YOLOv3：训练自己的数据（附优化与问题总结）

环境说明

系统：ubuntu16.04
显卡：Tesla k80 12G显存
python环境: 2.7 && 3.6
前提条件：cuda9.0 cudnn7.0 opencv3.4.0
- 安装cuda和cudnn教程
- 安装opencv3.4.0教程

实现YOLOV3的demo

首先安装darknet框架，官网链接
```
git clone https://github.com/pjreddie/darknet.git
cd darknet
vim  Makefile
           
```
- 根据情况修改Makefile,如果使用GPU、cudnn和opencv，就将其标志位改成1。
  
  YOLOv3：训练自己的数据（附优化与问题总结）
- 编译
```
make
           
```
- 编译完成，测试一下
```
./darknet
           
```
  应该会出现以下信息
```
usage: ./darknet <function>
           
```
  如果有使用opencv，则可以测试下检测用例,会出现很多老鹰的图片说明darknet的安装odk了
```
./darknet imtest data/eagle.jpg
           
```
使用yolov3预训练模型检测物体
- 首先获取模型权重
```
wget https://pjreddie.com/media/files/yolov3.weights
           
```
- 然后运行目标检测
```
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
           
```
  YOLOv3：训练自己的数据（附优化与问题总结）
  
  这边运行的时候很可能出现的一个问题就是，没有出现bbox
  
  原因
  
  如果GPU = 1或CUDNN = 1，darknet将为每个层预先分配GPU虚拟内存，这取决于cfg文件中的批量大小和子分区设置。
  
  对于训练，批量大小表示将在迭代中对GPU执行多少图片，更大的值可以减少训练时间，并且如果GPU在迭代中没有足够的内存，则子划分可以将它们分组以防止存储器大小限制问题。
  
  保持1检测，因为这些设置主要用于训练网络。
  
  参考：
  
  https://github.com/pjreddie/darknet/issues/405
  
  解决方法：
  
  （1）检测的时候令cudnn=0，
  
  （2）修改cfg文件成batch=1，sub=1

命令简介

先举个例子

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

darknet ：一个可执行的程序，类似win下的exe

detector：是第一个参数，执行detector.c

test：detector.c里面的一个函数test_detector()，用来测试图片

cfg/coco.data："cfg/"是训练的配置文件所在路径，coco.data是.data配置文件名

cfg/yolov3.cfg："cfg/"是训练的配置文件所在路径，yolov3.cfg是.cfg配置文件名

yolov3.weights：训练好的模型，yolov3.weights在darknet根目录

data/dog.jpg：“data/”是要测试图片所在路径，dog.jpg是测试图片文件名

测试
- 测试图片
  
  指令格式
```
./darknet detector test <data_cfg> <test_cfg> <weights> <image_file>（可选）
           
```
  如果没有指定 <image_file> 就可以像这样测试多张图片
  
  YOLOv3：训练自己的数据（附优化与问题总结）
  
  <test_cfg>文件中batch和subdivisions两项须为1或者测试时不使用cudnn
  
  测试时还可以用-thresh调整置信度阈值，例如只显示置信度在60%以上的 bbox
```
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg  -thresh .6
           
```
- 检测视频，需要用到demo函数（src/demo.c）
```
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights test.avi
           
```
- 在摄像头上测试，需要用到demo函数
```
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
           
```

训练模型

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

单GPU训练

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

更换GPU训练

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

多GPU训练

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

CPU训练

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

模型评估recall,生成测试结果
- 生成测试结果
```
./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
           
```
  （1）<test_cfg>文件中batch和subdivisions两项需为1。
  
  （2）测试结果生成在<data_cfg>的results指定的目录下以<out_file>开头的若干文件中，若<data_cfg>没有指定results，那么默认为darknet/results。
- 计算recall（需要修改detectocr.c请参考第五部分优化与个性化——计算map与recall）
```
/darknet detector recall <data_cfg> <test_cfg> <weights>
           
```
  （1）<test_cfg>文件中batch和subdivisions两项需为1
  
