ubuntu服务器安装labelimg报错记录

Ubuntu18.04下的labelImg使用教程 使用LabelImg对yolov8数据集进行标注 阅读详情

报错提示

按照步骤安装完labelimg后,在终端输入labelImg后,报错:

(labelimg) root@interactive59753:~# labelImg
………………

Got keys from plugin meta data ("xcb")
QFactoryLoader::QFactoryLoader() checking directory path "/root/anaconda3/envs/labelimg/bin/platforms" ...
Cannot load library /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/libqxcb.so: (libfontconfig.so.1: cannot open shared object file: No such file or directory)
QLibraryPrivate::loadPlugin failed on "/root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/libqxcb.so" : "Cannot load library /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/libqxcb.so: (libfontconfig.so.1: cannot open shared object file: No such file or directory)"
qt.qpa.plugin: Could not load the Qt platform plugin "xcb" in "" even though it was found.
This application failed to start because no Qt platform plugin could be initialized. Reinstalling the application may fix this problem.

Available platform plugins are: eglfs, linuxfb, minimal, minimalegl, offscreen, vnc, wayland-egl, wayland, wayland-xcomposite-egl, wayland-xcomposite-glx, webgl, xcb.

Aborted (core dumped)

查看报错原因

首先,终端输入vim ~/.bashrc,在最后一行输入export QT_DEBUG_PLUGINS=1,然后source ~/.bashrc,最后再输入labelImg,就会在终端输出报错信息,如图所示:
在这里插入图片描述

这里cd /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms,然后输入ldd libqxcb.so,查看缺少的库,如下所示:
在这里插入图片描述

