本地安装

• Installing the Jupyter Software
  • JupyterLab
  • classic Jupyter Notebook

云端环境

Binder

• Binder
  • 例子
• Binder 文档

Google Colab

• Google 提供的 Colaboratory

多用户版本

• JupyterHub

部署

• Zero to JupyterHub for Kubernetes

  使用Docker在Kubernetes上部署JupyterHub，允许它为大量用户进行有效扩展和维护。

• The Littlest JupyterHub

  专为小型部署而设计的最新版本，是一种在单个虚拟机上安装JupyterHub的轻量级方法。适用于单个服务器上的（0-100）个少量用户。

  • 在自己的服务器上安装 Installing on your own server
    • List of provided nbextensions
    • 我和Jupyter notebook的日常
    • jupyter自动代码补全

基于 Darknet 的容器化产品

• 模型训练工程化 [darknet]
• 模型部署服务器 [darknet-serving]

模型训练工程化 [darknet]

1. 训练前的数据准备
   • 工程目录结构

   project/            # 工程根目录
   ├── cfg             # 配置目录
   │   └── voc.names   # 标签名
   ├── images          # 样本
   │   ├── ...
   │   └── ...
   ├── labels          # YOLO标注格式
   │   ├── ...
   │   └── ...
   └── test            # 训练完后用于测试（非必须）
   ├── ...
   └── ...
   

• 举例：这里以platen-switch为例

  platen-switch/
  ├── cfg
  │   └── voc.names
  ├── images
  │   ├── IMG_9255.JPG
  │   ├── IMG_9263.JPG
  │   ├── IMG_9266.JPG
  │   └── IMG_9280.JPG
  ├── labels
  │   ├── IMG_9255.txt
  │   ├── IMG_9263.txt
  │   ├── IMG_9266.txt
  │   └── IMG_9280.txt
  └── test
  ├── IMG_9256.JPG
  └── IMG_9271.JPG
  

运行darknet容器 将工程目录作为挂载点绑定到容器 # 使用您的工程绝对路径设置变量 project_dir

编译darknet

git clone https://github.com/pjreddie/darknet
cd darknet/
make

创建工程 工程目录结构 ├── darknet53.conv.74 基于imagenet的预训练模型 └── open-close 工程目录 ├── backup 存储模型训练时权重值 ├── cfg 配置目录 │ ├── train.txt 存储用于训练的图像路径 │ ├── valid.txt 存储用于验证的图像路径 │ ├── voc.data 配置文件 │ ├── voc.names 标签名 │ └── yolov3.cfg YOLOv3神经网络文件 ├── data │ └── labels 预测时用于显示标签名字 │ ├── 100_0.png │ ├── 100_1.png │ ├── ...... │ └── make_labels.py ├── images 图像样本集 │ ├── IMG_9255.JPG │ ├── IMG_9263.JPG │ ├── IMG_9266.JPG │ └── IMG_9280.JPG ├── labels PASCAL VOC格式的标注 │ ├── IMG_9255.xml │ ├── IMG_9263.xml │ ├── IMG_9266.xml │ └── IMG_9280.