南是一份详尽的参考资料,旨在帮助IT专业人员成功地在各种环境中部署和配置NetWorker,确保企业的数据安全和有效管理。
2024-09-06 上传
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