墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2.5w累计阅读
2.5w+平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AI摘要
文章讲述了在OpenMMLab的项目中，如何在不使用MIM的情况下确定并安装mmcv、mmdet、mmdetection3D和mmseg的正确历史版本，以适应特定的CUDA和PyTorch环境，以及遇到的版本兼容性问题。
openmmlab提供了MIM来统一安装其多个mm功能框架包https://github.com/open-mmlab/mim，但是需要不借助MIM安装时，这里怎么确定要安装什么版本的mmcv和mmdet、mmdet3d、mmseg，在openmmlab网站主页上没有一个容易能找到的完整表格页面来详细记录他们之间的版本对应关系，好不容易找到个Faq页面，里面却只记录了最新的mmcv2.x和其它组件之间的版本，对历史1.x版居然都不记录！反正openmmlab对其mm序列多个功能框架包之间的完整历史版本的对应关系的说明就没有一个完整的清单列表或者统一查询的地方，每次使用基于mmdetection3D框架的模型代码时安装mm相关的包需要去多个页面耐心找！
例如我需要安装对应于CUDA11.6和pytorch1.12.0的mm序列包，是从这里 安装 MMCV — mmcv 2.1.0 文档
点击左下方的Read the Docs 的右边点击可以切换版本，选择v1.7.0，
进入
mmcv与cuda，pytorch版本匹配要求
mmcv与cuda、pytorch版本兼容要求，见mmcv官方文档： 安装部分。
OpenMMLab生态中MMCV与MMDet、MMDet3D、MMSeg版本兼容性全解析
本文深入解析OpenMMLab生态中MMCV、MMDetection、MMDetection3D和MMSegmentation等核心框架的版本兼容性问题。针对开发者常遇到的安装冲突，文章提供了从确定MMCV版本到匹配上层框架的实战指南，并分享了一份经验证的兼容性参考矩阵，帮助用户高效解决环境配置难题。
openMMLab框架版本兼容性指南：mmcv、mmdet、mmdet3d与mmseg的正确搭配
本文详细解析了OpenMMLab生态中mmcv、mmdet、mmdet3d与mmseg等核心框架的版本兼容性问题。针对手动安装场景，文章提供了一套从确定MMCV基础版本到逐层匹配上层框架的实战步骤，并分享了验证方法与常见坑点解决方案，旨在帮助开发者高效解决环境配置难题，确保项目顺利运行。
OpenMMLab全家桶版本匹配避坑指南：从mmcv到mmdet3d的完整对应表
本文详细解析了OpenMMLab全家桶（包括MMCV、MMDet、MMDet3D、MMSeg等）的版本匹配问题，提供了从环境配置到精准匹配的完整解决方案。通过深度解析版本兼容性原理和提供全版本对应关系速查表，帮助开发者避免常见的版本冲突问题，提升开发效率。
mmdet3d环境配置全攻略：PyTorch、mmcv、CUDA版本匹配与踩坑排查
在深度学习工程实践中，环境配置往往是比模型训练更耗时的一环。尤其是涉及3D目标检测、点云处理等任务时，PyTorch、CUDA、mmcv等组件的版本匹配直接决定了后续开发能否顺利进行。理解PyTorch与CUDA的对应关系、mmcv预编译包的获取方式，以及OpenMMLab系列依赖的安装顺序，是高效搭建AI开发环境的基础。本文以mmdet3d为例，剖析从虚拟环境创建、版本矩阵选择到算子验证的完整流程，帮助开发者避开常见报错，快速进入算法实验与自动驾驶场景应用阶段。
UniAD高版本环境适配指南：从CUDA11.6到mmdet3d1.0.0rc4的兼容性实践
本文详细介绍了UniAD在CUDA11.6高版本环境下的适配实践，包括从基础环境搭建到OpenMMLab工具链的版本兼容性调试。通过实战经验分享，帮助开发者解决mmdet3d1.0.0rc4与PyTorch1.12.0的兼容性问题，并提供典型问题排查手册和模型训练技巧，确保UniAD在最新环境中稳定运行。