(labelimg) root@interactive59753:~/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/pl
atforms# ldd libqxcb.so 
        linux-vdso.so.1 (0x00007fff17fca000)
        libQt5XcbQpa.so.5 => /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/./../../lib/libQt5XcbQpa.so.5 (0x00007fba3a831000)
        libfontconfig.so.1 => not found
        libfreetype.so.6 => not found
        libz.so.1 => /lib/x86_64-linux-gnu/libz.so.1 (0x00007fba3a80a000)
        libQt5Gui.so.5 => /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/./../../lib/libQt5Gui.so.5 (0x00007fba39f35000)
        libQt5DBus.so.5 => /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/./../../lib/libQt5DBus.so.5 (0x00007fba39ca6000)
        libQt5Core.so.5 => /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/./../../lib/libQt5Core.so.5 (0x00007fba3945d000)
        libGL.so.1 => /lib/x86_64-linux-gnu/libGL.so.1 (0x00007fba393d5000)
        libpthread.so.0 => /lib/x86_64-linux-gnu/libpthread.so.0 (0x00007fba393b2000)
        libX11-xcb.so.1 => /lib/x86_64-linux-gnu/libX11-xcb.so.1 (0x00007fba393ad000)
        libxcb-icccm.so.4 => not found
        libxcb-image.so.0 => not found
        libxcb-shm.so.0 => /lib/x86_64-linux-gnu/libxcb-shm.so.0 (0x00007fba393a6000)
        libxcb-keysyms.so.1 => not found
        libxcb-randr.so.0 => /lib/x86_64-linux-gnu/libxcb-randr.so.0 (0x00007fba39393000)
        libxcb-render-util.so.0 => not found
        libxcb-render.so.0 => not found
        libxcb-shape.so.0 => not found
        libxcb-sync.so.1 => /lib/x86_64-linux-gnu/libxcb-sync.so.1 (0x00007fba39387000)
        libxcb-xfixes.so.0 => /lib/x86_64-linux-gnu/libxcb-xfixes.so.0 (0x00007fba3937d000)
        libxcb-xinerama.so.0 => /lib/x86_64-linux-gnu/libxcb-xinerama.so.0 (0x00007fba39378000)
        libxcb-xkb.so.1 => not found
        libxcb.so.1 => /lib/x86_64-linux-gnu/libxcb.so.1 (0x00007fba3934e000)
        libXext.so.6 => /lib/x86_64-linux-gnu/libXext.so.6 (0x00007fba39337000)
        libX11.so.6 => /lib/x86_64-linux-gnu/libX11.so.6 (0x00007fba391fa000)
        libSM.so.6 => not found
        libICE.so.6 => not found
        libxkbcommon-x11.so.0 => not found
        libxkbcommon.so.0 => not found
        libdl.so.2 => /lib/x86_64-linux-gnu/libdl.so.2 (0x00007fba391f2000)
        libstdc++.so.6 => /lib/x86_64-linux-gnu/libstdc++.so.6 (0x00007fba39010000)
        libm.so.6 => /lib/x86_64-linux-gnu/libm.so.6 (0x00007fba38ec1000)
        libgcc_s.so.1 => /lib/x86_64-linux-gnu/libgcc_s.so.1 (0x00007fba38ea6000)
        libc.so.6 => /lib/x86_64-linux-gnu/libc.so.6 (0x00007fba38cb4000)
        libfontconfig.so.1 => not found
        libfreetype.so.6 => not found
        libxcb-icccm.so.4 => not found
        libxcb-image.so.0 => not found
        libxcb-keysyms.so.1 => not found
        libxcb-render-util.so.0 => not found
        libxcb-render.so.0 => not found
        libxcb-shape.so.0 => not found
        libxcb-xkb.so.1 => not found
        libSM.so.6 => not found
        libICE.so.6 => not found
        libxkbcommon-x11.so.0 => not found
        libxkbcommon.so.0 => not found
        libgthread-2.0.so.0 => /lib/x86_64-linux-gnu/libgthread-2.0.so.0 (0x00007fba38ca9000)
        libglib-2.0.so.0 => /lib/x86_64-linux-gnu/libglib-2.0.so.0 (0x00007fba38b7f000)
        libdbus-1.so.3 => /lib/x86_64-linux-gnu/libdbus-1.so.3 (0x00007fba38b2e000)
        libicui18n.so.56 => /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/./../../lib/libicui18n.so.56 (0x00007fba38695000)
        libicuuc.so.56 => /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/./../../lib/libicuuc.so.56 (0x00007fba382db000)
        libicudata.so.56 => /root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/./../../lib/libicudata.so.56 (0x00007fba368f8000)
        /lib64/ld-linux-x86-64.so.2 (0x00007fba3ad8e000)
        libGLdispatch.so.0 => /lib/x86_64-linux-gnu/libGLdispatch.so.0 (0x00007fba36840000)
        libGLX.so.0 => /lib/x86_64-linux-gnu/libGLX.so.0 (0x00007fba3680c000)
        libXau.so.6 => /lib/x86_64-linux-gnu/libXau.so.6 (0x00007fba36806000)
        libXdmcp.so.6 => /lib/x86_64-linux-gnu/libXdmcp.so.6 (0x00007fba367fc000)
        libpcre.so.3 => /lib/x86_64-linux-gnu/libpcre.so.3 (0x00007fba36789000)
        libsystemd.so.0 => /lib/x86_64-linux-gnu/libsystemd.so.0 (0x00007fba366da000)
        libbsd.so.0 => /lib/x86_64-linux-gnu/libbsd.so.0 (0x00007fba366c0000)
        librt.so.1 => /lib/x86_64-linux-gnu/librt.so.1 (0x00007fba366b6000)
        liblzma.so.5 => /lib/x86_64-linux-gnu/liblzma.so.5 (0x00007fba3668b000)
        liblz4.so.1 => /lib/x86_64-linux-gnu/liblz4.so.1 (0x00007fba3666a000)
        libgcrypt.so.20 => /lib/x86_64-linux-gnu/libgcrypt.so.20 (0x00007fba3654c000)
        libgpg-error.so.0 => /lib/x86_64-linux-gnu/libgpg-error.so.0 (0x00007fba36529000)

然后把报错提示的not found的都安装一遍,就可以了。


安装

比如对于libfontconfig.so.1 => not found,我这里安装的是apt-get install libfontconfig1,这个是百度得到的结果,安装完后重新ldd,看还有哪一些是not found 的,一个个安装就可以了。
这里可能会有疑问说,怎么找到就是要安装这些包,说实话,我也不知道,我自己一个个百度的,那就大家自己百度吧。这里看到有一个博文写了相关的:https://blog.youkuaiyun.com/lyfwill/article/details/88958738,大家可以自己甄别,反正我试过我不能用。


