五个参数教你如何理解虚拟主机

上一篇文章我们了解了虚拟主机、VPS、独立服务器之间的区别。站长确定购买哪个网站空间后，您需要根据具体参数来选择网站空间。今天我们就来说说购买空间时必须了解的那些虚拟主机。虚拟主机的操作系统一般分为Windows和Linux两种，是指主机所在服务器使用的系统。Linux服务器上运行的Web组件是Apache+mysql，主要支持PHP和MYSQL。因此，站长在选择虚拟主机之前一定要清楚自己的网站环境是PHP还是ASP。简单来说，你的虚拟主机的并发连接数是100个，在某个时间点，有100个人访问你的网站，而且都是同时访问的。因此，如果条件允许，建议选择对网络流量没有限制的主机。如果指定此标志，颜色将随机翻转。

上一篇文章我们了解了虚拟主机、VPS、独立服务器之间的区别。 站长确定购买哪个网站空间后，

您需要根据具体参数来选择网站空间。今天我们就来说说购买空间时必须了解的那些虚拟主机。

范围。

操作系统：

虚拟主机的操作系统一般分为Windows和Linux两种，是指主机所在服务器使用的系统。

根据网站编程语言选择操作系统。

Linux服务器上运行的Web组件是Apache+mysql，主要支持PHP和MYSQL。 运行在Windows服务器上的Web组件

组件是IIS，数据库是SQL Server。

因此，站长在选择虚拟主机之前一定要清楚自己的网站环境是PHP还是ASP。

网站空间：

顾名思义，网站空间就是存放网站程序文件的空间。 该空间用于存储网站文件和数据库。

。

虚拟主机参数选择

IIS并发连接数：

并发连接数是指网站上同时向服务器发送请求的人数。包括：同时点击链接或同时搜索

数据库。

简单来说，你的虚拟主机的并发连接数是100个，在某个时间点，有100个人访问你的网站，而且都是同时访问的。

点击或搜索向您的虚拟空间发送请求，则第 101 人的页面将被拒绝服务和访问

失败。

网站流量：

网站流量是指用户访问流量时产生的数据量。 一些虚拟空间提供商会限制流量。

，当超过这个量时，网站就无法访问。网站流量以月为单位来衡量。 如果当月流量超过空间商的闲暇时间，

如果设置，则在下个月流量配额刷新之前，该网站将无法访问。

因此，如果条件允许，建议选择对网络流量没有限制的主机。 如果流量受到限制，当访问量增加时，

这将导致某些用户无法正常访问该网站。

机房线路：

南北机房使用的主线不同，导致南北线不互通的问题。建议选择双线

避免影响不同地区的用户访问网站。

以上是选择虚拟主机时应注意的参数。 选择虚拟主机并不难，只要了解这些参数代表什么就可以了。

该表的意义在于，选择正规可靠的空间提供商，找到合适的虚拟主机并不困难。

使用级联分类器包括两个阶段：训练和检测。 OpenCVobjDetect模块的文档中介绍了检测部分，并且该文档中给出了级联分类器的一些基本介绍。 当前指南描述了如何训练分类器：准备训练数据并运行训练程序。

重要注意事项

OpenCV中有两个程序可以训练级联分类器：opencv_haartraining和opencv_traincascade。 opencv_traincascade 是根据 OpenCV 2.x API 用 C++ 编写的新程序。 两者的主要区别在于opencv_traincascade支持两个特性：Haar[Viola2001]和LBP[Liao2007]（Local Binary Patterns），并且很容易添加其他特性。 与Haar特征相比，LBP特征是整数特征，因此训练和检测过程会比Haar特征快数倍。 LBP和Haar特征用于检测的准确性取决于训练过程中训练数据和训练参数的质量。 可以训练出与基于 Haar 特征的 LBP 分类器具有相同精度的 LBP 分类器。

opencv_traincascade 和 opencv_haartraining 输出的分类器文件格式不同。 请注意，新的级联检测接口（请参阅 objDetect 模块中的 CascadeClassifier 类）支持这两种格式。 opencv_traincascade 可以以旧格式导出选定的级联分类器。 但是，训练过程中断然后重新启动后，opencv_traincascade 和 opencv_haartraining 无法加载与中断之前不同格式的文件。

opencv_traincascade程序使用TBB来处理多线程。 如果要使用多核并行计算加速，请使用TBB编译OpenCV。

还有一些与培训相关的辅助程序。

opencv_createsamples 用于准备训练的正样本数据和测试数据。 opencv_createsamples 可以生成 opencv_haartraining 和 opencv_traincascade 程序支持的正样本数据。 其输出是一个扩展名为 *.vec 的文件，以二进制形式存储图像。 opencv_performance可以用来评估一个分类器的质量，但是它只能评估opencv_haartraining的分类器输出。 它读取一组带注释的图像，运行分类器并报告性能，例如检测到的对象数量、漏检数量、错误检测数量和其他信息。