  （2）RPs/Img、IOU、Recall都是到当前测试图片的均值（意义待续）

训练自己的数据

首先下载预训练卷积权重

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

其次标注数据集，生成yolo所需要的txt格式的labels
- 推荐使用yolo_mark数据集标注工具，可以直接生成txt
- 下载yolo_mark
```
git clone https://github.com/AlexeyAB/Yolo_mark.git
           
```
- 要在Linux上编译，输入：
```
cd Yolo_mark
cmake .
make
chmod +x linux_mark.sh
./linux_mark.sh
           
```
- 打开yolo_mark就是GUI的标注了，主要是修改data和names，具体请参考官网
修改配置文件
- 修改.data文件
```
classes= 4 （修改成自己训练的种类数）
train  = /home/user_name/darknet/data/train.txt   （修改成自己train.txt的路径）
valid  = /home/user_name/darknet/data/2007_test.txt （评估测试的图片的路径，用于后面的评估测试）
names = data/voc.names                                  （修改成自己的类别名的路径）
backup = backup                                         （训练的权重所存放的路径）
results = results                            （评估测试结果存放路径，也可以自己定义）
           
```
- 修改.names这个比较简单，修改自己的类别就可以
  
  例如我的文件是yolov3.names
YOLOv3：训练自己的数据（附优化与问题总结）
- 修改.cfg文件
- 关于cfg修改，以4类目标检测为例，主要有以下几处调整（蓝色标出），#表示注释，根据训练和测试，自行修改，修改说明：
  
  A:filters的计算和聚类数目分布有关
  
  yolov3:filters=(classes + 5)x3
  
  yolov2: filters=(classes + 5)x5。
  
  B.classes就是类别数量
  
  C.如果想修改默认anchors数值，可以使用k-means；
  
  D.如果显存够大，则可以开启多尺度训练令random=1，不过loss会有点震荡；
  
  给出一份我的cfg以供参考，传送门
  [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
- 给一份标注好的数据集，有需要的可以参考目录和格式.百度网盘戳我
  
  提取码: j1zi
开始训练
```
./darknet detector train cfg/yolov3.data cfg/yolov3.cfg  darknet53.conv.74
           
```
YOLOv3：训练自己的数据（附优化与问题总结）

avg：平均loss，越小越好，

rate：学习率，默认为0.001，可以根据自己的训练情况调整,一般为0.01，0.003，0.001等

训练参数说明

Region xx: cfg文件中yolo-layer的索引，82是大物体层，94是中物体层，106小物体层；

Avg IOU: 当前迭代中，预测的box与标注的box的平均交并比，越大越好，期望数值为1；

Class: 标注物体的分类准确率，越大越好，期望数值为1；

obj: 越大越好，期望数值为1；

No obj: 越小越好；

.5R: 以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本

0.75R: 以IOU=0.75为阈值时候的recall;

count: 正样本数目。

优化与个性化问题

这边的更改之后都需要make clean后再make。如果改了之后发现没变化，请第一时间看看是不是没有执行这一步。

什么时候保存模型，又要如何更改呢？

迭代次数小于1000时，每100次保存一次，大于1000时，每10000次保存一次。

自己可以根据需求进行更改，然后重新编译即可[ 先 make clean ,然后再 make]

代码位置： examples/detector.c line 138

YOLOv3：训练自己的数据（附优化与问题总结）

如何在图像上添加置信度？

可以看github的修改记录，也可以看下面的修改，修改传送门

修改src/image.c文件draw_detections()函数，代码修改如下：

int i,j;
 
    for(i = 0; i < num; ++i){
        char labelstr[4096] = {0};
		char s1[]={"  "};//为了name与置信度之间加空格
        int class = -1;
	    char possible[5];//存放检测的置信值
        for(j = 0; j < classes; ++j){
	    sprintf(possible,"%.2f",dets[i].prob[j]);//置信值截取小数点后两位赋给possible
            if (dets[i].prob[j] > thresh){
                if (class < 0) {
                    strcat(labelstr, names[j]);
					strcat(labelstr,s1); //加空格
		            strcat(labelstr, possible);//标签中加入置信值
                    class = j;
                } else {
                    strcat(labelstr, ", ");
                    strcat(labelstr, names[j]);
					strcat(labelstr,s1);//加空格
		            strcat(labelstr, possible);//标签中加入置信值
                }
                printf("%s: %.0f%%\n", names[j], dets[i].prob[j]*100);
            }
        }

