- 综合排序
- 最热优先
- 最新优先
- 来自专栏时悦的学习笔记
MySQL MHA部署 Part 5 MHA部署指南
5.
1K11发布于 2020-08-19 - 来自专栏devops探索
redis5 cluster 部署
192.168.152.130 ----- 7004 192.168.152.130 ----- 7005 192.168.152.131 ----- 7002 192.168.152.132 ----- 7003 部署 192.168.152.130:7004 slots:[10923-16383] (5461 slots) master 1 additional replica(s) S: e1686d5ce576e9446211fb9ae82999f4e98a8ad5 192.168.152.130:7004@17004 master - 0 1554433711000 5 connected 10923-16383 e1686d5ce576e9446211fb9ae82999f4e98a8ad5 192.168.152.129:7001@17001 slave d4e934df845735259d5d47204452df3d9089ee0c 0 1554433711531 5 connected 192.168.152.130:7004 slots:[10923-16383] (5461 slots) master 1 additional replica(s) S: e1686d5ce576e9446211fb9ae82999f4e98a8ad5
1.9K10发布于 2020-07-31 - 来自专栏生信情报站
宝塔中部署 ThinkPHP5（tp5）
s=$1 last; break; } } 测试： 其他检测项： thinkPHP 版本 > 5 PHP 版本 5.4 ThinkPHP route.php 规则是否添加 ThinkPHP config.php
1.7K20发布于 2021-01-13 - 来自专栏电光石火
RocketMQ5部署
Local模式部署 由于 Local 模式下 Proxy 和 Broker 是同进程部署，Proxy本身无状态，因此主要的集群配置仍然以 Broker 为基础进行即可。 rocketmqlogs/broker_default.log The broker[xxx, 192.169.1.2:10911] boot success 多组节点（集群）单副本模式 一个集群内全部部署 Master 角色，不部署Slave 副本，例如2个Master或者3个Master，这种模式的优缺点如下： 优点：配置简单，单个Master宕机或重启维护对应用无影响，在磁盘配置为RAID10时，即使机器宕机不可恢复情况下
79620编辑于 2023-10-16 基于winform部署PP-OCRv5的推理模型paddleocrv5模型部署
编译并运行（F5）。 若需在 Release 下运行，可将 Debug 文件夹内所有文件复制到 Release 文件夹。 操作步骤 启动程序后，点击"选择图片"按钮，选择待识别的图片文件。
59400编辑于 2025-07-22winform部署yolov5-onnx模型
【官方框架地址】 https://github.com/ultralytics/yolov5 【算法介绍】 Yolov5，全称为You Only Look Once version 5，是计算机视觉领域目标检测算法的一个里程碑式模型 相较于传统的目标检测算法，Yolov5具有更高的检测精度和更快的运行速度。 在实际应用中，Yolov5表现出了优秀的性能。在COCO、PASCAL VOC等目标检测数据集上，Yolov5取得了领先于其他算法的准确率。 此外，由于Yolov5的简洁高效特点，该模型在移动设备、嵌入式系统等领域也有着广泛的应用前景。 总的来说，Yolov5是计算机视觉领域目标检测算法的一个重要进展。 6.0和yolov5-7.0测试通过，<6.0不支持
53910编辑于 2025-07-17- 来自专栏千里行走
docker-5：部署镜像仓库registry
目录： (1).部署自己的镜像仓库registry (2).registry的使用 (1).部署自己的镜像仓库registry 镜像仓库Registry在github上有两份代码：老代码库和新代码库。
2.2K31编辑于 2022-04-06 - 来自专栏雪胖纸的玩蛇日常
部署（5.安装配置uwsgi）
至此，后端项目部署成功！
85820发布于 2020-02-14 - 来自专栏话梅糖のAndroid学习
Hadoop集群部署教程-P5
Hadoop集群部署教程-P5 Hadoop集群部署教程（续） 第十七章：安全增强配置 17.1 认证与授权 Kerberos认证集成： # 生成keytab文件 kadmin -q "addprinc
27200编辑于 2025-04-17 - 来自专栏云云众生s
