MotoGP Ignition：聚焦活动#8 来啦！

最新推荐文章于 2025-12-19 16:40:13 发布
原创 最新推荐文章于 2025-12-19 16:40:13 发布 · 173 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#区块链 #游戏

参与MotoGP Ignition的美洲赛道活动，完成关于赛道历史的测验，预测冠军赛车手积分，持有史诗+等级卡片并参加每周冠军赛。最高分及最接近积分预测的玩家将赢得REVV代币奖励。奖品包括2000、1000和500REVV。更多信息可在官方社交媒体平台上获取。

美洲主题赛道来了！

嗨，MotoGP 的粉丝们！我们希望你喜欢我们上周以 Ricardo Tormo 赛道为主题的第七次 MotoGP Ignition 聚焦活动！本周，我们很高兴能聚焦美洲赛道！继续阅读以了解如何参与并获取胜利！

如何参与

要参加此活动，你们需要完成一个关于特色赛道及其历史的有趣事实的快速测验（测验链接下文会给出）。在预期的决胜局中，你们还需要猜测下周末冠军赛中三名车手的总累积积分。符合条件的获胜者还需要持有 史诗+ 骑手、车队、自行车或任何骑手的热门卡（你们必须继续持有该卡，直到 Discord 宣布优胜者），并参加每周的冠军赛活动。

在测验中得分最高并得出最接近的猜测成果的人将赢得额外的 REVV！任何其他情况下的平局将取决于你的个人冠军赛排名。在每周冠军赛开始之前，你们必须完成测验。

奖品

本周在测验中得分最高的人，并且在平局情况下，在测验中猜出最接近所选车手数量的人，将赢得 2000 REVV 的大奖。

第 2 名将获得 1000 REVV。

第 3 至第 10 名将获得 500 REVV。

简要概括：

1. 完成测验：https://forms.gle/7D5nZkeBDnY6pnzo6 

2. 持有任何卡的史诗级+MotoGP Ignition 卡片（骑手/车队/自行车/热门卡片）。

3. 参加每周的 MotoGP Ignition 冠军赛活动。

有任何问题，请联系我们！

你可以在官方推特、Facebook 和 Telegram 频道了解更多关于 MotoGP™ Ignition、REVV 通证 和 REVV Motorsport 平台的信息，如有任何问题或意见，请联系我们！

 