由于opencv_haartraining是一个即将被弃用的程序，所以下面不再介绍，而是主要介绍opencv_traincascade。 opencv_createsamples程序用于为opencv_traincascade准备训练样本，因此也将进行介绍。

准备训练数据

训练需要一系列样本。 样本分为两类：负样本和正样本。 负样本是不包含对象的图像。 正样本是待检测物体的图像。 负样本必须手动准备，正样本使用 opencv_createsamples 创建。

负样本

负样本可以是任何图像，但这些图像不能包含待检测的对象。 用于裁剪负样本的图像文件名列在文件中。 该文件是一个纯文本文件，每一行是一个文件名（包括相对目录和文件名）。 负样本和样本图像也称为背景样本，或者背景样本图像，本文不做区分。 这些图像可以是不同大小的，但图像大小应该大于训练窗口大小，因为这些图像将用于提取负样本并将负样本减少到训练窗口大小。

这是一个示例描述文件：

如果目录结构如下：

/img img1.jpg img2.jpgbg.txt

那么 bg.txt 文件中的内容将如下所示：

img/img1.jpgimg/img2.jpg正样本

正样本由 opencv_createsamples 生成。 正样本可以从包含待检测对象的图片生成，也可以从一系列标记图像生成。

请注意，您需要一个大型负样本库来喂养训练程序进行训练。 如果它是一个绝对刚性的物体，例如 OpenCV 徽标，则您只有一张正样本图像； 如果是人脸，则需要数百甚至数千个正样本。 当要检测的对象是人脸时，需要考虑所有种族、年龄、表情甚至胡须样式。

如果只有一张包含物体的图像，例如公司标志，那么通过随机旋转物体图像、改变标志亮度、将标志放置在任意背景上，可以获得大量正样本。 生成的正样本数量和随机程度可以通过opencv_createsamples的命令行参数来控制。

命令行参数：

-向量

包含用于训练的正样本的输出文件。

-img

输入图像文件名（例如公司徽标）。

-bg

背景图像描述文件。 该文件包含一系列图像文件名。 这些图像将被随机选择作为对象的背景。

-num

生成的正样本数量。

-背景颜色

背景颜色（当前为灰度）； 背景颜色代表透明颜色。 由于图像压缩会导致颜色偏差，因此可以使用 -bgthresh 指定颜色容差。 bgcolor-bgthresh 和 bgcolor+bgthresh 之间的所有像素都设置为透明像素。

-bgthresh

-逆向

如果指定此标志，前景图像的颜色将被翻转。

-randinv

如果指定此标志，颜色将随机翻转。

-maxidev

前景样本中像素的亮度梯度的最大值。

-maxx角度

X 轴的最大旋转角度必须以弧度为单位。

-最大角度

Y 轴的最大旋转角度必须以弧度为单位。

-最大zangle

Z 轴的最大旋转角度必须以弧度为单位。

-展示

非常有用的调试选项。 如果指定此选项，将显示每个样本。 如果按 Esc 键，程序将继续创建示例，但不再显示它。

-w

输出样本的宽度（以像素为单位）。

-H

输出样本的高度（以像素为单位）。

创建样本的过程如下：输入图像沿三个轴随机旋转。 旋转角度受-max?angle 限制。 然后将亮度值在[bg_color-bg_color_threshold;bg_color+bg_color_threshold]范围内的像素设置为透明像素。 向前景图像添加白噪声。 如果指定-inv，则前景图像的颜色将反转。 如果指定-randinv，程序将随机选择是否翻转颜色。 选择一个可选的背景图像，将获得的前景图像放置在背景图像上，并将图像调整为-w和-h指定的大小。 最后将图像存储在vec文件中，vec文件名由命令行参数-vec指定。

还可以从一系列预先标记的图像创建正样本。 标签信息可以存储在文本文件中，类似于后台描述文件。 文件中的每一行对应一个图像文件。 每行的第一个元素是图像文件名，后面是对象的数量，最后是对象位置和大小（x、y、宽度、高度）的描述。

