YOLOv3：訓練自己的資料（附優化與問題總結）

環境說明

系統：ubuntu16.04
顯示卡：Tesla k80 12G顯存
python環境: 2.7 && 3.6
前提條件：cuda9.0 cudnn7.0 opencv3.4.0
- 安裝cuda和cudnn教程
- 安裝opencv3.4.0教程

實作YOLOV3的demo

首先安裝darknet架構，官網連結
```
git clone https://github.com/pjreddie/darknet.git
cd darknet
vim  Makefile
           
```
- 根據情況修改Makefile,如果使用GPU、cudnn和opencv，就将其标志位改成1。
  
  YOLOv3：訓練自己的資料（附優化與問題總結）
- 編譯
```
make
           
```
- 編譯完成，測試一下
```
./darknet
           
```
  應該會出現以下資訊
```
usage: ./darknet <function>
           
```
  如果有使用opencv，則可以測試下檢測用例,會出現很多老鷹的圖檔說明darknet的安裝odk了
```
./darknet imtest data/eagle.jpg
           
```
使用yolov3預訓練模型檢測物體
- 首先擷取模型權重
```
wget https://pjreddie.com/media/files/yolov3.weights
           
```
- 然後運作目标檢測
```
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
           
```
  YOLOv3：訓練自己的資料（附優化與問題總結）
  
  這邊運作的時候很可能出現的一個問題就是，沒有出現bbox
  
  原因
  
  如果GPU = 1或CUDNN = 1，darknet将為每個層預先配置設定GPU虛拟記憶體，這取決于cfg檔案中的批量大小和子分區設定。
  
  對于訓練，批量大小表示将在疊代中對GPU執行多少圖檔，更大的值可以減少訓練時間，并且如果GPU在疊代中沒有足夠的記憶體，則子劃分可以将它們分組以防止存儲器大小限制問題。
  
  保持1檢測，因為這些設定主要用于訓練網絡。
  
  參考：
  
  https://github.com/pjreddie/darknet/issues/405
  
  解決方法：
  
  （1）檢測的時候令cudnn=0，
  
  （2）修改cfg檔案成batch=1，sub=1

指令簡介

先舉個例子

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

darknet ：一個可執行的程式，類似win下的exe

detector：是第一個參數，執行detector.c

test：detector.c裡面的一個函數test_detector()，用來測試圖檔

cfg/coco.data："cfg/"是訓練的配置檔案所在路徑，coco.data是.data配置檔案名

cfg/yolov3.cfg："cfg/"是訓練的配置檔案所在路徑，yolov3.cfg是.cfg配置檔案名

yolov3.weights：訓練好的模型，yolov3.weights在darknet根目錄

data/dog.jpg：“data/”是要測試圖檔所在路徑，dog.jpg是測試圖檔檔案名

測試
- 測試圖檔
  
  指令格式
```
./darknet detector test <data_cfg> <test_cfg> <weights> <image_file>（可選）
           
```
  如果沒有指定 <image_file> 就可以像這樣測試多張圖檔
  
  YOLOv3：訓練自己的資料（附優化與問題總結）
  
  <test_cfg>檔案中batch和subdivisions兩項須為1或者測試時不使用cudnn
  
  測試時還可以用-thresh調整置信度門檻值，例如隻顯示置信度在60%以上的 bbox
```
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg  -thresh .6
           
```
- 檢測視訊，需要用到demo函數（src/demo.c）
```
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights test.avi
           
```
- 在攝像頭上測試，需要用到demo函數
```
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
           
```

訓練模型

./darknet -i <gpu_id> detector train <data_cfg> <train_cfg> <weights>

單GPU訓練

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

更換GPU訓練

./darknet detector -i 2 train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

多GPU訓練

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3

CPU訓練

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 --nogpu

模型評估recall,生成測試結果
- 生成測試結果
```
./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
           
```
  （1）<test_cfg>檔案中batch和subdivisions兩項需為1。
  