BeepCrypto
关注
MotoGP HD Wallpapers Motorcycles Theme-crx插件
03-16
打开每个新标签页，享受MotoGP摩托车的高清背景。 使用我们的扩展程序，每次打开新选项卡时，您都可以享受MotoGP的不同高清壁纸。 多亏了我们的摩托车主题收藏，您的浏览体验将提升到一个全新的水平。 新标签不再是...
MotoGP Ignition：聚焦活动 #9来啦！
BeepCrypto的博客
12-09 204
在预期的决胜局中，你们还需要猜测下周末冠军赛中三名车手的总累积积分。符合条件的获胜者还需要持有 史诗+ 骑手、车队、自行车或任何骑手的热门卡（你们必须继续持有该卡，直到 Discord 宣布优胜者），并参加每周的冠军赛活动。在测验中得分最高并得出最接近的猜测成果的人将赢得额外的 REVV！本周在测验中得分最高的人，并且在平局情况下，在测验中猜出最接近所选车手数量的人，将赢得 2000 REVV 的大奖。同样参与并获得以下排名的人将赢得相应的热门卡 NFT（你们必须参加测验，但分数在这里并不重要）
MotoGP Ignition：聚焦活动 #7 来啦！
BeepCrypto的博客
11-10 193
符合条件的获胜者还需要持有 史诗+ 骑手、车队、自行车或任何骑手的热门卡（你们必须继续持有该卡，直到 Discord 宣布优胜者），并参加每周的冠军赛活动。嗨，MotoGP 粉丝们！你可以在官方推特、Facebook 和 Telegram 频道了解更多关于 MotoGP™ Ignition、REVV 通证 和 REVV Motorsport 平台的信息，如有任何问题或意见，请联系我们！本周在测验中得分最高的人，并且在平局情况下，在测验中猜出最接近所选车手数量的人，将赢得 2000 REVV 的大奖。
MotoGP Ignition：聚焦活动#6 来啦！
BeepCrypto的博客
10-20 209
要参加此活动，你们需要完成一个关于特色赛道及其历史的有趣事实的快速测验（测验链接下文会给出）。符合条件的获胜者还需要持有 史诗+ 骑手、车队、自行车或任何骑手的热门卡（你们必须继续持有该卡，直到 Discord 宣布优胜者），并参加每周的冠军赛活动。MotoGP 的粉丝们，我们希望你们喜欢我们上周的第 5 次 MotoGP Ignition 聚焦活动，共有 3 个不同的车手。本周在测验中得分最高的人，并且在平局情况下，在测验中猜出最接近所选车手数量的人，将赢得 2000 REVV 的大奖。
MotoGP Ignition：聚焦活动 #3 来啦！
BeepCrypto的博客
09-07 218
要参加这个活动，你们需要完成一个快速测验（链接见下文），了解有关骑手和他们职业生涯的一些有趣的事实。在预期的决胜局中，你们还需要猜测三位骑手在下周末的冠军赛中的累计总分。符合条件的获奖者还需要持有任何一位特色骑手的稀有+骑手卡或团队卡（在 discord 公布获奖者之前，你必须保持持有该张卡片），并参加每周的冠军赛活动。本周在测验中得分最高的人，并且在决胜局中猜出与 Álex Rins、Joan Mir 和 Marc Márquez 的累计总分最接近的数字将赢得 2000 REVV 大奖。
MotoGP Ignition：聚焦活动#2 来啦！
BeepCrypto的博客
08-25 249
要参加这个活动，你们需要完成一个快速测验，了解有关骑手和他们职业生涯的一些有趣的事实。在预期的决胜局中，你们还需要猜测三位骑手在下周末的冠军赛中的累计总分。符合条件的获奖者还需要持有任何一位特色骑手的稀有+卡（在 discord 公布获奖者之前，你必须保持持有该张卡片），并参加每周的冠军赛活动。本周在测验中得分最高的人，并且在决胜局中猜出与 Jack Miller、Fabio Quartararo 和 Francesco Bagnaia 的累计总分最接近的数字，将赢得 2000 REVV 大奖。
MotoGP Ignition：准备好参加 Spotlight 活动！
BeepCrypto的博客
08-11 292
要参加此活动，你需要完成一个 10 个问题的快速测验（链接见后文），了解有关该活动的骑手及其职业生涯的一些有趣事实。猜得最接近的人将赢得额外的奖品，例如 REVV、SHRD，有时还会赢得特别的独家奖品，例如骑手的 VIP 体验或 MotoGP 比赛的门票！嗨，MotoGP 的粉丝们！你可以在 Twitter、Facebook 和 Telegram 的官方渠道了解更多关于 MotoGP™ Ignition、REVV Token 和REVV Motorsport 平台的信息，如有任何问题或意见，请与我们联系。.
MotoGP Ignition：冠军赛来袭！
BeepCrypto的博客
09-30 222
如果出现平局，对于每月的总排名，我们将查证你们在每项赛事中的个人排名，当月总排名最低的人将获胜。持有1 张传奇，或 3 张史诗，或 5 张稀有 Brad Binder MotoGP Ignition 卡（赛车手/车队/自行车手/高手），直到宣布获奖者为止（https://motogp-ignition.com/market/landing）我们希望你们已准备好迎接新的比赛，你们可以参加比赛并赢得一些甜蜜的奖品！参加所有 10 月份的冠军赛（https://motogp-ignition.com/）
MotoGP Ignition 市场平台上线啦
BeepCrypto的博客
03-31 3046
一起来看看近期的动态回顾吧！ 向所有 MotoGP™ Ignition 的粉丝、收藏家和玩家问好！我们知道距离上次更新已经有一段时间了，但团队一直在努力工作，开发了各种新的功能，为您带来 MotoGP™ 游戏的真正尊贵体验！ 在这篇文章中，我们将深入探讨 MotoGP™ Ignition 的一些常见问题，我们还为你的收藏品提供了新的市场平台！因此，请系好安全带，加入到行动中来吧！ 关于 MotoGP™ Ignition 市场平台 MotoGP™ Ignition 市场平台现已推出，为您提供一个安
为季前卡牌游戏 MotoGP™ Ignition Champions 做好准备！
BeepCrypto的博客
07-05 579
让你的收藏品为你工作吧！（更新：赛事开始时间将于 2022 年 7 月 4 日晚上 8点至 2022 年 7 月 5 日早上 8 点更新）我们之前宣布，第一个 MotoGP™ Ignition 游戏模式将在官方 MotoGP™ Ignition 市场平台之后推出，现在是时候为大家介绍 MotoGP™ Ignition Champions 了！MotoGP™ Ignition Champions 在我们所说的季前赛中推出（可以认为是测试版），计划于 2022 年 7 月 6 日发布。我们将在本文中深入探讨规则