这是一个示例描述文件：

假设目录结构如下：

/img img_with_faces_1.jpg img_with_faces_2.jpginfo.dat

文件info.dat的内容如下：

img/img_with_faces_1.jpg 1 140 100 45 45img/img_with_faces_2.jpg 2 100 200 50 50 50 30 25 25

图像img_with_faces_1.jpg包含一个对象实例（例如人脸），标记其在图像中的位置和大小的矩形为（140,100,45,45）。 图像 img_with_faces_2.jpg 包含两个对象实例。

要从这样一系列数据创建正样本，需要在命令行上指定 -info 而不是之前使用的 -img 参数：

-信息

描述对象的图像和大小的描述文件。

这部分的示例创建过程如下：从图像中提取对象实例，然后将其大小调整为目标大小，然后将其保存到输出vec文件中。 在此过程中图像不会变形，因此唯一有效的命令行参数是 -w、-h、-show 和 -num。

opencv_createsamples 还可用于查看和检查 vec 正样本文件中保存的正样本。 这时只需要指定-vec、-w、-h这三个参数即可。 opencv_createsamples 会一张一张地显示正样本图像。

在训练过程中，训练程序并不关心包含正样本的vec文件是如何生成的。 您可以编写自己的程序来生成 vec 文件。 然而，在OpenCV提供的工具中，只有opencv_createsamples程序可以创建包含正样本的vec文件。

示例 vec 文件位于 opencv/data/vec_files/trainingfaces_24-24.vec。 它可用于训练窗口大小为：-w24-h24 的人脸分类器。

训练级联分类器

下一步是训练分类器。 前面提到，opencv_traincascade和opencv_haartraining都可以用来训练级联分类器，但这里只介绍opencv_traincascade。 opencv_haartraining的用法与opencv_traincascade类似。

以下是opencv_traincascade的命令行参数，按用途分组介绍：

常用参数：

-数据

目录名，如果训练程序不存在，则会创建它来存储训练好的分类器。

-向量

包含正样本的 vec 文件的名称（由 opencv_createsamples 程序生成）。

-bg

后台描述文件，即包含负样本文件名的描述文件。

-numPos

每个分类器训练使用的正样本数量。

-numNeg

每级分类器训练使用的负样本数量可以大于-bg指定的图片数量。

-numStages

经过训练的分类器的阶段数。

-precalcValBufSize

用于存储预先计算的特征值的缓存大小，以 MB 为单位。

-precalcIdxBufSize

用于存储预先计算的特征索引的缓存大小，以 MB 为单位。 内存越大，训练时间越短。

-baseFormatSave

该参数仅在使用 Haar 特征时有效。 如果指定该参数，则级联分类器将以旧格式存储。

级联参数：

-阶段类型

阶段参数。 目前仅支持以 BOOST 分类器作为级别的类型。

-特征类型

特征类型：HAAR - 类 Haar 特征； LBP——局部纹理图案特征。

-w

-H

训练样本的大小（以像素为单位）。 必须与创建的训练样本的大小一致（使用 opencv_createsamples 程序创建）。

增强分类器参数：

-bt

Boosted 分类器的类型：DAB - 离散 AdaBoost、RAB - Real AdaBoost、LB - LogitBoost、GAB - Gentle AdaBoost。

-最小命中率

分类器每个阶段所需的最小检测率。 总体检测率约为min_hit_rate^number_of_stages。

-最大误报率

分类器每个阶段所需的最大误报率。 总误检率约为 max_false_alarm_rate^number_of_stages。

-weightTrimRate

指定是否应使用修剪及其重量。 较好的值为 0.95。

-最大深度

弱分类器树的最大深度。 一个好的值是 1，它是二叉树（树桩）。

-maxWeakCount

每个级别中弱分类器的最大数量。 增强的分类器（阶段）将有很多弱树（

选择训练期间使用的 Haar 特征的类型。 BASIC 仅使用右上特征，ALL 使用所有右上特征和 45 度旋转特征。 更多详情请参阅[Rainer2002]。

LBP特征参数：

LBP 特征没有参数。

opencv_traincascade程序训练完成后，训练好的级联分类器将存储在cascade.xml文件中，该文件位于-data指定的目录下。 该目录下的其他文件是训练的中间结果。 当训练程序中断时，重新运行训练程序会读入之前的训练结果，而不需要从头开始重新训练。 训练结束后，可以删除这些中间文件。

训练完成后，您可以测试训练好的级联分类器