Jenkins实践文档-管理Jenkins（项目、视图、插件）

DevOps云学堂

发布于 2019-10-18 11:13:02

1.1K0

文章被收录于专栏：DevOps持续集成DevOps持续集成

第三章管理Jenkins（项目、视图、插件）

1. 项目管理

1.1 命名规范

业务名称-应用名称-应用类型_环境类型： cxy-wlck-ui_TEST, 只有命名规范才方便管理项目。

1.2 新建项目

设置构建历史

选择参数化构建

设置构建触发器

设置Jenkinsfile

构建项目

查看构建日志

调试Pipeline

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2019-04-09，如有侵权请联系 cloudcommunity@tencent.com 删除

jenkins

本文分享自 DevOps持续集成微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

jenkins

登录后参与评论

暂无评论

编辑精选文章

换一批

万字详解高可用架构设计

2242

Go 开发者必备：Protocol Buffers 入门指南

1285

10分钟带你彻底搞懂分布式链路跟踪

809

读论文系列：Object Detection NIPS2015 Faster RCNN

其他

转载请注明作者：梦里茶 Faster RCNN在Fast RCNN上更进一步，将Region Proposal也用神经网络来做，如果说Fast RCNN的最大贡献是ROI pooling layer和Multi task，那么RPN（Region Proposal Networks）就是Faster RCNN的最大亮点了。使用RPN产生的proposals比selective search要少很多（300vs2000）,因此也一定程度上减少了后面detection的计算量。 Introduction Fa

梦里茶

2018/03/30

6570

R-FCN、Mask RCNN、YoLo、SSD、FPN、RetinaNet…你都掌握了吗？一文总结目标识别必备经典模型（二）

函数框架连接模型网络

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 17 个在目标检测任务上曾取得 SOTA 的经典模型。第 1 期：R-CNN、SPP-Net、Fast R-CNN、Faster R-C

机器之心

2023/03/29

1.3K0

R-FCN、Mask RCNN、YoLo、SSD、FPN、RetinaNet…你都掌握了吗？一文总结目标识别必备经典模型（二）

SSD原理解读-从入门到精通「建议收藏」

存储人脸识别图像识别机器学习神经网络

当初写这篇博客的初衷只是记录自己学习SSD的一些心得体会，纯属学习笔记，后来由于工作上的需要，需要对小伙伴进行目标检测方面的培训，后来就基于这篇博客进行了扩展，逐渐演变成了现在的样子，本文力求从一个初学者的角度去讲述目标检测和SSD(但是需要你具备CNN的基础),尽量使用通俗的语言并结合图表的方式让更多初学者更容易理解SSD这个算法，但是一个人的时间精力有限，不可能深入理解SSD的每一个细节，加上表达能力也有限，自己理解了的东西不一定在文中能够说明白，文中有什么不妥的地方，欢迎大家批评指正，也欢迎留言一起交流讨论。

全栈程序员站长

2022/09/02

7290

SSD: Single Shot MultiBox Detector

存储图像识别机器学习神经网络深度学习

本文提出了一个使用单一深度神经网络对图像中的目标进行检测的方法。本文的方法称为SSD，根据每个feature map位置不同的宽高比和尺度，将Bounding Box的输出离散为Bounding Box先验的集合。在预测时，网络产生置信度，认为每个先验对应感兴趣的目标，并对先验进行调整，以便更好地匹配目标的形状。此外，该网络结合了来自具有不同分辨率的多个特征图的预测，以自然地处理不同大小的目标。SSD模型相对于需要目标建议的方法(如R-CNN和MultiBox)是简单的，因为它完全抛弃了生成建议的步骤，并将所有计算封装在一个网络中。这使得SSD易于训练，并且易于集成到需要检测组件的系统中。在ILSVRC DET和PASCAL VOC数据集上的实验结果证实，SSD的性能与使用目标建议步骤的方法相当，但速度要快100-1000倍。与其他单阶段方法相比，SSD具有相似或更好的性能，为训练和推理提供了统一的框架。

狼啸风云

2019/08/18

2.2K0

SSD: Single Shot MultiBox Detector 深度学习笔记之SSD物体检测模型

深度学习编程算法 asp

算法概述本文提出的SSD算法是一种直接预测目标类别和bounding box的多目标检测算法。与faster rcnn相比，该算法没有生成 proposal 的过程，这就极大提高了检测速度。针对不同大小的目标检测，传统的做法是先将图像转换成不同大小（图像金字塔），然后分别检测，最后将结果综合起来（NMS）。而SSD算法则利用不同卷积层的 feature map 进行综合也能达到同样的效果。算法的主网络结构是VGG16，将最后两个全连接层改成卷积层，并随后增加了4个卷积层来构造网络结构。对其中5种不

AI研习社

2018/03/19

1.7K0

读论文系列：Object Detection CVPR2016 YOLO

深度学习

CVPR2016： You Only Look Once:Unified, Real-Time Object Detection 转载请注明作者：梦里茶 YOLO，You Only Look Once