MotoGP API调用指南及Java实现示例
### MOTOGP-API知识点详解 #### 标题解析 ...通过以上知识点的学习和应用，开发者可以有效地利用MotoGP API来创建丰富多样的摩托车赛事数据应用，无论是用于统计分析、实时跟踪还是娱乐游戏等场景。
D:\anaconda\envs\mamba\python.exe E:\ultralytics-v8.3.63\ultralytics\models\yolo\pwcmamba\ceshi.py WARNING ⚠️ no model scale passed. Assuming scale=&#39;n&#39;. 解析第0层，from=-1，当前ch列表长度=1 解析第0层后，save列表：[] 解析第1层，from=-1，当前ch列表长度=1 解析第1层后，save列表：[] 解析第2层，from=-1，当前ch列表长度=2 解析第2层后，save列表：[] 解析第3层，from=-1，当前ch列表长度=3 解析第3层后，save列表：[] 解析第4层，from=-1，当前ch列表长度=4 解析第4层后，save列表：[] 解析第5层，from=-1，当前ch列表长度=5 解析第5层后，save列表：[] 解析第6层，from=-1，当前ch列表长度=6 解析第6层后，save列表：[] 解析第7层，from=-1，当前ch列表长度=7 解析第7层后，save列表：[] 解析第8层，from=-1，当前ch列表长度=8 解析第8层后，save列表：[] 解析第9层，from=-1，当前ch列表长度=9 解析第9层后，save列表：[] 解析第10层，from=-1，当前ch列表长度=10 解析第10层后，save列表：[] 解析第11层，from=-1，当前ch列表长度=11 解析第11层后，save列表：[] 解析第12层，from=[-1, 6]，当前ch列表长度=12 Concat层12：将历史层6加入save列表 解析第12层后，save列表：[6] 解析第13层，from=-1，当前ch列表长度=13 解析第13层后，save列表：[6] 解析第14层，from=-1，当前ch列表长度=14 解析第14层后，save列表：[6] 解析第15层，from=-1，当前ch列表长度=15 解析第15层后，save列表：[6] 解析第16层，from=-1，当前ch列表长度=16 解析第16层后，save列表：[6] 解析第17层，from=[-1, 4]，当前ch列表长度=17 Concat层17：将历史层4加入save列表 解析第17层后，save列表：[4, 6] 解析第18层，from=-1，当前ch列表长度=18 解析第18层后，save列表：[4, 6] 解析第19层，from=-1，当前ch列表长度=19 解析第19层后，save列表：[4, 6] 解析第20层，from=-1，当前ch列表长度=20 解析第20层后，save列表：[4, 6] 解析第21层，from=[-1, 14]，当前ch列表长度=21 Concat层21：将历史层14加入save列表 解析第21层后，save列表：[4, 6, 14] 解析第22层，from=-1，当前ch列表长度=22 解析第22层后，save列表：[4, 6, 14] 解析第23层，from=-1，当前ch列表长度=23 解析第23层后，save列表：[4, 6, 14] 解析第24层，from=-1，当前ch列表长度=24 解析第24层后，save列表：[4, 6, 14] 解析第25层，from=[-1, 9]，当前ch列表长度=25 Concat层25：将历史层9加入save列表 解析第25层后，save列表：[4, 6, 9, 14] 解析第26层，from=-1，当前ch列表长度=26 解析第26层后，save列表：[4, 6, 9, 14] 解析第27层，from=-1，当前ch列表长度=27 解析第27层后，save列表：[4, 6, 9, 14] 解析第28层，from=[19, 23, 27]，当前ch列表长度=28 层28：将from列表中的19加入save列表 层28：将from列表中的23加入save列表 层28：将from列表中的27加入save列表 解析第28层后，save列表：[4, 6, 9, 14, 19, 23, 27] Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Ultralytics 8.3.63 🚀 Python-3.10.18 torch-2.1.1+cu118 CUDA:0 (NVIDIA GeForce RTX 2060, 6144MiB) engine\trainer: task=detect, mode=train, model=E:/ultralytics-v8.3.63/ultralytics/models/yolo/pwcmamba/yolov8pwcm.yaml, data=E:/ultralytics-v8.3.63/motogp.yaml, epochs=100, time=None, patience=100, batch=16, imgsz=768, save=True, save_period=-1, cache=True, device=0, workers=2, project=None, name=train12, exist_ok=False, pretrained=False, optimizer=auto, verbose=True, seed=0, deterministic=True, single_cls=False, rect=False, cos_lr=False, close_mosaic=10, resume=False, amp=True, fraction=1.0, profile=False, freeze=None, multi_scale=False, overlap_mask=True, mask_ratio=4, dropout=0.0, val=True, split=val, save_json=False, save_hybrid=False, conf=None, iou