harbor 的Linux环境安装及使用(docker镜像的仓库)

最新推荐文章于 2026-01-01 00:18:23 发布
原创 最新推荐文章于 2026-01-01 00:18:23 发布 · 810 阅读 · 1
本文介绍了在阿里云ECS CentOS 7.3环境中，如何安装docker和docker-compose，然后详细阐述了下载、配置、安装Harbor的过程，并提供了遇到问题时的解决方案，如离线安装docker和docker-compose的方法。最后，文章提到了Harbor的默认登录凭证。

环境:

阿里云ECS  CentOS 7.3 64位

 

1. 安装docker

查看文章: https://blog.csdn.net/lettuce_/article/details/103809299

2. 安装docker-compose

yum install docker-compose

 

3. github下载 harbor

https://github.com/goharbor/harbor/releases

解压:

tar zxvf harbor-offline-installer-v1.9.4.tgz

3. 修改配置文件

vi harbor.yml  (有些资料说是:harbor.cfg)
#修改hosts
hostname: xxx.xxx.xxx (建议填写公网ip 或 域名)

#修改访问端口号
port: 8088

#修改登录的admin密码
harbor_admin_password: xxxx

4. 执行 ./prepare&

标签
#docker #harbor
最低0.47元/天 解锁文章
工控实战｜C#上位机+YOLO视觉 一站式落地三大工业场景：缺陷检测_物料计数_定位引导
这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。
04-13 736
做工控上位机开发近八年，小到单机专机、大到流水线自动化，视觉检测已经成为工业产线的标配能力。早年做项目，要么依赖Halcon、VisionPro这类付费视觉库，成本高、二次开发受限；要么用Python跑YOLO，看似灵活，可打包成工业级程序后，环境兼容差、内存泄漏、进程崩溃等问题频发，根本扛不住7×24小时产线运行。经过多个项目实测验证，C#上位机+YOLO视觉是目前工业自动化场景的最优解：C#天生适配工控机、PLC通信、上位机界面开发，部署简单、稳定性拉满；
YOLOv11 工业质检实战：缺陷检测系统搭建与高分辨率图像处理方案（含钢铁 / 集装箱检测案例）（一）
本博客聚焦 YOLOv11 全流程落地，涵盖架构优化、数据集处理、训练技巧与多场景部署，兼及国产数据库、Java 开发与 AI 模型应用，内容兼顾理论与工程实践，为开发者提供系统干货，助力高效提升技术能力。
06-22 2073
本文介绍了YOLOv11在工业质检领域的核心优势与技术演进。YOLOv11通过C3k2和C2PSA模块创新，显著提升了小缺陷检测能力，其中C3k2模块采用动态感受野调整机制，使mAP@0.5提升15.8%。针对高分辨率工业图像，YOLOv11的改进Detect头结合深度可分离卷积(DWConv)和动态稀疏注意力机制，在2048×2048分辨率下仍保持56FPS推理速度。文章还展示了关键模块的代码实现，包括动态核选择机制和高效特征提取架构，这些创新使YOLOv11成为工业质检场景的理想选择。
制造业中的微小缺陷检测——应用场景分析与算法选择(YoloV8/CANet)
知来者逆的博客
10-24 9941
在制造业中，小缺陷的检测是一个具有挑战性的问题，因为它们通常具有较少的像素覆盖，缺乏足够的关注和语义信息。现有的卷积检测方法忽视了上下文的长程依赖，并且缺乏自适应融合策略来利用异构特征。 深度学习方法在检测小缺陷时通常表现较差，因为少数像素的覆盖缺乏细节，如异常值、边缘和纹理，导致语义不足和感知困难。此外，来自实际工业环境的图像通常受到背景光反射、模糊和污垢等污染，使得难以从背景中区分轮廓并专注于小缺陷。