如何缩小标签大小？

src/image.c的draw_detections()函数中，get_label函数调用的参数,修改成合适的大小

YOLOv3：训练自己的数据（附优化与问题总结）
效果图：

YOLOv3：训练自己的数据（附优化与问题总结）
如何添加中文标签？
- 首先制作中文标签图片，
  
  在darknet/data/labels里面有制作脚本make_labels.py。修改以下就可以用了
  
  例如我的是四类，我就修改成
```
# -*- coding: utf-8 -*-  

import os   
l=["行人","前部","侧边","后部"]
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) 
           
```
  运行脚本
```
python make_labels.py
           
```
  就可以在labels里面看到自己制作的图片标签
  
  YOLOv3：训练自己的数据（附优化与问题总结）
- 其次修改src/image.c的代码
  
  具体请看github的修改，传送门，修改完之后，make clean && make.
  
  测试以下，如图，Bingo!!!
  
  YOLOv3：训练自己的数据（附优化与问题总结）

如何批量检测？

可以看我github的修改，也可以按照下面的修改。修改传送门

首先在添加一个获取图片名字的函数：

#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);//后面的10是你自己图片名的长度，可修改
   return name;

}

替换examples/detector.c 中的test_detector函数

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/......"修改成自己要保存图片的的路径
            {
              if (mkdir("/home/lzm/data/test_folder/darknet/car_person/out",0777))//"/homelzm/......"修改成自己要保存图片的的路径
               {
                 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/......"修改成自己要保存图片的的路径
            
            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后再make然后批量测试即可，输入的路径为那些图片路径的txt。

如何输入检测结果文本，计算recall，map计算
- ```
./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
           
```
  <test_cfg>文件中batch和subdivisions两项必须为1。
  
  结果生成在<data_cfg>的results指定的目录下以<out_file>开头的若干文件中，若<data_cfg>没有指定results，那么默认为<darknet_root>/results。
  
  如果出现以下问题，则说明在.data文件里面没有指定valid的路径，添加即可
```
Couldn't open file: data/train.list
           
```
  YOLOv3：训练自己的数据（附优化与问题总结）
- 计算recall
  
  修改examples/detector.c的validate_detector_recall函数，修改传送门
  
  首先将validate_detector_recall函数定义和调用修改成
```
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);
           
```
  修改完老规矩，make clean后再make
```
./darknet detector recall <data_cfg>  <test_cfg>  <weights>
           
```
  YOLOv3：训练自己的数据（附优化与问题总结）
- 计算map
  - 先制作xml文件，由于yolo需要的是txt标注，所以之前没有制作xml的。现在利用一个脚本txt2xml.py进行转换，txt2xml.py传送门。
    
    在python3的环境下运行，就可以得到xml文件
  - 计算mAP
    
    借助py-faster-rcnn下的voc_eval.py计算，voc_eval.py传送门
    
    然后新建一个all_map.py（顾名思义是计算所有类的ap，平均一下就是map）的计算脚本，这边提供一个例子，根据注释修改即可。all_map.py传送门
    
    python2 all_map.py即可看到ap
    
    若不想让他输出这么多rec什么，可以修改voc.eval.py的返回值只返回ap既可
    
    若要输出结果就直接在命令后面加一个 > ap_res.txt 即可
    
    若有需求重复计算map，需要删除生成的annots.pkl
    
    YOLOv3：训练自己的数据（附优化与问题总结）

后台运行并保存训练日志

nohup 执行命令 > 输出文件 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可视化

用上面生成的train.log来可视化，代码在github，可以根据注释修改，安装pandas等相关模块即可

代码传送门

我的训练初步效果

YOLOv3：训练自己的数据（附优化与问题总结）

YOLOv3：训练自己的数据（附优化与问题总结）
使用python接口进行批量检测并保存测试结果和分割图片

只需要将python接口中的文件路径替换成自己的，具体看github代码注释，代码传送门
```
python darknet.py
           
```
测试结果目录树类似以下。若出现模块报错等，则安装相应模块即可。