=0.7, max_det=300, half=False, dnn=False, plots=True, source=None, vid_stride=1, stream_buffer=False, visualize=False, augment=False, agnostic_nms=False, classes=None, retina_masks=False, embed=None, show=False, save_frames=False, save_txt=False, save_conf=False, save_crop=False, show_labels=True, show_conf=True, show_boxes=True, line_width=None, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=True, opset=None, workspace=None, nms=False, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, pose=12.0, kobj=1.0, nbs=64, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, bgr=0.0, mosaic=1.0, mixup=0.0, copy_paste=0.0, copy_paste_mode=flip, auto_augment=randaugment, erasing=0.4, crop_fraction=1.0, cfg=None, tracker=botsort.yaml, save_dir=runs\detect\train12 WARNING ⚠️ no model scale passed. Assuming scale=&#39;n&#39;. from n params module arguments 解析第0层，from=-1，当前ch列表长度=1 0 -1 1 464 ultralytics.nn.modules.conv.Conv [3, 16, 3, 2] 解析第0层后，save列表：[] 解析第1层，from=-1，当前ch列表长度=1 1 -1 1 4672 ultralytics.nn.modules.conv.Conv [16, 32, 3, 2] 解析第1层后，save列表：[] 解析第2层，from=-1，当前ch列表长度=2 2 -1 1 7360 ultralytics.nn.modules.block.C2f [32, 32, 1, True] 解析第2层后，save列表：[] 解析第3层，from=-1，当前ch列表长度=3 3 -1 1 18560 ultralytics.nn.modules.conv.Conv [32, 64, 3, 2] 解析第3层后，save列表：[] 解析第4层，from=-1，当前ch列表长度=4 4 -1 1 29056 ultralytics.nn.modules.block.C2f [64, 64, 1, True] 解析第4层后，save列表：[] 解析第5层，from=-1，当前ch列表长度=5 5 -1 1 73984 ultralytics.nn.modules.conv.Conv [64, 128, 3, 2] 解析第5层后，save列表：[] 解析第6层，from=-1，当前ch列表长度=6 6 -1 1 115456 ultralytics.nn.modules.block.C2f [128, 128, 1, True] 解析第6层后，save列表：[] 解析第7层，from=-1，当前ch列表长度=7 7 -1 1 184640 ultralytics.nn.modules.conv.Conv [128, 160, 3, 2] 解析第7层后，save列表：[] 解析第8层，from=-1，当前ch列表长度=8 8 -1 1 644690 ultralytics.nn.modules.block.PWCMamba [160, 64] 解析第8层后，save列表：[] 解析第9层，from=-1，当前ch列表长度=9 9 -1 1 18752 ultralytics.nn.modules.block.SPPF [64, 128, 5] 解析第9层后，save列表：[] 解析第10层，from=-1，当前ch列表长度=10 10 -1 1 8320 ultralytics.nn.modules.conv.Conv [128, 64, 1, 1] 解析第10层后，save列表：[] 解析第11层，from=-1，当前ch列表长度=11 11 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, &#39;nearest&#39;] 解析第11层后，save列表：[] 解析第12层，from=[-1, 6]，当前ch列表长度=12 Concat层12：将历史层6加入save列表 12 [-1, 6] 1 0 ultralytics.nn.modules.conv.Concat [1] 解析第12层后，save列表：[6] 解析第13层，from=-1，当前ch列表长度=13 13 -1 1 12416 ultralytics.nn.modules.conv.Conv [192, 64, 1, 1] 解析第13层后，save列表：[6] 解析第14层，from=-1，当前ch列表长度=14 14 -1 1 118178 ultralytics.nn.modules.block.PWCMamba [64, 64] 解析第14层后，save列表：[6] 解析第15层，from=-1，当前ch列表长度=15 15 -1 1 2112 ultralytics.nn.modules.conv.Conv [64, 32, 1, 1] 解析第15层后，save列表：[6] 解析第16层，from=-1，当前ch列表长度=16 16 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, &#39;nearest&#39;] 解析第16层后，save列表：[6] 解析第17层，from=[-1, 4]，当前ch列表长度=17 Concat层17：将历史层4加入save列表 17 [-1, 4] 1 0 ultralytics.nn.modules.conv.Concat [1] 解析第17层后，save列表：[4, 6] 解析第18层，from=-1，当前ch列表长度=18 18 -1 1 3136 ultralytics.nn.modules.conv.Conv [96, 32, 1, 1] 解析第18层后，save列表：[4, 6] 解析第19层，from=-1，当前ch列表长度=19 19 -1 1 34770 ultralytics.nn.modules.block.PWCMamba [32, 32] 解析第19层后，save列表：[4, 6] 解析第20层，from=-1，当前ch列表长度=20 20 -1 1 9280 ultralytics.nn.modules.conv.Conv [32, 32, 3, 2] 解析第20层后，save列表：[4, 6] 解析第21层，from=[-1, 14]，当前ch列表长度=21 Concat层21：将历史层14加入save列表 21 [-1, 14] 1 0 ultralytics.nn.modules.conv.Concat [1] 解析第21层后，save列表：[4, 6, 14] 解析第22层，from=-1，当前ch列表长度=22 22 -1 1 6272 ultralytics.nn.modules.conv.Conv [96, 64, 1, 1] 解析第22层后，save列表：[4, 6, 14] 解析第23层，from=-1，当前ch列表长度=23 23 -1 1 118178 ultralytics.nn.modules.block.PWCMamba [64, 64] 解析第23层后，save列表：[4, 6, 14] 解析第24层，from=-1，当前ch列表长度=24 24 -1 1 36992 ultralytics.nn.modules.conv.Conv [64, 64, 3, 2] 解析第24层后，save列表：[4, 6, 14] 解析第25层，from=[-1, 9]，当前ch列表长度=25 Concat层25：将历史层9加入save列表 25 [-1, 9] 1 0 ultralytics.nn.modules.conv.Concat [1] 解析第25层后，save列表：[4, 6, 9, 14] 解析第26层，from=-1，当前ch列表长度=26 26 -1 1 24832 ultralytics.nn.modules.conv.Conv [192, 128, 1, 1] 解析第26层后，save列表：[4, 6, 9, 14] 解析第27层，from=-1，当前ch列表长度=27 27 -1 1 430914 ultralytics.nn.modules.block.PWCMamba [128, 128] 解析第27层后，save列表：[4, 6, 9, 14] 解析第28层，from=[19, 23, 27]，当前ch列表长度=28 层28：将from列表中的19加入save列表 层28：将from列表中的23加入save列表 层28：将from列表中的27加入save列表 28 [19, 23, 27] 1 267123 ultralytics.nn.modules.head.Detect [1, [32, 64, 128]] 解析第28层后，save列表：[4, 6, 9, 14, 19, 23, 27] Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 16, 16]) (通道数: 64) 输入1形状: torch.Size([1, 128, 16, 16]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 16, 16]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 32, 32]) (通道数: 32) 输入1形状: torch.Size([1, 64, 32, 32]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 32, 32]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 16, 16]) (通道数: 32) 输入1形状: torch.Size([1, 64, 16, 16]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 16, 16]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 8, 8]) (通道数: 64) 输入1形状: torch.Size([1, 128, 8, 8]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 8, 8]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 4, 4]) (通道数: 64) 输入1形状: torch.Size([1, 128, 4, 4]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 4, 4]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 8, 8]) (通道数: 32) 输入1形状: torch.Size([1, 64, 7, 7]) (通道数: 64) Concat拼接失败: Sizes of tensors must match except in dimension 1. Expected size 8 but got size 7 for tensor number 1 in the list. Layer 0: Conv, input device: cuda:0 Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 40, 40]) (通道数: 64) 输入1形状: torch.Size([1, 128, 40, 40]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 40, 40]) (拼接后通道数: 192) Layer 12: Concat, output device: cuda:0 Layer 13: Conv, input