报错

解决完上面的,又来一个报错

Got keys from plugin meta data ("xcb")
QFactoryLoader::QFactoryLoader() checking directory path "/root/anaconda3/envs/labelimg/bin/platforms" ...
loaded library "/root/anaconda3/envs/labelimg/lib/python3.6/site-packages/PyQt5/Qt5/plugins/platforms/libqxcb.so"
qt.qpa.xcb: could not connect to display :0
qt.qpa.plugin: Could not load the Qt platform plugin "xcb" in "" even though it was found.
This application failed to start because no Qt platform plugin could be initialized. Reinstalling the application may fix this problem.

Available platform plugins are: eglfs, linuxfb, minimal, minimalegl, offscreen, vnc, wayland-egl, wayland, wayland-xcomposite-egl, wayland-xcomposite-glx, webgl, xcb.

Aborted (core dumped)

这个报错不会解决,试了很多方法都不行,什么链接xshell什么的都不行。

ubuntu22 安装labelimg制作自己的深度学习目标检测数据集 确保您的Ubuntu系统已安装Python 3.7或更高版本。可以通过在终端输入来检查Python版本。 阅读详情

相关推荐

Labelimg安装使用全指南:轻量级图像标注工具实战解析

图像标注是计算机视觉项目的基础环节,涉及Pascal VOC、YOLO等主流数据格式的生成与校验。Labelimg作为轻量级开源标注工具,凭借零依赖、跨平台、离线可用等特性,成为教育实训、工业缺陷检测及边缘部署场景的首选。其核心价值在于将复杂CV流程收敛至‘画框→导出→直喂模型’的极简链路,尤其适配算力受限、网络不可靠、人员非技术背景的真实工程环境。本文围绕Labelimg的安装兼容性(Windows/macOS/Ubuntu/国产OS)、标注规范设计(像素对齐、类别索引、YOLO训练直通)、效率技巧(快捷

weixin_30940783的博客 400

【无标题】Ubuntu18.04下Python程序出现错误qt.qpa.plugin: Could not load the Qt platform plugin xcb解决方法

出现“qt.qpa.plugin: Could not load the Qt platform plugin “xcb” in ‘ ’even though it was found 执行.py文件报错: 一个使用Pyqt5库的Python程序时,出现报错: // 注意看最后一段报错信息 Got keys from plugin meta data ("xcb") QFactoryLoader::QFactoryLoader() checking directory path "/usr/bin/pl

3917

LabelImg图像标注工具:从安装到实战,高效构建目标检测数据集

在计算机视觉领域,数据标注是模型训练的基石,尤其对于目标检测任务,高质量的标注数据直接决定模型性能。其核心原理是通过人工或辅助工具为图像中的目标物体添加位置和类别信息,形成结构化数据。这项技术的价值在于为深度学习模型提供监督信号,是模型从“看到”到“看懂”的关键环节,广泛应用于安防监控、工业质检、自动驾驶等场景。本文聚焦于使用开源工具LabelImg进行矩形框标注,详细解析其本地化部署、高效标注工作流,并深入对比PASCAL VOC与YOLO两种主流标注格式的差异与转换方法,助力读者快速构建自己的目标检测数

weixin_30527423的博客 322

2021-08-18

Got keys from plugin meta data ("xcb") QFactoryLoader::QFactoryLoader() checking directory path "/home/ss/anaconda3/envs/s/bin/platforms" ... loaded library "/home/ss/anaconda3/envs/s/lib/python3.8/site-packages/cv2/qt/plugins/platforms/libqxcb.so" QObject