  （2）測試結果生成在<data_cfg>的results指定的目錄下以<out_file>開頭的若幹檔案中，若<data_cfg>沒有指定results，那麼預設為darknet/results。
- 計算recall（需要修改detectocr.c請參考第五部分優化與個性化——計算map與recall）
```
/darknet detector recall <data_cfg> <test_cfg> <weights>
           
```
  （1）<test_cfg>檔案中batch和subdivisions兩項需為1
  
  （2）RPs/Img、IOU、Recall都是到目前測試圖檔的均值（意義待續）

訓練自己的資料

首先下載下傳預訓練卷積權重

wget https://pjreddie.com/media/files/darknet53.conv.74

其次标注資料集，生成yolo所需要的txt格式的labels
- 推薦使用yolo_mark資料集标注工具，可以直接生成txt
- 下載下傳yolo_mark
```
git clone https://github.com/AlexeyAB/Yolo_mark.git
           
```
- 要在Linux上編譯，輸入：
```
cd Yolo_mark
cmake .
make
chmod +x linux_mark.sh
./linux_mark.sh
           
```
- 打開yolo_mark就是GUI的标注了，主要是修改data和names，具體請參考官網
修改配置檔案
- 修改.data檔案
```
classes= 4 （修改成自己訓練的種類數）
train  = /home/user_name/darknet/data/train.txt   （修改成自己train.txt的路徑）
valid  = /home/user_name/darknet/data/2007_test.txt （評估測試的圖檔的路徑，用于後面的評估測試）
names = data/voc.names                                  （修改成自己的類别名的路徑）
backup = backup                                         （訓練的權重所存放的路徑）
results = results                            （評估測試結果存放路徑，也可以自己定義）
           
```
- 修改.names這個比較簡單，修改自己的類别就可以
  
  例如我的檔案是yolov3.names
YOLOv3：訓練自己的資料（附優化與問題總結）
- 修改.cfg檔案
- 關于cfg修改，以4類目标檢測為例，主要有以下幾處調整（藍色标出），#表示注釋，根據訓練和測試，自行修改，修改說明：
  
  A:filters的計算和聚類數目分布有關
  
  yolov3:filters=(classes + 5)x3
  
  yolov2: filters=(classes + 5)x5。
  
  B.classes就是類别數量
  
  C.如果想修改預設anchors數值，可以使用k-means；
  
  D.如果顯存夠大，則可以開啟多尺度訓練令random=1，不過loss會有點震蕩；
  
  給出一份我的cfg以供參考，傳送門
  [net]
  Testing
  
  batch=1
  
  subdivisions=1
  
  Training
  
  batch=64
  
  subdivisions=8
  
  ......
  
  [convolutional]
  
  size=1
  
  stride=1
  
  pad=1
  
  filters=27###75
  
  activation=linear
  
  [yolo]
  
  mask = 6,7,8
  
  anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  
  classes=4###20
  
  num=9
  
  jitter=.3
  
  ignore_thresh = .5
  
  truth_thresh = 1
  
  random=0###1
  
  mask = 3,4,5
  
  mask = 0,1,2
- 給一份标注好的資料集，有需要的可以參考目錄和格式.百度網盤戳我
  
  提取碼: j1zi
開始訓練
```
./darknet detector train cfg/yolov3.data cfg/yolov3.cfg  darknet53.conv.74
           
```
YOLOv3：訓練自己的資料（附優化與問題總結）

avg：平均loss，越小越好，

rate：學習率，預設為0.001，可以根據自己的訓練情況調整,一般為0.01，0.003，0.001等

訓練參數說明

Region xx: cfg檔案中yolo-layer的索引，82是大物體層，94是中物體層，106小物體層；

Avg IOU: 目前疊代中，預測的box與标注的box的平均交并比，越大越好，期望數值為1；

Class: 标注物體的分類準确率，越大越好，期望數值為1；

obj: 越大越好，期望數值為1；

No obj: 越小越好；

.5R: 以IOU=0.5為門檻值時候的recall; recall = 檢出的正樣本/實際的正樣本

0.75R: 以IOU=0.75為門檻值時候的recall;