YOLO AOI检测算法：基于YOLO的PCB自动光学检测技术
m0_37302966的博客
06-06 2519
YOLO AOI检测算法：基于YOLO的PCB自动光学检测技术
yolov7在工业中的小试牛刀
学姐带你玩AI的博客
11-28 1183
目标检测作为视觉项目中的重要一环被工业界广泛应用，考虑到检测速度与精度，使用最多的非yolo系列莫属。
基于YOLOV8的骑行智能守护实时检测系统【训练和系统文档及源码+Pyside6+数据集+包运行】
源的博客
07-13 1971
骑行智能守护实时检测系统通过先进的图像处理和人工智能技术，实时检测电动车和车上人员头盔佩戴情况，促进安全出行，减少交通事故风险。本文基于YOLOv8算法框架，通过5448张真实道路场景的训练图片（其中4358张训练集，1090张验证集），训练出一个可用于检测电动车及车上人员头盔情况的有效模型。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的骑行智能守护实时检测系统，可用于实时检测电动车及车上人员头盔情况，以及时告警。系统背景和标题修改模型权重导入和初始化。
Yolov8工业缺陷检测：基于铝片表面的缺陷检测算法，VanillaBlock和MobileViTAttention助力检测，实现暴力涨点 |2023最新成果，创新度很强
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-07 7151
基于铝片表面的缺陷检测算法，VanillaBlock助力检测，实现暴力涨点，mAP@0.5 0.885 提升至0.974，MobileViTAttention助力小目标检测，原始 mAP@0.5 0.885 提升至0.984
【YOLO 系列】基于YOLO的工业自动化轴承缺陷检测系统【python源码+Pyqt5界面+数据集+训练代码】
牧子川的博客
10-28 3164
轴承作为机械设备中的关键部件，其性能直接影响到设备的稳定性和寿命。轴承缺陷的早期检测对于预防设备故障、减少维护成本和提高生产效率至关重要。然而，传统的轴承缺陷检测方法往往依赖于人工检查，这不仅效率低下，而且容易受到主观因素的影响。为了提高轴承缺陷检测的准确性和效率，我们开发了基于YOLO V8的轴承缺陷智能检测系统。该系统利用深度学习技术，能够自动识别和分类轴承缺陷，即使在缺陷不明显或环境复杂的情况下也能保持高准确度。
使用YOLOv5进行工业检测（如裂纹、划痕、破损等）
a871923942的博客
05-20 2513
本文将详细介绍如何使用YOLOv5实现工业检测项目，以检测生产线上的缺陷产品，如裂纹、划痕、破损等。我们将分步介绍数据准备、模型训练、模型优化和部署等过程。
YOLO在特定场景中的应用：从自动驾驶到工业检测
最新发布
欢迎来到智能安全前线！这里是AI与信息安全交汇之地。我们以代码为武器，深入大模型攻防实战，破解系统漏洞。追踪OpenAI、Meta前沿动态，用红蓝对抗思维，锻造智能时代的坚盾与利矛。
01-01 1250
本文全面剖析了YOLO系列算法在特定场景中的应用案例，从自动驾驶到工业检测，从医疗影像到安防监控，深入解析了YOLO在不同领域的实际落地情况。文章详细介绍了YOLO在各个场景中的优势、实现方案、代码示例和实际效果，并通过对比分析，揭示了YOLO在特定场景中的最佳实践。同时，本文讨论了YOLO在特定场景应用中面临的挑战和解决方案，为研究者和工程师提供了实用的应用指导。最后，本文展望了YOLO在特定场景中的未来发展趋势，包括定制化模型设计、多模态融合、实时决策支持等方向，为YOLO的进一步应用拓展提供了参考。
2025工业质检顶流：YOLOv13高精度模式，0.1mm芯片缺陷检测率99.8%
专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
12-24 682