梦里茶

2018/04/17

1K0

从编程实现角度学习 Faster R-CNN（附极简实现）

深度学习

Faster R-CNN 的极简实现： github: simple-faster-rcnn-pytorch（http://t.cn/RHCDoPv ）本文插图地址（含五幅高清矢量图）：draw.io（http://t.cn/RQzroe3 ） 1 概述在目标检测领域, Faster R-CNN 表现出了极强的生命力, 虽然是 2015 年的论文（https://arxiv.org/abs/1506.01497），但它至今仍是许多目标检测算法的基础，这在日新月异的深度学习领域十分难得。Faster

AI研习社

2018/03/16

2.6K0

Object Detection系列（四） Faster R-CNN

机器学习数据库大数据深度学习

本文介绍了Faster R-CNN目标检测算法及其实现，重点讲解了Faster R-CNN的算法原理和具体实现。

chaibubble

2018/01/08

9930

最全综述 | 图像目标检测

人工智能

图片分类任务我们已经熟悉了，就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题，即目标检测问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用边框或红色方框把汽车圈起来，这就是目标检测问题。其中“定位”的意思是判断汽车在图片中的具体位置。

AI算法与图像处理

2019/07/11

1.4K0

MMDetection学习系列（2）——SSD深度探索与实战指南

人工智能 object-detection 计算机视觉深度学习

目标检测是计算机视觉领域的一个重要任务，它旨在从图像中识别出感兴趣的目标，并确定它们的位置和大小。在众多目标检测算法中，SSD（Single Shot MultiBox Detector）以其高效和精确的性能，受到了广泛关注。本文将带你走进SSD目标检测算法，一起探索它的工作原理和实践应用。

CoovallyAIHub

2025/01/15

2090

目标检测算法之SSD

存储图像识别编程算法机器学习神经网络

昨天介绍了特征金字塔网络用于目标检测，提升了多尺度目标检测的鲁棒性，今天开始讲讲One-Stage目标检测算法中SSD算法。这个算法是我平时做工程中最常用到的，严格来说平时最常用的是Mobilenet做Backbone的SSD算法，因为要考虑到实际部署的时候的速度要求，不过原理都一样。

BBuf

2019/12/09

1.7K0

【深度学习】深度图像检测算法总结与对比

机器学习 .net 深度学习人工智能图像识别

一. R-CNN：Rich feature hierarchies for accurate object detection and semantic segmentation

黄博的机器学习圈子

2023/01/10

1.2K0

读论文系列：Object Detection ICCV2015 Fast RCNN

机器学习神经网络深度学习人工智能

Fast RCNN是对RCNN的性能优化版本，在VGG16上，Fast R-CNN训练速度是RCNN的9倍, 测试速度是RCNN213倍；训练速度是SPP-net的3倍，测试速度是SPP-net的3倍，并且达到了更高的准确率，本文为您解读Fast RCNN。 Overview Fast rcnn直接从单张图的feature map中提取RoI对应的feature map，用卷积神经网络做分类，做bounding box regressor，不需要额外磁盘空间，避免重复计算，速度更快，准确率也更高。 Rela

梦里茶

2018/03/30

7950

深度学习500问——Chapter08：目标检测（4）

深度学习对象函数算法网络

我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析Focal loss和RetinaNet，看看它们是如何解决训练过程中的类别不平衡问题的。

JOYCE_Leo16

2024/05/04

3470

目标检测（Object Detection）

人脸识别图像识别机器学习神经网络深度学习

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。

全栈程序员站长

2022/09/14

7.9K0

faster-rcnn原理介绍

卷积神经网络图像识别神经网络机器学习深度学习

本博客大部分参考http://blog.csdn.net/zy1034092330/article/details/62044941，其中夹杂着自己看论文的理解

全栈程序员站长

2022/11/09

5320

目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）

机器学习深度学习人工智能 https

目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）

Minerva

2020/05/25

1.3K0

深入浅出理解Faster R-CNN

机器学习神经网络深度学习人工智能

。这个方法显然存在一些问题，比如当物体是不同大小有不同的宽高比，那训练一个效果很好的检测模型将会是非常复杂的（复杂的原因有两个，一个是如果整个图片很大，那么预测出的边界框坐标的绝对值变化很大，不容易拟合；第二个原因则是框的大小长宽都在变化，加大了我们的拟合难度）。另一个问题则是会存在一些无效的预测，比如当预测

CristianoC

2020/06/02

6420

fasterrcnn详解_faster RCNN

线性回归机器学习神经网络深度学习人工智能

paper：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Tensorflow-faster r-cnn github:Tensorflow Faster RCNN for Object Detection

全栈程序员站长

2022/11/10

1K0

SSD源码解析

https github tensorflow

- SSD理论总结（SSD: Single Shot MultiBox Detector）

机器学习算法工程师

2018/07/27

3.6K0