count: 正樣本數目。

優化與個性化問題

這邊的更改之後都需要make clean後再make。如果改了之後發現沒變化，請第一時間看看是不是沒有執行這一步。

什麼時候儲存模型，又要如何更改呢？

疊代次數小于1000時，每100次儲存一次，大于1000時，每10000次儲存一次。

自己可以根據需求進行更改，然後重新編譯即可[ 先 make clean ,然後再 make]

代碼位置： examples/detector.c line 138

YOLOv3：訓練自己的資料（附優化與問題總結）

如何在圖像上添加置信度？

可以看github的修改記錄，也可以看下面的修改，修改傳送門

修改src/image.c檔案draw_detections()函數，代碼修改如下：

int i,j;
 
    for(i = 0; i < num; ++i){
        char labelstr[4096] = {0};
		char s1[]={"  "};//為了name與置信度之間加空格
        int class = -1;
	    char possible[5];//存放檢測的置信值
        for(j = 0; j < classes; ++j){
	    sprintf(possible,"%.2f",dets[i].prob[j]);//置信值截取小數點後兩位賦給possible
            if (dets[i].prob[j] > thresh){
                if (class < 0) {
                    strcat(labelstr, names[j]);
					strcat(labelstr,s1); //加空格
		            strcat(labelstr, possible);//标簽中加入置信值
                    class = j;
                } else {
                    strcat(labelstr, ", ");
                    strcat(labelstr, names[j]);
					strcat(labelstr,s1);//加空格
		            strcat(labelstr, possible);//标簽中加入置信值
                }
                printf("%s: %.0f%%\n", names[j], dets[i].prob[j]*100);
            }
        }

如何縮小标簽大小？

src/image.c的draw_detections()函數中，get_label函數調用的參數,修改成合适的大小

YOLOv3：訓練自己的資料（附優化與問題總結）
效果圖：

YOLOv3：訓練自己的資料（附優化與問題總結）
如何添加中文标簽？
- 首先制作中文标簽圖檔，
  
  在darknet/data/labels裡面有制作腳本make_labels.py。修改以下就可以用了
  
  例如我的是四類，我就修改成
```
# -*- coding: utf-8 -*-  

import os   
l=["行人","前部","側邊","後部"]
def make_labels(s): 
    i = 0 
    for word in l:   
        os.system("convert -fill black -background white -bordercolor white -border 4  -font /usr/share/fonts/truetype/arphic/ukai.ttc -pointsize %d label:\"%s\" \"cn_%d_%d.png\""%(s,word,i,s/12-1)) 
      i = i + 1 
for i in [12,24,36,48,60,72,84,96]:
    make_labels(i) 
           
```
  運作腳本
```
python make_labels.py
           
```
  就可以在labels裡面看到自己制作的圖檔标簽
  
  YOLOv3：訓練自己的資料（附優化與問題總結）
- 其次修改src/image.c的代碼
  
  具體請看github的修改，傳送門，修改完之後，make clean && make.
  
  測試以下，如圖，Bingo!!!
  
  YOLOv3：訓練自己的資料（附優化與問題總結）

如何批量檢測？

可以看我github的修改，也可以按照下面的修改。修改傳送門

首先在添加一個擷取圖檔名字的函數：

#include "darknet.h"
#include <opencv2/highgui/highgui.hpp>
static int coco_ids[]={1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};

char *GetFilename(char *p)
{ 
   static char name[20]={""};
   char *q = strrchr(p,'/') + 1;
   strncpy(name,q,10);//後面的10是你自己圖檔名的長度，可修改
   return name;