5种部署策略的优缺点
译自 5 Deployment Strategies: The Pros and Cons，作者 Steve Fenton。 这意味着用户在部署期间无法使用该应用程序。 由于此策略最易于实施，因此它通常是应用程序的默认部署策略。减少重新创建部署停机时间的唯一机制是尽可能快地进行部署操作。 部署前：版本 1 正在运行并接受所有流量。 部署期间：版本 1 已停止，并且在部署新版本时不接受流量。 部署后：版本 2 正在运行并接受所有流量。 滚动部署 使用滚动部署，每个应用程序实例都会被新版本替换，直到所有实例都运行应用程序的新版本。这允许进行零停机部署，而无需与蓝/绿部署相同的资源要求。 部署前：所有实例都具有应用程序的版本 1。 部署期间：一次一个，每个实例都会停止并替换为新应用程序版本的一个实例。 部署后：所有实例都具有应用程序的版本 2。 滚动部署的优点 滚动部署所需的资源少于蓝/绿部署，但仍提供零停机部署。
72410编辑于 2024-06-16 YOLOV5之TensorRT模型部署
在AI技术从实验室走向产业化的过程中，YOLOv5与TensorRT的组合因其高性能推理能力成为计算机视觉领域的黄金搭档。 精度与速度的动态权衡YOLOv5通过模型剪枝、量化等优化手段，可在TensorRT加速下实现FPS（每秒帧率）与mAP（平均精度）的动态调节。 ：YOLOv5n+TensorRT+边缘计算盒子关键：优化模型对货架商品的识别能力，支持离线运行与定期数据同步效果：单店部署成本<$500，数据更新周期缩短至15分钟四、三角平衡的决策框架1. ）：采用YOLOv5s+TensorRT+Jetson Xavier，平衡成本与性能低实时-高精度（如医疗影像）：使用YOLOv5l+FP32精度+云服务，确保诊断准确性2. YOLOv5-TensorRT的部署决策，正是这种系统能力的最佳试金石。
57010编辑于 2025-11-04windows上基于C++部署PP-OCRv5模型paddleocrv5模型部署GPU版本
PaddleOCRv5 C++ 推理项目使用教程 1. 项目简介 本项目基于PaddleOCR v5，使用Paddle Inference和OpenCV实现中英文文本检测与识别，支持方向分类，适合在Windows平台下进行二次开发和部署。 2. 模型准备 将以下模型文件夹放入model/目录下： PP-OCRv5_mobile_det：文本检测模型 PP-OCRv5_mobile_rec：文本识别模型 ch_ppocr_mobile_v2.0_ cls_infer：方向分类模型 ppocr_keys.txt：字典文件 5. 若提示DLL缺失，请确保build/Release/下有paddle_inference.dll、common.dll、mkldnn.dll、libiomp5md.dll、mklml.dll等。
1.8K10编辑于 2025-07-22基于C#winform使用openvino部署PP-OCRv5的onnx模型paddleocrv5模型部署
PP-OCRv5 OpenVINO部署教程 本教程将指导您如何使用OpenVINO在C# WinForm项目中部署PP-OCRv5模型。 ： 检测模型：PP-OCRv5_mobile_det_onnx.onnx 分类模型：PP-OCRv5_mobile_cls_onnx.onnx 识别模型：PP-OCRv5_mobile_rec_onnx.onnx 字典文件：ppocrv5_dict.txt 在项目根目录创建weights文件夹，将上述文件放入其中。 项目结构说明 项目根目录/ ├── weights/ │ ├── PP-OCRv5_mobile_det_onnx.onnx │ ├── PP-OCRv5_mobile_cls_onnx.onnx │ ├── PP-OCRv5_mobile_rec_onnx.onnx │ └── ppocrv5_dict.txt ├── Form1.cs ├── Form1.Designer.cs └─
1.7K10编辑于 2025-07-22- 来自专栏DeepHub IMBA
使用FastAPI部署Ultralytics YOLOv5模型
所以在本文中，我们将介绍如何使用FastAPI的集成YOLOv5，这样我们可以将YOLOv5做为API对外提供服务。 Python有几个web框架，其中最突出的两个是Flask和FastAPI。 ，第二是因为我们主要介绍部署的步骤。 ):这是yolov5可以使用定制模型的地方。 /yolov5 '， ' custom '， path= ' ./model/best.pt '， source= ' local '):它从本地目录加载自定义yolov5模型。' 这样我们的程序就完成了 总结 这里我们看到了yolov5模型的部署的完整过程，并且这个过程是可以应用到生产环境的。但是这里我们发现了一个新的命令 'uvicorn'.