我想更黑一点 1180

YOLOv8全链路实操:从安装、推理到自定义训练避坑指南

目标检测是计算机视觉落地最广泛的技术方向之一,其核心在于模型、数据与工程环境的协同验证。YOLO系列凭借实时性与精度平衡,成为工业级应用首选;而YOLOv8作为Ultralytics推出的轻量高效版本,天然适配边缘部署与快速迭代场景。理解其运行原理需穿透框架封装,掌握CUDA/PyTorch版本兼容逻辑、推理时预处理与后处理一致性、以及自定义数据集格式与标注质量对训练收敛的决定性影响。本文聚焦真实开发流中的高频卡点——环境报错、推理失准、loss异常,以可复现的命令行操作、调试打印技巧和数据校验脚本为载体,

weixin_34150830的博客 379

本地化AI编程助手:Codex离线部署与IDE深度集成实战

代码生成模型是现代开发提效的核心基础设施,其本质是基于大语言模型的程序合成技术,通过理解上下文AST节点、SQL语法结构及工程元数据实现精准补全。技术价值在于突破网络依赖与合规边界,在无外网、高安全要求场景下提供稳定、可审计、低延迟的智能编码支持。典型应用场景包括金融核心系统脚本生成、工业内网自动化工具开发、政务云离线环境二次开发等。本文聚焦ChatGT-5.5-Codex这一面向中文工程语义优化的本地化方案,深入解析其离线模型服务、LSP协议桥接与MySQL/Git上下文感知三大关键技术实现。

weixin_30399155的博客 394

第十六届智能车:yolov3-tiny实现检测人是否戴眼镜,是否长头发

首先去anaconda官网下载最新版anacondahttps://www.anaconda.com/products/individual#linux 按照官方步骤安装https://docs.anaconda.com/anaconda/install/linux/ 创建虚拟环境并按要求安装环境https://blog.youkuaiyun.com/qq_32244493/article/details/109544229 相关命令: conda activate yolov3 conda info --envs

weixin_44494462的博客 851

单人机器学习部署实战:资源受限环境下的生存指南

机器学习部署(ML Deployment)是模型从实验走向真实价值的关键环节,其核心在于工程化落地能力,而非仅限于算法精度。在资源受限环境(Resource-Constrained Environment)中,传统MLOps流程因依赖专职角色与复杂基础设施而失效;取而代之的是以运行韧性(Operational Resilience)为目标的轻量级实践路径——依托Linux原语、极简可观测性、状态自持型部署与降级优先架构,实现模型在无团队、低预算、弱硬件条件下的稳定服务。本文聚焦Solo Practition

489

固态、机械双硬盘+UEFI、APT+Win10、Ubuntu18.04LTS双系统+GTX 1080Ti+Cuda9.0+cudnn7.1.4+Tensorflow1.12

固态、机械双硬盘+UEFI、APT+Win10、Ubuntu18.04LTS双系统+GTX 1080i+Cuda9.0+cudnn7.1.4+Tensorflow1.121、在Win10上装Ubuntu18.04LTS双系统2、在Ubuntu18.04LTS上面配置开发环境3、安装tensowflow3.1 准备工作3.2 安装显卡驱动3.3 安装cuda3.4 安装cudnn3.5 安装open...

朱晓海的博客 3055

YOLOv11微调实战:基于GPU Droplets的定制数据集高效训练

目标检测是计算机视觉落地最广泛的技术方向之一,其核心在于如何将预训练模型适配到特定场景的定制数据集上。YOLO系列凭借结构简洁、推理高效、微调友好等优势,成为工业级目标检测的首选框架。随着YOLOv8/v9主干持续演进,社区融合HMHA注意力机制与动态标签分配策略,形成了工程导向的增强型训练范式——即广义上的‘YOLOv11’。该范式不追求版本号迭代,而聚焦小样本泛化、低光照鲁棒性与显存效率三大痛点。借助DigitalOcean GPU Droplets等云原生算力,可实现开箱即用的PyTorch-GPU环

weixin_30919571的博客 317

YOLO小样本训练与端侧一键部署平台实战:从20张图到嵌入式AI应用

目标检测作为计算机视觉的核心任务,其核心原理是通过深度学习模型在图像中定位并识别特定物体。YOLO系列模型因其在速度与精度间的优异平衡,成为工业落地的主流选择。其技术价值在于能够实现实时、高效的目标识别,广泛应用于安防监控、工业质检、自动驾驶等领域。然而,传统开发流程面临小样本训练效果差、模型转换复杂、跨平台部署门槛高等工程挑战。针对这些痛点,集成了数据智能扩增、自动化训练流水线和一键端侧部署的YOLO全流程平台应运而生。该平台通过内置的智能数据扩增策略有效应对小样本难题,并利用预训练模型微调提升模型性能。