}

替換examples/detector.c 中的test_detector函數

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)
{
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    char **names = get_labels(name_list);
 
    image **alphabet = load_alphabet();
    network *net = load_network(cfgfile, weightfile, 0);
    set_batch_network(net, 1);
    srand(2222222);
    double time;
    char buff[256];
    char *input = buff;
    float nms=.45;
    int i=0;
    while(1){
        if(filename){
            strncpy(input, filename, 256);
            image im = load_image_color(input,0,0);
            image sized = letterbox_image(im, net->w, net->h);
            layer l = net->layers[net->n-1];
 
 
            float *X = sized.data;
            time=what_time_is_it_now();
            network_predict(net, X);
            printf("%s: Predicted in %f seconds.\n", input, what_time_is_it_now()-time);
            int nboxes = 0;
            detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
            if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
                draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
                free_detections(dets, nboxes);
            if(outfile)
             {
                save_image(im, outfile);
             }
            else{
                save_image(im, "predictions");
#ifdef OPENCV
                cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
                if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
                }
                show_image(im, "predictions",0);
                cvWaitKey(0);
                cvDestroyAllWindows();
#endif
            }
            free_image(im);
            free_image(sized);
            if (filename) break;
         } 
        else {
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) return;
            strtok(input, "\n");
   
            list *plist = get_paths(input);
            char **paths = (char **)list_to_array(plist);
             printf("Start Testing!\n");
            int m = plist->size;
            if(access("/home/lzm/data/test_folder/darknet/car_person/out",0)==-1)//"/homelzm/......"修改成自己要儲存圖檔的的路徑
            {
              if (mkdir("/home/lzm/data/test_folder/darknet/car_person/out",0777))//"/homelzm/......"修改成自己要儲存圖檔的的路徑
               {
                 printf("creat folder failed!!!");
               }
            }
            for(i = 0; i < m; ++i){
             char *path = paths[i];
             image im = load_image_color(path,0,0);
             image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
        layer l = net->layers[net->n-1];
 
 
        float *X = sized.data;
        time=what_time_is_it_now();
        network_predict(net, X);
        printf("Try Very Hard:");
        printf("%s: Predicted in %f seconds.\n", path, what_time_is_it_now()-time);
        int nboxes = 0;
        detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
        //printf("%d\n", nboxes);
        //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
        if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
        draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
        free_detections(dets, nboxes);
        if(outfile){
            save_image(im, outfile);
        }
        else{
             
             char b[2048];
            sprintf(b,"/home/lzm/data/test_folder/darknet/car_person/out/%s",GetFilename(path));//"/homelzm/......"修改成自己要儲存圖檔的的路徑
            
            save_image(im, b);
            printf("OJBK!\n",GetFilename(path));
#ifdef OPENCV
            cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            show_image(im, "predictions",0);
            cvWaitKey(0);
            cvDestroyAllWindows();
#endif
        }
 
        free_image(im);
        free_image(sized);
        if (filename) break;
        }
      }
    }
}

make clean後再make然後批量測試即可，輸入的路徑為那些圖檔路徑的txt。

如何輸入檢測結果文本，計算recall，map計算
- ```
./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
           
```
  <test_cfg>檔案中batch和subdivisions兩項必須為1。
  
  結果生成在<data_cfg>的results指定的目錄下以<out_file>開頭的若幹檔案中，若<data_cfg>沒有指定results，那麼預設為<darknet_root>/results。
  
  如果出現以下問題，則說明在.data檔案裡面沒有指定valid的路徑，添加即可
```
Couldn't open file: data/train.list
           
```
  YOLOv3：訓練自己的資料（附優化與問題總結）
- 計算recall
  
