- 综合排序
- 最热优先
- 最新优先
- 来自专栏云计算与大数据
openshift11 启用hpa与监控指标
https://docs.openshift.com/container-platform/3.11/dev_guide/pod_autoscaling.html
60110发布于 2020-04-07 - 来自专栏全球技术精选
【系统设计】指标监控和告警系统
在本文中，我们将探讨如何设计一个可扩展的指标监控和告警系统。一个好的监控和告警系统，对基础设施的可观察性，高可用性，可靠性方面发挥着关键作用。 下图显示了市面上一些流行的指标监控和告警服务。 面试官：如果让你设计一个指标监控和告警系统，你会怎么做？ 小明：好的，这个系统是为公司内部使用的，还是设计像 Datadog 这种 SaaS 服务？ 面试官：很好的问题，目前这个系统只是公司内部使用。 小明：我们想收集哪些指标信息？ 面试官：包括操作系统的指标信息，中间件的指标，以及运行的应用服务的 qps 这些指标。 另外，整体的系统也有较高的要求，要考虑到可扩展性，低延迟，可靠性和灵活性。 基础知识 一个指标监控和告警系统通常包含五个组件，如下图所示 1. 数据收集：从不同的数据源收集指标数据。 2. Grafana 可以是一个非常好的可视化系统，我们可以直接拿来使用。 总结 在本文中，我们介绍了指标监控和告警系统的设计。
2.3K20编辑于 2022-09-05 - 来自专栏开源心路
数据中台-指标系统
造成上述问题的根源是因为指标口径不一致，而你要构建全局一致的指标口径，输出企业的指标字典。 二.指标混乱状态 核心指标进行了全面的盘点和梳理，为的就是解决指标口径不一致的问题。 四.指标系统 指标系统是基于元数据中心构建的一个指标管理工具，它从元数据中心自动同步数仓的主题域和业务过程，按照规范化定义创建指标。 五.基于指标系统构建全局的指标字典 构建全局的指标字典分为两个场景： 一个是面对一个新的指标需求，如何基于指标系统完成指标开发流程； 另外一个是面对已经存在的，混乱的指标现状，如何进行全局梳理。 ； 按照指标系统对指标的规范化定义，把整理好的指标录入指标系统。 小结 数据中台直接产出的核心指标必须实施强管理，由数据中台团队的专人或者小组负责，最好是数据产品经理的角色。 指标的管理必须结合系统 + 规范的治理方法，明确每个角色的职责，通过系统化的方法实现。
1.6K30编辑于 2023-06-30 - 来自专栏hotarugaliの技术分享
推荐系统常用评价指标
AUC AUC: Area Under ROC Curve，同目标检测中的 AUC 指标。
2K20编辑于 2023-05-16 - 来自专栏AI系统
【AI系统】关键设计指标
接下来我们将从 AI 芯片关键设计指标的角度来进一步拓展对 AI 计算体系的思考。 计算单位 市场上当一款 AI 芯片产品发布时候，经常会通过一些指标数据说明产品的能力，比如芯片制程，内存大小，核心数，带宽，算力等，这些指标体现了 AI 产品的核心竞争力。 AI 芯片设计的目标是低成本高效率的执行 AI 模型，所以衡量 AI 芯片的关键指标涉及 AI 模型软件应用层面的指标和 AI 芯片硬件市场竞争力指标两个方面，展开如下： 精度 Accuracy 在 系统价格 Cost 价格是市场选择 AI 产品时的重要考量指标。对搭建一个 AI 系统来说，要综合考虑硬件成本以及与之相关的系统集成和全栈生态系统的成本。 系统集成上下游全栈等成本：除了硬件本身的成本外，还需要考虑与 AI 芯片相关的系统集成和全栈生态系统的成本。这包括软件开发、算法优化、系统集成、测试验证、软件支持等方面的成本。
60110编辑于 2024-12-04 - 来自专栏秋枫学习笔记