weixin_34221773的博客 388

YOLOv5环境搭建与自定义数据集训练全流程实战指南

目标检测是计算机视觉领域的核心任务之一,旨在识别图像或视频中的特定物体并定位其位置。其核心原理是通过深度学习模型,通常是卷积神经网络,学习从输入图像到物体类别和边界框的映射关系。这项技术的价值在于为自动化视觉感知提供了可能,广泛应用于自动驾驶、工业质检、安防监控和医疗影像分析等场景。在众多目标检测框架中,YOLO系列以其出色的速度与精度平衡而备受青睐。本文聚焦于最新的YOLOv5,详细解析如何在Ubuntu系统上,从零开始完成包括环境配置、依赖安装、数据标注、模型训练到性能调优的完整实战流程。文中特别针对P

weixin_29061531的博客 282

anno arm移植Qt环境后,编译正常,程序无法正常启动问题的记录

anno arm移植Qt环境后,编译正常,程序无法正常启动问题的记录 Cannot load librarylibqxcb.so: (libQt5XcbQpa.so.5: symbol , version Qt_5_PRIVATE_API not defined in filelibQt5Gui.so.5 with link time reference) 在Arm板上移植Qt环境后(源码重新编译方式install),对程序能够编译,但是在启动程序时报错: Got keys from ...

std::cout"helloworld"std::endl 1503

YOLOv5工业落地实战:从产线部署到嵌入式交付

YOLO(You Only Look Once)作为主流单阶段目标检测框架,其核心价值不仅在于高精度与实时性,更在于工程可交付性。相比追求SOTA指标的YOLOv8/v10,YOLOv5凭借清晰代码结构、稳定训练收敛性与优异ARM平台兼容性,成为工厂质检、农业巡检、物流分拣等边缘场景的首选。本文聚焦YOLOv5的工业级落地关键路径:锚点动态聚类适配多尺度目标、Mosaic增强强度调控以保小目标召回、ONNX动态输入导出支持多分辨率相机、置信度阈值业务成本驱动调优。所有方案均源于真实产线(汽车零部件、光伏组件

weixin_34169322的博客 283

【YOLOv8/v9/v10 实战 07】环境搭建与数据准备:从零开始配置YOLO训练环境

本文详细介绍了从零开始配置YOLO(v8/v9/v10)训练环境的完整流程。涵盖硬件选型建议、操作系统与驱动配置、CUDA/cuDNN/PyTorch安装(含多版本共存)、Ultralytics库深度使用、数据集构建规范(YOLO格式、标注工具、格式转换)、训练启动与监控、多GPU与混合精度训练,以及典型错误的排查方法。旨在帮助开发者和学生快速搭建稳定高效的训练环境,避免环境兼容性问题,为后续模型训练和调优奠定坚实基础。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 309

从零开始搭建企业级安全扫描平台:基于Docker的Greenbone和ClamAV部署指南

本文提供了一份基于Docker容器技术,从零开始搭建企业级安全扫描平台的实战指南。详细介绍了如何部署和集成漏洞扫描工具Greenbone与病毒扫描工具ClamAV,涵盖架构设计、Docker环境优化、容器化部署步骤以及平台集成与监控方案,帮助企业构建自动化、可扩展的安全防御核心组件。

delta的博客 756

TensorFlow 1.14 + Mask R-CNN工业部署实战指南

实例分割(Instance Segmentation)是目标检测的高阶演进,其核心在于像素级对象定位与区分。Mask R-CNN作为该任务的经典架构,依托区域提议与掩码分支协同实现精准建模;TensorFlow 1.14则凭借稳定的Graph执行模式、成熟的CUDA 10.0兼容性及LTS长期支持特性,在老旧硬件与受限环境(如Ubuntu 16.04、Tesla P4、2GB工控机)中展现出不可替代的工程价值。相比TF 2.x的Eager模式开销与PyTorch框架对新驱动的强依赖,该组合在工业质检、医疗标