YOLOv3：训练自己的数据（附优化与问题总结）

可能出现的问题

出现大量的-nan

有三个可能
1. 可能cfg文件的batch=1，subdivisions=1
2. 可能batch太小了
3. 训练的图片中没有遍布大中小三个层
解决方案
1. 修改成Training状态的参数batch=64, subdicisions=16
YOLOv3：训练自己的数据（附优化与问题总结）
1. 在显存允许的情况下，增加batch
2. 第三种情况属于正常，因为YOLOv3从三个scale上提取了特征，且不同尺度选取了不同尺度的的检测框，比如你在训练小目标，那么region82和region94出现nan就正常。
CUDA: out of memory
```
darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.
           
```
YOLOv3：训练自己的数据（附优化与问题总结）

原因：显存不够

解决方案：关闭random，如果还是不行，可以适当调小batch（32或者16）
训练了很多次itertation，但是还是什么都没有检测出来？
1. 检测的时候需要batch和sub不是1 ；
2. 如果调低thresh后还没有出现bbox，那么就是训练的时候可能batch和sub都是1，这样训练的模型几乎不能用
1. 测试的时候.cfg文件中令 (batch=1,subdivisions=1)；
2. 训练的时候将.cfg文件修改成（batch=64, subdicisions=16)
cfg修改问题？
```
darknet: ./src/parser.c:348: parse_region: Assertion `l.outputs == params.inputs' failed
           
```
原因：filters修改错误，没有对上classes；

解决方案：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：训练自己的数据（附优化与问题总结）

原因：一般来说是train.txt的文件格式问题；

解决方案：把train.txt的换行格式修改成unix换行格式，另外图片路径要正确，参考博文
Segmentation fault (core dumped)，训练几百次intertation后分段错误
1. 开了尺度训练即cfg中random=1，显存不足;
2. 标注的box里面出现x,y=0的情况;
1. 关闭尺度训练，random=0;
2. 修改坐标让x,y>0; 参考issue
detector recall的时候出现大量nan

YOLOv3：训练自己的数据（附优化与问题总结）
原因：detector.c代码中的bug，k的最大值必须由nbox确定，而不是

YOLOv3：训练自己的数据（附优化与问题总结）
解决方案：修改examples/detector.c的代码，修改参考
为了批量检测图片，修改detector.c后，编译出现问题
```
error: too few arguments to function ‘show_image’
show_image(im, "predictions");
           
```
YOLOv3：训练自己的数据（附优化与问题总结）

原因：show_image函数少了一个参数，有些代码是比较旧的。

解决方案：修改报错的那一行
```
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：原因链接，darknet.h还少了opencv的一个头文件，#include <opencv2/highgui/highgui.hpp>

解决方案：在报错的程序中加上即可

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

使用txt2xml.py生成xml时候的问题

问题issue

'encoding' is an invalid keyword argument for this function

原因：在Python 2中，open（）函数不带编码参数（第三个参数是缓冲选项）

解决方法：有两种

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：训练自己的数据（附优化与问题总结）

YOLOv3：训练自己的数据（附优化与问题总结）

环境说明

实现YOLOV3的demo

命令简介

训练自己的数据

Testing

batch=1

subdivisions=1

Training

优化与个性化问题

可能出现的问题

References

继续阅读

在 Ubuntu 中，将目录下的所有文件的换行符转化为Linux格式

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

解决方案-sudo apt-get update 出错

Ubuntu apt-get 换源

apt-get update 出现错误

关于sudo apt-get update 更新软件源的选择

ubuntu hadoop2.6.1，terminal下运行wordcount

Ubuntu16.04下使用Dr.COM 校园网客户端联网的详细流程（下载playonlinunx软件）

linux下的完美网银们（google chrome, ubuntu10.04）

Ubunto 安装Apache2以后 httpd.conf文件找不到问题

服务器配置——Apache

ubuntu 16.04 源码安装httpd和php

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

Ubuntu14.04 LTS下安装mongodb

禁止ubuntu系统弹出报错界面

JBoss,Geronimo和Glassfish初窥