动手实现推荐系统评价指标
. / len(user_pred[u][0]) return score / len(user_pred.keys()) 选择topk评价指标 def topk_metrics(y_true, y_pred
76330编辑于 2022-09-19 - 来自专栏服务端技术杂谈
系统性能指标
都在谈论高并发，但是高并发系统的指标有哪些呢？ QPS，TPS可以表明系统的吞吐； TP90可以表明系统的响应时间； 吞吐量重要参数：QPS（TPS），并发数，响应时间 QPS（TPS）：每秒request/事务 数量 并发数：系统同时处理的request Collections.sort(times); return times.get(index); } 0.99 * 3 = 2.97 取整为3 第三个值为100ms 之后我们可以设置这个指标作为监控阈值
1.7K30发布于 2018-07-23 - 来自专栏知一杂谈
分布式系统常用指标
性能指标 吞度量 响应延迟 P95 P999 并发量 可用性指标 可提供的服务时间 / (可提供的服务时间 + 不可提供的服务时间) 请求成功次数 / 总请求次数 可扩展性指标 是否能实现水平扩展，通过增加服务器数量增加计算能力 存储系统中有两种扩展方式： Scale Out（也就是Scale horizontally）横向扩展，比如在原有系统中新增一台服务器。 一致性指标 实现多副本之间一致性的能力。不同的应用场景对于数据一致性指标要求不同，需要根据场景做具体的评估。
43410编辑于 2021-12-07 操作系统重点监控指标
IPMI 可用于监控硬件的物理参数，如系统温度、风扇速度、电源电压等，可以有效地利用 IPMI 监控硬件温度、功耗、启动或关闭服务器和系统，以及进行日志记录。 IPMI 的一个主要亮点是，它的功能独立于服务器的 CPU 和操作系统。因为固件是直接在服务器主板上运行的，所以不管安装的操作系统是什么，它都可以用于管理各种远程位置的服务器。 而和 CPU 采集相关的配置实际只有一个，就是 collect_per_cpu，它用于控制是否采集每个单核的指标。默认值是 false，表示不采集单核的指标，只采集整机的指标。 硬盘 IO 相关的指标，主要关注读写延迟，所谓的 IO.UTIL 这种指标基本不用太关注。 11、procstatrocstat 插件的配置文件在 input.procstat 目录，用于监控进程。进程监控主要是两个方面，一个是进程存活性，一个是进程占用的 CPU、内存、文件句柄等数据。
47110编辑于 2025-02-01- 来自专栏yeedomliu
《Prometheus监控实战》第11章 推送指标和Pushgateway
第11章 推送指标和Pushgateway 在某些情况下，没有可以从中抓取指标的目标。造成这种情况的原因有很多 安全性或连接性问题，使你无法访问目标资源。 Pushgateway位于发送指标的应用程序和Prometheus服务器之间。Pushgateway接收指标，然后作为目标被抓取，以将指标提供给Prometheus服务器 ? 默认情况下，网关将所有指标存储在内存中。这意味着如果网关停止或重新启动，那么你将丢失内存中所有指标。 这是每个作业都有的指标，指示最后一次推送发生的时间 11.1.6 删除Pushgateway中的指标 指标保存在网关中（假设未设置持久性），走到网关重启或者指标被删除。 我们可以使用Pushgateway API删除指标，这里再次使用curl作为示例 代码清单：删除Pushgateway所有指标 ? 代码清单：选择删除Pushgateway指标 ?