  修改examples/detector.c的validate_detector_recall函數，修改傳送門
  
  首先将validate_detector_recall函數定義和調用修改成
```
void validate_detector_recall(char *datacfg, char *cfgfile, char *weightfile)
validate_detector_recall(datacfg, cfg, weights);
           
```
```
list *plist = get_paths("data/coco_val_5k.list");
char **paths = (char **)list_to_array(plist);
    修改成
list *options = read_data_cfg(datacfg);
char *valid_images = option_find_str(options, "valid", "data/train.list");
list *plist = get_paths(valid_images);
char **paths = (char **)list_to_array(plist);
           
```
  修改完老規矩，make clean後再make
```
./darknet detector recall <data_cfg>  <test_cfg>  <weights>
           
```
  YOLOv3：訓練自己的資料（附優化與問題總結）
- 計算map
  - 先制作xml檔案，由于yolo需要的是txt标注，是以之前沒有制作xml的。現在利用一個腳本txt2xml.py進行轉換，txt2xml.py傳送門。
    
    在python3的環境下運作，就可以得到xml檔案
  - 計算mAP
    
    借助py-faster-rcnn下的voc_eval.py計算，voc_eval.py傳送門
    
    然後建立一個all_map.py（顧名思義是計算所有類的ap，平均一下就是map）的計算腳本，這邊提供一個例子，根據注釋修改即可。all_map.py傳送門
    
    python2 all_map.py即可看到ap
    
    若不想讓他輸出這麼多rec什麼，可以修改voc.eval.py的傳回值隻傳回ap既可
    
    若要輸出結果就直接在指令後面加一個 > ap_res.txt 即可
    
    若有需求重複計算map，需要删除生成的annots.pkl
    
    YOLOv3：訓練自己的資料（附優化與問題總結）

背景運作并儲存訓練日志

nohup 執行指令 > 輸出檔案 2>&1 &

例如

nohup ./darknet detector train head_detector/head.data head_detector/head.cfg head_detector/backup/head.backup -gpus 0,1 > train.log 2>&1 &

Loss和IOU可視化

用上面生成的train.log來可視化，代碼在github，可以根據注釋修改，安裝pandas等相關子產品即可

代碼傳送門

我的訓練初步效果

YOLOv3：訓練自己的資料（附優化與問題總結）

YOLOv3：訓練自己的資料（附優化與問題總結）
使用python接口進行批量檢測并儲存測試結果和分割圖檔

隻需要将python接口中的檔案路徑替換成自己的，具體看github代碼注釋，代碼傳送門
```
python darknet.py
           
```
測試結果目錄樹類似以下。若出現子產品報錯等，則安裝相應子產品即可。

YOLOv3：訓練自己的資料（附優化與問題總結）

可能出現的問題

出現大量的-nan

有三個可能
1. 可能cfg檔案的batch=1，subdivisions=1
2. 可能batch太小了
3. 訓練的圖檔中沒有遍布大中小三個層
解決方案
1. 修改成Training狀态的參數batch=64, subdicisions=16
YOLOv3：訓練自己的資料（附優化與問題總結）
1. 在顯存允許的情況下，增加batch
2. 第三種情況屬于正常，因為YOLOv3從三個scale上提取了特征，且不同尺度選取了不同尺度的的檢測框，比如你在訓練小目标，那麼region82和region94出現nan就正常。
CUDA: out of memory
```
darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.
           
```
YOLOv3：訓練自己的資料（附優化與問題總結）

原因：顯存不夠

解決方案：關閉random，如果還是不行，可以适當調小batch（32或者16）
訓練了很多次itertation，但是還是什麼都沒有檢測出來？
1. 檢測的時候需要batch和sub不是1 ；
2. 如果調低thresh後還沒有出現bbox，那麼就是訓練的時候可能batch和sub都是1，這樣訓練的模型幾乎不能用
1. 測試的時候.cfg檔案中令 (batch=1,subdivisions=1)；
2. 訓練的時候将.cfg檔案修改成（batch=64, subdicisions=16)
cfg修改問題？
```
darknet: ./src/parser.c:348: parse_region: Assertion `l.outputs == params.inputs' failed
           
```
原因：filters修改錯誤，沒有對上classes；

