unRaid Server解决 手工设置Docker镜像源 /etc/docker/daemon.json 后重启后丢失失效的问题

  1. 在apps 搜索 user script 插件 在这里插入图片描述

  2. 安装这个插件

  3. 在plugins 里找到 已安装好的User Script 插件,单击左边图标进入
    在这里插入图片描述

  4. add script 添加一个新的用户脚本 在这里插入图片描述

  5. 脚本内容如下,并保存 (名称设置为 DockMirror)

#!/bin/bash
#name=docker.registry_mirrors
# 准备目录
mkdir -p /etc/docker
# 更新镜像源
tee /etc/docker/daemon.json << EOF
{
  "registry-mirrors": ["https://docker.mirrors.ustc.edu.cn"]
}
EOF
# 如果必要重启一下 docker service  
is_docker_running=$(/etc/rc.d/rc.docker status | awk 'NR == 1 {print} ' | grep running)
echo $is_docker_running
if [ ! -z "$is_docker_running" ]; then
	/etc/rc.d/rc.docker restart
fi
  1. 设置 DokerMirror 的 Schedule 自动启动为 At first array start only (在第一个arrary 启动时自动执行)

    这样就解决之前 手工设置 /etc/docker/daemon.json 后重启后丢失失效的问题

    重启后用putty 登录 unRAID SERVER ,可发现 /etc/docker/daemon.json 配置文件还在

  2. 另注意 User Script 也可从 settings-user utilities 进入,所有与用户相产的工具或插件 也会在这里添加进入的入口
    在这里插入图片描述
    二、提供的另一种方法
    在这里插入图片描述

### 反卷积与上采样在YOLO中的应用 #### 背景概述 YOLO(You Only Look Once)是一种高效的实时目标检测算法,在其多个版本中,为了提高特征图的空间分辨率并增强小物体的检测能力,通常会采用反卷积(Deconvolution)、上采样(Upsampling)等技术来恢复高分辨率的特征表示[^1]。 #### 反卷积与上采样的定义 - **反卷积**:也称为转置卷积(Transposed Convolution),主要用于扩大输入张量的空间尺寸。通过学习一组滤波器参数,它可以将低分辨率的特征映射到更高分辨率的空间,从而保留更多的细节信息[^3]。 - **上采样**:一种简单的插值方法,用于增加图像或特征图的像素数量。常见的上采样方式包括双线性插值、最近邻插值等。这些方法不涉及可训练参数,因此计算成本较低。 #### 在YOLO中的实现 以YOLOv5为例,该模型广泛采用了上采样操作来融合不同尺度的特征图。具体来说: 1. YOLOv5利用上采样层将深层网络提取的小尺寸特征图放大至较大尺寸,以便与浅层网络的高分辨率特征图进行拼接(Concatenation)。这种跨层次特征融合有助于捕捉多尺度的目标信息[^2]。 2. 对于某些变体(如YOLOv7或其他改进版),可能会引入反卷积替代传统的上采样操作。这种方式允许模型通过端到端的方式优化空间扩展过程,进一步提升性能。 以下是基于PyTorch的一个简单代码示例,展示如何在YOLO框架下实现反卷积和上采样: ```python import torch.nn as nn class UpsampleBlock(nn.Module): def __init__(self, in_channels, out_channels, scale_factor=2, use_deconv=False): super(UpsampleBlock, self).__init__() if use_deconv: # 使用反卷积实现上采样 self.up = nn.ConvTranspose2d(in_channels, out_channels, kernel_size=4, stride=2, padding=1) else: # 使用标准上采样实现 self.up = nn.Sequential( nn.Upsample(scale_factor=scale_factor, mode='nearest'), nn.Conv2d(in_channels, out_channels, kernel_size=1), ) def forward(self, x): return self.up(x) # 测试代码 block = UpsampleBlock(256, 128, use_deconv=True) # 如果设置use_deconv为True,则使用反卷积 input_tensor = torch.randn(1, 256, 32, 32) output_tensor = block(input_tensor) print(output_tensor.shape) # 输出形状应为 (1, 128, 64, 64) ``` 上述代码展示了两种不同的上采样策略:当`use_deconv=True`时,调用了反卷积;而默认情况下则使用了普通的上采样加卷积组合。 #### 性能对比 尽管反卷积能够提供更强的学习能力,但由于其增加了额外的参数量和计算复杂度,实际部署过程中可能更倾向于选择轻量化方案,比如仅依赖于插值法完成上采样任务。 --- ###
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