5.2K30发布于 2019-12-19 - 来自专栏图灵人工智能
11个重要的机器学习模型评估指标
你可以构建模型，从指标得到反馈，不断改进，直到达到理想的准确度。评估指标能体现模型的运转情况。评估指标的一个重要作用在于能够区分众多模型的结果。 在这个行业中，大家会考虑用不同类型的指标来评估模型。指标的选择完全取决于模型的类型和执行模型的计划。 模型构建完成后，这11个指标将帮助评估模型的准确性。 2.如果预测值或实际值很大：RMSE> RMSLE 3.如果预测值和实际值都很大：RMSE> RMSLE（RMSLE几乎可以忽略不计） 11. 除了这11个指标之外，还有另一种检验模型性能。这7种方法在数据科学中具有统计学意义。但是，随着机器学习的到来，我们现在拥有更强大的模型选择方法。没错！现在来谈论一下交叉验证。 编译组：余书敏、孙梦琪 相关链接： https://www.analyticsvidhya.com/blog/2019/08/11-important-model-evaluation-error-metrics
2.5K10编辑于 2022-09-01 基于yolov11的绵羊检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的绵羊检测系统介绍 基于YOLOv11的绵羊检测系统，利用Ultralytics YOLOv11这一尖端目标检测模型，实现了对绵羊的精准识别与定位。 该系统通过采集绵羊图像，利用YOLOv11模型进行实时分析，能够快速准确地识别图像中的绵羊，并标注其位置信息。 此外，系统还具备跨环境部署能力，可无缝运行于边缘设备、云平台等，满足不同应用场景的需求。 基于YOLOv11的绵羊检测系统，以其高效、精准的性能，为现代农业养殖管理提供了强有力的技术支持。 IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。 这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
24010编辑于 2025-07-17基于yolov11的牙齿检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的牙齿检测系统是一款集高效性与精准度于一体的智能口腔分析工具，支持对8类牙齿进行目标检测与分类，包括第一磨牙（1st Molar）、第一前磨牙（1st Premolar） 该系统采用YOLOv11深度学习框架，通过增强的特征提取模块和优化的颈部架构，实现了对复杂口腔影像的高精度识别，其模型在验证集上的mAP值超过95%。 通过深度卷积优化和通道注意力机制，系统有效降低了误检率，为口腔健康评估提供更可靠的量化依据。 IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。 这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
34610编辑于 2025-07-17基于yolov11的持刀检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的持刀检测系统 随着公共安全问题的日益突出，特别是在公共场所如机场、车站、学校等地，持刀等危险行为频发，对人们的生命财产安全构成严重威胁。 因此，开发一种高效、准确的持刀检测系统显得尤为重要。 基于YOLOv11的持刀检测系统应运而生。 该系统利用YOLOv11的先进算法，能够实时识别并定位视频中的持刀行为。 在系统的实现过程中，首先需要收集并标注包含持刀行为的视频数据集。 其次，YOLOv11的算法优化使得系统在保持高准确率的同时，降低了计算复杂度，提高了运行效率。此外，该系统还具有良好的鲁棒性，能够应对不同光照、角度和遮挡等条件下的检测任务。 总之，基于YOLOv11的持刀检测系统为公共安全提供了新的技术手段，有望在未来得到更广泛的应用和推广。
18300编辑于 2025-07-17基于yolov11的蛀牙检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的蛀牙检测系统是一款集成了先进深度学习技术的智能口腔健康工具。 该系统利用YOLOv11目标检测模型的强大能力，实现了对牙齿上多种状态的自动识别与分类，包括蛀牙（Decay Cavity）、早期蛀牙（Early Decay）和健康牙齿（Healthy Tooth）。 该系统通过加载相应的权重文件，可以自适应加载模型，并支持图片识别和视频识别两种模式。在识别过程中，系统能够自动识别结果。 此外，基于YOLOv11的蛀牙检测系统还具备高度的可扩展性和可定制性。 总的来说，基于YOLOv11的蛀牙检测系统是一款高效、准确、易用的智能口腔健康工具，它将为口腔医疗领域带来更加便捷和精准的蛀牙检测解决方案。 评估模型：训练完成后，在验证集上评估模型的性能，查看mAP（平均精确度均值）等指标。 11. 调整超参数：如果模型的表现不佳，可能需要调整超参数，比如增加训练轮次、改变学习率等，并重新训练模型。
32310编辑于 2025-07-17- 来自专栏腾讯移动品质中心TMQ的专栏
推荐系统相关效果评测指标总结
三、评测方案指标总结 对于不同的推荐系统评测方式，我们需要使用不同的指标对其进行衡量： 1、模型离线实验 离线实验目的旨在对算法进行评价，所以评价指标强相关与所使用的推荐算法，传统的评分预测问题通常使用均方根误差 有些推荐系统也会像推荐广告系统或是学习排序算法一样使用pCTR或者Precision-Recall曲线评估推荐效果的优劣，所以评测推荐算法的指标较为复杂。 准确性指标： 推荐的准确度是评价推荐算法最基本的指标，在推荐系统中常用的准确度指标分为4类：预测评分准确率、预测评分关联性、分类准确率以及排序准确率。 2、ABtest在线实验 ABtest在线试验目的为根据线上真实用户指标数据对不同的算法进行评测，那么ABtest系统的评测指标就是线上真实用户数据指标，例如DAU、CTR、PV、UV、阅读时长、评论量 . 【3】朱郁筱,吕琳媛.推荐系统评价指标综述[J].电子科技大学学报,2012.