解決方案：修改filters

YOLOv2: filters =（classes+5）x5

YOLOv3: filters =（classes+5）x3
can't open file :train.txt or can't load image ？
```
Couldn't open file:/home/lzm/test_folder/darknet/car_person/labels/jam6_0116.txt
           
```
YOLOv3：訓練自己的資料（附優化與問題總結）

原因：一般來說是train.txt的檔案格式問題；

解決方案：把train.txt的換行格式修改成unix換行格式，另外圖檔路徑要正确，參考博文
Segmentation fault (core dumped)，訓練幾百次intertation後分段錯誤
1. 開了尺度訓練即cfg中random=1，顯存不足;
2. 标注的box裡面出現x,y=0的情況;
1. 關閉尺度訓練，random=0;
2. 修改坐标讓x,y>0; 參考issue
detector recall的時候出現大量nan

YOLOv3：訓練自己的資料（附優化與問題總結）
原因：detector.c代碼中的bug，k的最大值必須由nbox确定，而不是

YOLOv3：訓練自己的資料（附優化與問題總結）
解決方案：修改examples/detector.c的代碼，修改參考
為了批量檢測圖檔，修改detector.c後，編譯出現問題
```
error: too few arguments to function ‘show_image’
show_image(im, "predictions");
           
```
YOLOv3：訓練自己的資料（附優化與問題總結）

原因：show_image函數少了一個參數，有些代碼是比較舊的。

解決方案：修改報錯的那一行
```
show_image(im, "predictions");
改成
show_image(im, "predictions"，0);
           
```

error: ‘CV_WINDOW_NORMAL’ undeclared (first use in this function)
cvNamedWindow("predictions", CV_WINDOW_NORMAL);

原因：原因連結，darknet.h還少了opencv的一個頭檔案，#include <opencv2/highgui/highgui.hpp>

解決方案：在報錯的程式中加上即可

#include "darknet.h"
#include <opencv2/highgui/highgui.hpp>

使用txt2xml.py生成xml時候的問題

問題issue

'encoding' is an invalid keyword argument for this function

原因：在Python 2中，open（）函數不帶編碼參數（第三個參數是緩沖選項）

解決方法：有兩種

import io

open改成 io.open
使用python3

References

https://pjreddie.com/darknet/
https://blog.csdn.net/Pattorio/article/details/80051988
https://blog.csdn.net/lilai619/article/details/79695109
https://blog.csdn.net/mieleizhi0522/article/details/79989754
https://blog.csdn.net/cgt19910923/article/details/80524173
https://github.com/AlexeyAB/darknet/blob/master/README.md

YOLOv3：訓練自己的資料（附優化與問題總結）

YOLOv3：訓練自己的資料（附優化與問題總結）

環境說明

實作YOLOV3的demo

指令簡介

訓練自己的資料

Testing

batch=1

subdivisions=1

Training

優化與個性化問題

可能出現的問題

References

繼續閱讀

在 Ubuntu 中，将目錄下的所有檔案的換行符轉化為Linux格式

sudo apt-get update 出錯 Updating from such a repository can‘t be done securely, and is therefore

解決方案-sudo apt-get update 出錯

Ubuntu apt-get 換源

apt-get update 出現錯誤

關于sudo apt-get update 更新軟體源的選擇

ubuntu hadoop2.6.1，terminal下運作wordcount

Ubuntu16.04下使用Dr.COM 校園網用戶端聯網的詳細流程（下載下傳playonlinunx軟體）

linux下的完美網銀們（google chrome, ubuntu10.04）

Ubunto 安裝Apache2以後 httpd.conf檔案找不到問題

伺服器配置——Apache

ubuntu 16.04 源碼安裝httpd和php

Ubuntu16.04安裝Apache+MySQL+PHP1. 安裝Apache2. 安裝MySQL3. 安裝PHP4. 安裝phpMyAdmin

Ubuntu14.04 LTS下安裝mongodb

禁止ubuntu系統彈出報錯界面

JBoss,Geronimo和Glassfish初窺