device: cuda:0 Layer 13: Conv, output device: cuda:0 Layer 14: PWCMamba, input device: cuda:0 Layer 14: PWCMamba, output device: cuda:0 Layer 15: Conv, input device: cuda:0 Layer 15: Conv, output device: cuda:0 Layer 16: Upsample, input device: cuda:0 Layer 16: Upsample, output device: cuda:0 Layer 17: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 80, 80]) (通道数: 32) 输入1形状: torch.Size([1, 64, 80, 80]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 80, 80]) (拼接后通道数: 96) Layer 17: Concat, output device: cuda:0 Layer 18: Conv, input device: cuda:0 Layer 18: Conv, output device: cuda:0 Layer 19: PWCMamba, input device: cuda:0 Layer 19: PWCMamba, output device: cuda:0 Layer 20: Conv, input device: cuda:0 Layer 20: Conv, output device: cuda:0 Layer 21: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 32, 40, 40]) (通道数: 32) 输入1形状: torch.Size([1, 64, 40, 40]) (通道数: 64) Concat输出形状: torch.Size([1, 96, 40, 40]) (拼接后通道数: 96) Layer 21: Concat, output device: cuda:0 Layer 22: Conv, input device: cuda:0 Layer 22: Conv, output device: cuda:0 Layer 23: PWCMamba, input device: cuda:0 Layer 23: PWCMamba, output device: cuda:0 Layer 24: Conv, input device: cuda:0 Layer 24: Conv, output device: cuda:0 Layer 25: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([1, 64, 20, 20]) (通道数: 64) 输入1形状: torch.Size([1, 128, 20, 20]) (通道数: 128) Concat输出形状: torch.Size([1, 192, 20, 20]) (拼接后通道数: 192) Layer 25: Concat, output device: cuda:0 Layer 26: Conv, input device: cuda:0 Layer 26: Conv, output device: cuda:0 Layer 27: PWCMamba, input device: cuda:0 Layer 27: PWCMamba, output device: cuda:0 Layer 28: Detect, input device: cuda:0 Layer 28: Detect, output device: cuda:0 YOLOv8pwcm summary: 643 layers, 2,170,157 parameters, 2,170,141 gradients, 5.0 GFLOPs Freezing layer &#39;model.28.dfl.conv.weight&#39; AMP: running Automatic Mixed Precision (AMP) checks... AMP: checks skipped ⚠️. Unable to load YOLO11n for AMP checks due to possible Ultralytics package modifications. Setting &#39;amp=True&#39;. If you experience zero-mAP or NaN losses you can disable AMP with amp=False. WARNING ⚠️ imgsz=[768] must be multiple of max stride 51, updating to [816] train: Scanning E:\ultralytics-v8.3.63\datasets\Motogp.v1i.yolov8\train\labels.cache... 97 images, 11 backgrounds, 0 corrupt: 100%|██████████| 97/97 [00:00<?, ?it/s] WARNING ⚠️ cache=&#39;ram&#39; may produce non-deterministic training results. Consider cache=&#39;disk&#39; as a deterministic alternative if your disk space allows. train: Caching images (0.1GB RAM): 100%|██████████| 97/97 [00:00<00:00, 549.04it/s] val: Scanning E:\ultralytics-v8.3.63\datasets\Motogp.v1i.yolov8\valid\labels.cache... 