weixin_34043301的博客 734

机器学习入门指南:Jupyter Notebook实战

对于机器学习工程师而言,他们更擅长的是算法、模型、数据探索的工作,而对于工程化的能力则并不是其擅长的工作。Jupyter Notebook生成PMML文件1​​​​​​​。Jupyter Notebook生成PMML文件2​​​​​​​。PySpark Notebook建模 -折线图​​​​​​​。TensorFlowNotebook建模​​​​​​​。R Notebook建模 - 散点图​​​​​​​。PySpark Notebook建模​​​​​​​。R Notebook获取训练数据集​​​​​​​。

datacreating的博客 1975

YOLOv8超市空货架识别系统:从算法原理到零售AI落地实践

目标检测作为计算机视觉的核心技术,通过深度学习算法实现对图像中特定目标的定位与识别。YOLOv8作为当前最先进的目标检测框架,采用单阶段检测架构,在保持高精度的同时显著提升推理速度。在零售行业智能化转型中,基于YOLOv8的空货架识别系统能够实现7x24小时自动监控,有效解决传统人工巡检效率低、实时性差的问题。该系统通过实时检测货架状态,当置信度阈值达到预设标准时自动触发告警,帮助超市管理人员快速响应补货需求。在实际部署中,系统支持图片、视频和摄像头实时检测三种模式,mAP50达到0.937的优异性能指标,

dflkg8956的专栏 497

【Collibra 驱动 IPD 数据血缘治理】:三层图谱分层展示体系与全链路追踪的技术业务实践

(应用级/数据级/字段级)是理解复杂数据流动的核心手段。其价值不仅体现在可视化的直观性,更在于通过。技术保障血缘不可篡改性,进一步提升IPD数据治理的可靠性。,解决了跨层级血缘分析的性能与可用性矛盾。数据血缘图谱要素定义(字节跳动/腾讯云/信安标委)实现对IPD数据的精准追踪,而数据血缘图谱的。分层交互设计标准(智慧城市数据中台规范)Collibra技术文档(2024)字段级血缘的挑战与解决路径。自动优化血缘路径,并深化。字段级血缘技术实现方案。Collibra通过。图数据库性能优化原理。

百态·数智思维 | 聚焦大数据、量化与未来AI 1244

联想开天N70z/N79Z G1d笔记本Win驱动下载

本文介绍了联想开天N70Z/N79Z G1d笔记本在Win11系统下的驱动安装方法。提供了WiFi网卡驱动(RealtekWlan)和显卡驱动(ZX C960 GPU)的详细安装步骤,包括手动更新驱动和卸载流程。驱动安装后成功支持5G WiFi连接并正确识别显卡型号。文中附有系统信息和安装效果截图,同时提供了官方驱动下载地址及备用下载链接。该指南适用于需要为联想开天N70Z/N79Z G1d笔记本安装Win11驱动的用户参考。

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 3878

基于Jetson Nano与YOLO的口罩检测边缘AI系统实战指南

目标检测是计算机视觉的核心任务之一,旨在识别图像中的物体并定位其位置。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并预测边界框和类别。这项技术的价值在于能将AI能力从云端下沉到边缘设备,实现低延迟、高隐私的实时分析。在智慧安防、工业质检、公共卫生等场景中,边缘目标检测应用广泛。本文聚焦于一个典型应用——口罩佩戴检测,并深入探讨了如何利用NVIDIA Jetson Nano边缘计算平台和YOLO系列模型,结合Docker容器化技术,构建一个高效、可部署的智能监控系统。文中详细解析了从硬件选型、模型训

weixin_33704591的博客 344

数字 IC 笔试面试必考点(1)FPGA 芯片架构

FPGA 芯片架构是非常重要的,如果你不了解 FPGA 芯片内部的详细架构,那么...

新芯设计的博客 2808
上一篇: YOLOv1代码注释
下一篇: nnunetv2(一)项目结构、配置文件和nnUNetv2_convert_MSD_dataset命令
@@老胡
博客等级 码龄7年 291粉丝 184原创
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
 
 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