精度突破：HP-Mode+亚像素回归，将微小缺陷检测精度推至工业级天花板；成本优化：单卡RTX 4070 Ti替代A100，设备成本降低60%，适配中小厂商；落地性强：C#/C++混合编程，工业级标定/通信/交互，开箱即用；可扩展：支持晶圆/封装/引脚全环节，一键切换检测模板。
YOLOv8独家改进： 注意力魔改 | 高效的部分自注意力（PSA）模块，来自YOLOv10
会AI的学姐
06-04 1325
引入YOLOv10中的一种高效的部分自注意力（PSA）模块设计，在1×1卷积后将特征均匀地分为两部分。
改进yolov8缺陷检测+swin+transformer
QQ_1309399183的博客
11-08 973
改进yolov8缺陷检测+swin+transformer
【精选】​​利用改进的YOLOv5的轴承表面缺陷自动检测系统（部署教程＆源码）
cheng2333333的博客
11-29 825
【精选】​​利用改进的YOLOv5的轴承表面缺陷自动检测系统（部署教程＆源码）
HyperDefect-YOLO：基于超图计算的工业缺陷检测算法解析
hasakie的博客
04-21 345
工业缺陷检测是保障产品质量的关键环节，但在复杂场景和多尺度缺陷下仍面临挑战。传统YOLO模型在捕捉高阶特征关联上存在不足。​通过引入超图计算（HyperGraph Computation），提出了一系列创新模块，显著提升了缺陷检测性能。论文在HRIPCB、NEU-DET和自建MINILED数据集上验证了方法的有效性，代码已开源。HD-YOLO通过超图计算与多模块协同，显著提升了工业缺陷检测的精度与鲁棒性。其轻量化设计（仅9.3M参数）与高实时性（185 FPS）使其适用于多种工业场景。
【YOLO 系列】基于YOLO V8的金属表面缺陷检测检测识别系统【python源码+Pyqt5界面+数据集+训练代码】
热门推荐
牧子川的博客
05-10 1万+
金属表面缺陷的及时检测对于保障产品质量和生产安全至关重要。传统的人工检测方法往往效率低下、耗时长，并容易受主观因素影响。为解决这一问题，我们提出了基于深度学习技术的金属表面缺陷检测系统。本项目的最终目标是帮助金属制造行业实现缺陷检测的自动化和智能化，提高产品质量和生产效率，降低生产成本和安全风险。
基于Yolov5的工业油污缺陷检测，加入CVPR2023 BiFormer-BiLevelRoutingAttention和FasterNet-PConv提升检测精度
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-30 3877
yolov5的工业油污检测，通过cvpr2023 BiFormer: 基于动态稀疏注意力构建高效金字塔网络和FasterNet远超ShuffleNet、MobileNet、MobileViT，引入PConv结构map涨点，最终取得较好的涨点
助力茶园种植鲜叶分级，基于YOLO家族最新端到端实时算法YOLOv10全系列【n/s/m/b/l/x】参数模型开发构建茶园种植作业场景下的茶鲜叶分级检测识别系统
Together_CZ的博客
06-02 1774
助力茶园种植鲜叶分级，基于YOLO家族最新端到端实时算法YOLOv10全系列【n/s/m/b/l/x】参数模型开发构建茶园种植作业场景下的茶鲜叶分级检测识别系统
YOLO关键点检测全流程介绍：从原理到工业落地的实战指南
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
11-11 1146
YOLO关键点检测结合了目标定位与关键点识别的优势，实现了25-30FPS的实时检测和亚像素级精度。其核心在于单阶段端到端预测，通过YOLOv8-Pose等架构的三大模块（特征提取、融合、预测）同时输出边界框和关键点坐标。该技术在工业质检（如压力表读数）、人体姿态估计等场景优势显著：相比传统分割方案，YOLO速度更快（GPU达25-30FPS）、精度更高（误差≤1像素）、部署更轻量，且大幅降低标注成本。通过数据增强、迁移学习等技巧可进一步提升小关键点和遮挡场景的检测效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值