28 images, 4 backgrounds, 0 corrupt: 100%|██████████| 28/28 [00:00<?, ?it/s] WARNING ⚠️ cache=&#39;ram&#39; may produce non-deterministic training results. Consider cache=&#39;disk&#39; as a deterministic alternative if your disk space allows. val: Caching images (0.0GB RAM): 100%|██████████| 28/28 [00:00<00:00, 282.27it/s] WARNING ⚠️ imgsz=[816] must be multiple of max stride 32, updating to [832] No module named &#39;seaborn&#39; optimizer: &#39;optimizer=auto&#39; found, ignoring &#39;lr0=0.01&#39; and &#39;momentum=0.937&#39; and determining best &#39;optimizer&#39;, &#39;lr0&#39; and &#39;momentum&#39; automatically... optimizer: AdamW(lr=0.002, momentum=0.9) with parameter groups 145 weight(decay=0.0), 177 weight(decay=0.0005), 161 bias(decay=0.0) Image sizes 816 train, 816 val Using 2 dataloader workers Logging results to runs\detect\train12 Starting training for 100 epochs... Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size Layer 0: Conv, input device: cuda:0 0%| | 0/7 [00:00<?, ?it/s]Layer 0: Conv, output device: cuda:0 Layer 1: Conv, input device: cuda:0 Layer 1: Conv, output device: cuda:0 Layer 2: C2f, input device: cuda:0 Layer 2: C2f, output device: cuda:0 Layer 3: Conv, input device: cuda:0 Layer 3: Conv, output device: cuda:0 Layer 4: C2f, input device: cuda:0 Layer 4: C2f, output device: cuda:0 Layer 5: Conv, input device: cuda:0 Layer 5: Conv, output device: cuda:0 Layer 6: C2f, input device: cuda:0 Layer 6: C2f, output device: cuda:0 Layer 7: Conv, input device: cuda:0 Layer 7: Conv, output device: cuda:0 Layer 8: PWCMamba, input device: cuda:0 Layer 8: PWCMamba, output device: cuda:0 Layer 9: SPPF, input device: cuda:0 Layer 9: SPPF, output device: cuda:0 Layer 10: Conv, input device: cuda:0 Layer 10: Conv, output device: cuda:0 Layer 11: Upsample, input device: cuda:0 Layer 11: Upsample, output device: cuda:0 Layer 12: Concat, input device: cuda:0 Concat层输入张量数量: 2 输入0形状: torch.Size([16, 64, 52, 52]) (通道数: 64) 输入1形状: torch.Size([16, 128, 51, 51]) (通道数: 128) Concat拼接失败: Sizes of tensors must match except in dimension 1. Expected size 52 but got size 51 for tensor number 1 in the list. 0%| | 0/7 [00:00<?, ?it/s] Traceback (most recent call last): File "E:\ultralytics-v8.3.63\ultralytics\models\yolo\pwcmamba\ceshi.py", line 21, in <module> train() File "E:\ultralytics-v8.3.63\ultralytics\models\yolo\pwcmamba\ceshi.py", line 8, in train results = model.train( File "E:\ultralytics-v8.3.63\ultralytics\engine\model.py", line 806, in train self.trainer.train() File "E:\ultralytics-v8.3.63\ultralytics\engine\trainer.py", line 207, in train self._do_train(world_size) File "E:\ultralytics-v8.3.63\ultralytics\engine\trainer.py", line 381, in _do_train self.loss, self.loss_items = self.model(batch) File "D:\anaconda\envs\mamba\lib\site-packages\torch\nn\modules\module.py", line 1518, in _wrapped_call_impl return self._call_impl(*args, **kwargs) File "D:\anaconda\envs\mamba\lib\site-packages\torch\nn\modules\module.py", line 1527, in _call_impl return forward_call(*args, **kwargs) File "E:\ultralytics-v8.3.63\ultralytics\nn\tasks.py", line 525, in forward return super().forward(x, *args, **kwargs) File "E:\ultralytics-v8.3.63\ultralytics\nn\tasks.py", line 110, in forward return self.predict(x, *args, **kwargs) File "E:\ultralytics-v8.3.63\ultralytics\nn\tasks.py", line 128, in predict return self._predict_once(x, profile, visualize, embed) File "E:\ultralytics-v8.3.63\ultralytics\nn\tasks.py", line 175, in _predict_once x = m(x) # 前向传播 File "D:\anaconda\envs\mamba\lib\site-packages\torch\nn\modules\module.py", line 1518, in _wrapped_call_impl return self._call_impl(*args, **kwargs) File "D:\anaconda\envs\mamba\lib\site-packages\torch\nn\modules\module.py", line 1527, in _call_impl return forward_call(*args, **kwargs) File "E:\ultralytics-v8.3.63\ultralytics\nn\modules\conv.py", line 350, in forward result = torch.cat(x, dim=self.d) RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 52 but got size 51 for tensor number 1 in the list. 进程已结束，退出代码为 1
09-03
在运行包含YOLOv8和PWCMamba模型的代码时，Concat层出现张量拼接失败，错误信息 `&#39;Sizes of tensors must match except in dimension 1. Expected size 52 but got size 51 for tensor number 1 in the list.&#39;` 表明...
Java多线程项目MotoGp的GitHub使用初体验
在Java中，可以使用继承Thread类或实现Runnable接口来创建线程。 4.Java：Java是一种高级的、面向对象的、跨平台的编程语言。Java的运行环境包括Java虚拟机和Java类库。Java语言具有简单、面向对象、分布式、解释性...
React和Redux构建的MotoGP冠军信息展示应用
资源摘要信息:"该文件描述了一个名为motogp-db的应用程序，这是一个基于React和Redux构建的单页应用程序，旨在展示2020年MotoGP赛季的冠军车队和车手信息。它是一个超级基础的应用程序，提供了一个统计目录，非常...
ZK暗战终局：STARK用哈希匕首撕碎「信任神殿」的数学圣战
Biteagle的博客
12-15 387
比特鹰直击密码学最血腥革命——当STARK以哈希函数为武器，终结SNARK的「魔法仪式」，区块链将迎来零信任原生的新时代。本文将揭秘抗量子核武库的运作原理，并预言ZK-Rollup终局之战的关键转折。
区块链 + AI：医疗诊断模型存证上链技术实践与探索
码刀攻城
12-16 801
区块链技术为AI医疗诊断模型的可信度提升、知识产权保护与数据隐私安全提供了有效解决方案
日本股票 API 对接实战指南（实时行情与 IPO 专题）
最新发布
2503_90608203的博客
12-19 632
本文介绍如何通过StockTV API快速接入日本股市数据，包括实时行情、IPO新股日历和K线数据。文章详细说明了API基础路径（countryId=35）、认证方式和数据格式等准备工作，并提供了核心功能实现方法，如获取日本股票列表、大盘指数状态查询以及IPO信息获取。此外还介绍了StockTV API在低延迟、数据全面性和易用性方面的优势，并附上Node.js调用示例，帮助开发者快速集成日本股市数据服务。
PinMe——极简、免费和无需服务器的开源前端部署工具
2303_76885849的博客
12-18 442
PinMe是一款开源的前端部署工具（GitHub 1.7k stars），支持通过命令行或浏览器将静态网站快速部署到IPFS网络。核心特性包括免费、去中心化存储、内容不可篡改，提供.eth.limo短链接。支持HTML/CSS/JS等静态资源，适合个人简历、项目Demo等场景。首次访问可能稍慢，但后续会加速。免费版已满足基本需求，付费版提供更大存储和定制域名。相比传统托管平台，PinMe更侧重快速部署和内容自主权，但不支持动态功能。官网：https://pinme.eth.limo/
区块链软件开发专家：达普韦伯的技术哲学与实战体系
sun10861的博客
12-18 263
为一个传统资管背景的DeFi项目，我们不仅完成了复杂的多策略质押合约开发，更关键的是协助其设计并模拟了一套可持续的代币释放与回购机制。我是达普韦伯技术团队的负责人，今天，我想以一名深耕行业多年的开发者视角，与各位分享我们如何构建可靠、高效且面向未来的区块链软件解决方案。- 为一个急于上线的新兴链游项目，我们在十一天内交付了全套质押与资产市场系统，其合约代码的简洁与高效，使其Gas消耗比行业平均水平低约百分之四十，赢得了早期用户的积极反馈。区块链开发的世界里，速度与安全并非取舍，而是必须兼顾的工程艺术。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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