1.5K31编辑于 2023-10-31 - 来自专栏散尽浮华
ubuntu下nginx+php5的部署
ubuntu下nginx+php5环境的部署和centos系统下的部署稍有不同，废话不多说，以下为操作记录： 1）nginx安装 root@ubuntutest01-KVM:~# sudo apt-get 安装php-fpm root@ubuntutest01-KVM:~# apt-get install php5-fpm php5-gd php5-cli php5-curl php5-mcrypt php5 -mysql php5-readline 启动php-fpm root@ubuntutest01-KVM:~# service php5-fpm start root@ubuntutest01-KVM: ~# ps -ef|grep php5-fpm root@ubuntutest01-KVM:~# lsof -i:9000 但是发现php5-fpm启动后，9000端口却没有起来！ > 修改php-fpm文件（确保/etc/php5/fpm/php-fpm.conf文件中打开了include=/etc/php5/fpm/pool.d/*.conf） root@ubuntutest01
1.1K50发布于 2018-01-23 - 来自专栏云计算D1net
部署混合云环境的5大挑战
云计算专家一直以来对公有云与私有云与内部部署数据中心之间孰好孰坏有着很多的争论，但这一结果已经通过市场的发展得出了结论。 从长远来看，获胜者是混合云。 企业需要考虑解决面临的5个问题： 01 迁移 将负载从数据中心或公有云转移到混合云时，对于大多数企业来说，第一步或试点阶段最困难。其主要的要求是关键任务应用程序应该继续无缝运行而不会中断。 如果从内部部署数据中心或私有云迁移，则可以合理地进行这种转变。然而，为了运行公有云生态系统而增加复杂性很难证明其有效。其遇到的问题包括： 容量利用率低于或高于预期。 寻找自助服务分析和监视工具，这些工具可让企业管理部署并降低利用率和成本。 03 安全性 确保混合云的安全性是计算本身更繁琐、更敏感且更容易出错的过程之一。 如果企业的工作场所允许自带设备(BYOD)或远程工作，并且员工从多个远程位置登录到内部部署数据中心，则连接到网络的每台设备都会加剧这种威胁。
1.2K10发布于 2021-06-01 yolov5-7.0部署ROS
在代码层面，可以编写一个ROS节点来实现YOLOv5的部署。节点可以订阅图像话题，接收来自机器人摄像头的图像数据，并将其传递给YOLOv5模型进行目标检测。 还可以对YOLOv5模型进行量化或剪枝等优化操作，以减少模型的计算和存储需求。 最后，在测试和部署之前，需要对部署的系统进行验证和调试。 总而言之，通过使用ROS和Python，可以方便地将YOLOv5目标检测算法部署到机器人系统中。 测试环境： 虚拟机环境ubuntu18.04 python3.6.9 yolov5部署ROS详细视频参看： yolov5-7.0部署在ros机器人操作系统视频演示_哔哩哔哩_bilibili这个是使用最新版本 用opencv和onnxruntime去部署yolov5-7-8，yolov5+bytetrack+pyqt5实现目标追踪 https://www.bilibili.com/video/BV1ZG411d7c3
48110编辑于 2025-07-17- 来自专栏YOLO大作战
Yolov5 + Opencv DNN + C++部署
漫谈C++ 摘要：深度学习模型如何在C++下进行调用， 本文详细阐述了YOLOv5在C++ & Opencv下进行调用 1.Opencv介绍 OpenCV由各种不同组件组成。 face detector TensorFlow：SSD、Faster-RCNN、Mask-RCNN、EAST Darknet：YOLOv2、Tiny YOLO、YOLOv3、YOLOV4、YOLOV5、 Caffe） 图像处理网络：Colorization（Caffe）、Fast-Neural-Style（Torch） 人脸识别网络：openface（Torch） 2.Opencv DNN YOLOv5导入 参考：GitHub - doleron/yolov5-opencv-cpp-python: Example of using ultralytics YOLO V5 with OpenCV 4.5.4 YOLOv5 in PyTorch > ONNX > CoreML > TFLite进行模型转换 python export.py --weights weights\yolov5s.pt --include
3.1K11编辑于 2023-11-30 - 来自专栏IT云清
Docker---(5)Docker 部署SpringBoot web项目
:/usr/local/tomcat# cd webapps/ root@91ebdd8d5c65:/usr/local/tomcat/webapps# ls ROOT docs examples host-manager manager tweb tweb.war root@91ebdd8d5c65:/usr/local/tomcat/webapps# rm tweb.war root@91ebdd8d5c65:/usr/local/tomcat/webapps# rm -rf tweb root@91ebdd8d5c65:/usr/local/tomcat/webapps :/usr/local/tomcat# cd webapps/ root@91ebdd8d5c65:/usr/local/tomcat/webapps# ls ROOT docs examples host-manager manager tweb tweb.war root@91ebdd8d5c65:/usr/local/tomcat/webapps# exit exit
1.1K20发布于 2019-01-22 - 来自专栏GiantPandaCV
基于Caffe格式部署YOLOV5模型
【GiantPandaCV导语】本文为大家介绍了一个caffe部署yolov5 模型的教程，并开源了全部代码。 部署简介 如果说目标检测落地最广的是哪个算法，yolo系列肯定有一席之地，本文为大家介绍yolov5s 4.0模型如何转换为caffe模型并推理，据我所知，华为海思NNIE只支持caffe模型的转换，所以 yolov5模型要想在海思芯片上部署，转换为caffe模型是有必要的（在我的1070显卡上，yolov5s 4.0 的模型inference做到了11ms一帧！） /tools/caffe_yolov5s 输出平均推理时间，以及保存预测图片到当前目录下，至此，部署完成！ 华为海思NNIE部署拙见 如果有小伙伴，想把caffe模型部署到海思芯片，建议把yolov5的focus层替换为conv层（stride为2），upsample层替换为deconv层，如下图所示修改：
2.7K10发布于 2021-03-10
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