docker目录占用磁盘空间太大,将docker的根目录迁移到其他目录

本文详细介绍了如何迁移Docker根目录以节省磁盘空间,包括查找Docker根目录、清理占用空间、停止服务、拷贝文件、修改配置、重启服务及验证迁移后的信息。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 查找docker工作根目录

输入命令docker info | grep 'Docker Root Dir'查找docker的根目录。

[root@master-woker /]# docker info | grep 'Docker Root Dir'

在这里插入图片描述

2. 查看工作目录占用空间大小

[root@master-woker /]# du -sh /data/k8s/docker/data

在这里插入图片描述
我这里只是做个示范,2.4G简直不要太小了。

3. 清理docker占用空间

该步骤为可选步骤,如果担心镜像被误删除,可以直接跳过该步骤。

3.1 查看docker占用的磁盘空间

命令docker system df可以查看docker占用的磁盘空间
在这里插入图片描述

3.2 清理docker占用空间

命令docker system prune可以用于清理docker占用的空间,删除关闭的容器、无用的数据卷和网络,以及dangling镜像(即无tag的镜像)
在这里插入图片描述
命令docker system prune -a可以清理所有没有被使用的docker镜像,即使容器只是暂时停止的状态。使用该命令之前请再三确认,避免删除重要的镜像等文件。

4. 迁移docker根目录

4.1 停止docker服务

[root@master-woker /]# systemctl stop docker 

4.2 查看磁盘占用情况

查看本机磁盘的占用情况,找到合适的、空间足够大的磁盘来作为docker的根目录。

[root@master-woker /]# df -h

在这里插入图片描述
可以看到,我这个机器的/data目录空间最大,因为我们现在的docker根目录已经是在/data目录下面了(因为我之前已经迁移了一次了,这里只是再做一次演示记录),所以这次的演示会从目录/data/k8s/docker/data迁移到/data/docker/data

4.3 拷贝旧目录文件到新目录下

建目录

[root@master-woker /]# mkdir /data/docker

开始拷贝,拷贝时间根据具体情况而定,应该要蛮久的。
/data/k8s/docker/data–>/data/docker/data

[root@master-woker /]# cp -rf /data/k8s/docker/data /data/docker

查看拷贝情况

[root@master-woker /]# ll /data/docker/data/

在这里插入图片描述

5. 修改配置的docker根目录

docker的工作目录/data/k8s/docker/data是通过配置文件指定的,我们需要找到该文件,并且将工作目录更改为/data/docker/data
这个配置文件可能每种安装方式的位置有点不同。我现在知道的有两个地方。

  1. /etc/docker/daemon.json文件内。
    在这里插入图片描述
  2. service文件内,我有一台机器放在/usr/lib/systemd/system/docker.service.d/docker-options.conf这个地方,只是做个参考,但是一般也是写在docker的service文件里面的,可以通过查看服务信息找到,命令示例:systemctl status docker
    在这里插入图片描述

找到你的配置文件所在位置,并修改图中划红线的地方,将旧的目录替换成新的目录。
/data/k8s/docker/data–>/data/docker/data

6. 重启docker服务

[root@master-woker /]# systemctl daemon-reload
[root@master-woker /]# systemctl restart docker

7. 查看docker信息

[root@master-woker /]# docker info | grep 'Docker Root Dir'

在这里插入图片描述
可以看到现在的docker根目录已经成功由/data/k8s/docker/data迁移到/data/docker/data了。

8. 验证docker其他信息

如果不放心,可以重新看一下docker的镜像或者容器信息。

[root@master-woker /]# docker images

在这里插入图片描述

[root@master-woker /]# docker images

在这里插入图片描述

如果还是不放心的话,可以使用docker去pull一些大点儿的镜像,然后查看/data/docker/data文件夹的大小是不是发生了变化,记得pull之前先查看一下。查看文件夹大小的命令在后面一节。

如果确认完毕之后没有什么问题了,就可以把之前的旧目录给释放出来了。简单粗暴,直接删除/data/k8s/docker/data

9. 其他docker相关知识

顺便再附上一些解决该问题的过程中使用到的知识。
1.根据docker overlay中的文件夹名称,查找容器 。

docker ps -q | xargs docker inspect --format '{{.State.Pid}}, {{.Name}}, {{.GraphDriver.Data.WorkDir}}' | grep "文件夹名称"

在这里插入图片描述
有写文件夹找不到,就说明这个容器可能已经被删除了或者失效了。

2.查看文件夹占用磁盘空间大小

du -sh 文件夹名称

在这里插入图片描述
查看当前目录下所有子目录的大小,并从小到大排序:

du -sh ./*|sort -h

在这里插入图片描述

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论 2
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