9.7K31发布于 2018-12-25 - 来自专栏云云众生s
使用Thanos和Kubernetes构建指标系统
指标是任何分布式系统中可观测性的支柱，在 Kubernetes 环境中，Prometheus 通常是……的工具。 本文探讨了如何在 Kubernetes 上使用 Thanos 构建一个健壮、可扩展且有弹性的指标系统，涵盖从设置到最佳实践的方方面面。 Thanos 和 Kubernetes 指标系统到底是什么？ 使用 Thanos，您不仅仅是收集指标；您正在构建一个弹性系统，它允许您在分布式环境中存储和访问指标，而无需像以前那样独立管理多个 Prometheus 实例。 使用 Thanos 和 Kubernetes 构建的指标系统的组件 Thanos 不仅仅是一个工具——它是一套组件，它们协同工作以创建一个功能齐全的指标系统： Thanos Sidecar: 它与每个 当您有多个 Kubernetes 集群或区域并希望拥有统一的指标系统时，这尤其有用。
90910编辑于 2024-09-25 基于yolov11的齿轮缺陷检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的齿轮缺陷检测系统介绍 基于YOLOv11的齿轮缺陷检测系统，是针对齿轮制造与维护领域开发的高效自动化检测工具。 该系统依托YOLOv11目标检测算法，利用其增强的特征提取能力（如C3k2块与C2PSA模块）和优化的检测头设计，实现对齿轮表面缺陷的高精度识别，可精准定位“break（断裂）,lack（断齿）与scratch IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。 这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。 【使用步骤】 使用步骤： （1）首先根据官方框架ultralytics安装教程安装好yolov11环境，并安装好pyqt5 （2）切换到自己安装的yolo11环境后，并切换到源码目录，执行python
31610编辑于 2025-07-17基于yolov11的工地行为检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的工地行为检测系统是一种利用先进的目标检测技术和深度学习算法来监控和分析工地上人员行为的系统。 以下是对该系统的详细介绍： 一、YOLOv11算法概述 YOLOv11是YOLO（You Only Look Once）系列的最新版本，该系列模型以其高效的实时检测能力在目标检测领域占据重要地位。 二、工地行为检测系统架构 基于YOLOv11的工地行为检测系统通常由以下几个部分组成： 数据采集与预处理：系统首先通过摄像头等设备采集工地上的视频数据，并对这些数据进行预处理，如去噪、增强对比度等，以提高后续检测的准确性 三、系统特点与应用价值 高效实时：YOLOv11算法的高效性使得系统能够实时处理工地上的视频数据，及时发现潜在的安全隐患。 综上所述，基于YOLOv11的工地行为检测系统是一种高效、准确、易于部署与扩展的智能化监控系统，对于提升工地安全管理水平具有重要意义。
67800编辑于 2025-07-15基于yolov11的水下目标检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的水下目标检测系统是一种利用深度学习技术实现的高效系统，特别适用于识别水下环境中的多种目标。 在构建该系统时，首先需要准备一个包含各种水下生物图像的数据集，并对这些图像进行标注，包括生物的位置和类别信息。然后，使用这些数据对YOLOv11模型进行训练，使其学习到水下生物的特征。 训练完成后，系统就可以对输入的水下图像进行实时检测，并输出检测结果。 IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。 这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
48610编辑于 2025-07-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号