毕业设计基于Python+Django的大学生请假管理系统源码+PPT材料+演示视频.zip
随着高校学生管理信息化需求的不断增长，开发一套高效、智能的大学生请假管理系统显得尤为重要。本研究基于Python语言、Django框架、MySQL数据库，设计并实现了一套功能完善的大学生请假管理系统。系统涵盖了学生、辅导员、班级信息管理等多个核心模块，为学生提供了便捷的请假申请功能，支持辅导员对学生请假申请的审批与管理。系统通过请假数据模块记录和统计请假信息，为辅导员提供数据支持。MySQL数据库则确保了系统数据的安全存储与高效查询。该系统通过整合多种技术，提升了请假管理的效率和智能化水平，为高校学生管理提供了有力支持。 关键字：请假、Django框架、MySQL数据库、Python语言；
基于CatBoost回归模型的完整预测分析：从建模到SHAP可解释性分析
本文介绍了使用CatBoost回归模型进行完整预测分析的流程。首先导入必要的Python库并加载数据，进行数据预处理包括训练测试集划分和归一化处理。然后通过网格搜索优化CatBoost超参数，使用最优参数训练模型并评估预测性能。结果显示模型具有较高的决定系数(R²=0.9944)和较低的误差指标(RMSE=0.0696)。接着进行残差分析和正态性检验，发现残差基本服从正态分布。最后通过SHAP分析实现模型可解释性，识别关键特征影响。该方法为梯度提升树在回归问题中的应用提供了完整解决方案。
Acute逻辑分析仪TL4134E实战：从触发电平到协议解析的完整避坑指南
本文是一份针对Acute逻辑分析仪TL4134E的实战避坑指南。文章深入解析了触发电平分组、采样率与存储深度权衡、高级触发等核心概念，并提供了混合电压系统测量、eMMC调试内存优化、SPI/I2C/UART协议解析排错等具体配置技巧，帮助硬件工程师和嵌入式开发者高效捕获与分析数字信号，快速定位通信问题。
IAP板卡远程升级（串口网口都可）+Ymodem+AES对bin文件加密+pc软件+板卡相互烧录
还是决定记录一下，毕竟这个东西我也搞了挺久的，遇到一些棘手的，或者是因为我很粗心遇到的问题也和大家分享一下，。 板卡核心是 STM32F103RCT6，256kflash 前言 开始看这个远程升级的时候，我是一头雾水的，原子哥的教程里面也有说到过iap，有了一个大概的了解，我想不明白的是，通过串口下载的方式把hex文件下载到flash，和把bin文件下载到flash难道不是拉一根线，下载一个文件嘛，（初入职场的我并没有考虑到安全这个问题）如果直接将hex文件给到客户那边，风险是非常大...
Android HDMI-CEC协议解析：从机顶盒到电视的无缝遥控联动
本文深入解析Android HDMI-CEC协议，实现机顶盒与电视间的无缝遥控联动。通过剖析设备角色、消息格式及核心操作码，并结合Android HdmiControlManager API实战，详细讲解如何实现电源同步、按键穿透及音量控制，最终解决多设备遥控繁琐的痛点，提升用户体验。
NACA0012的O型网格求解
本篇文章采用偏微分方程数值解法生成NACA0012翼型O型网格，并采用速度势方程求解绕NACA0012翼型迎角为0度时的低速不可压无粘流场。 文章目录一、求解网格1.翼型2.远场3.网格4.迭代5.求解二、求解流场1.偏微分方程2.迭代求解流场三、求解参数1.偏微分方程2.迭代求解四、导出数据 一、求解网格 1.翼型 本次求解网格和流场等采用的是NACA0012（修形）对称翼型，在NACA四位翼型中，第一位数字代表的是弯度，第二位数字代表的是弯度位置，后两位数字代表的是厚度，由于本次翼型的前两位数字都为0，
UG NX二次开发(Python)-API函数介绍与应用实例(三)-UFLayer类操作
采用Python语言进行UG NX二次开发的帮助材料很少，采用录制的方法是一种比较容易实现的方式，但是使用UFun函数更容易上手，我们以后将逐渐的将Python-UFun的功能写进博客中，以便于有需要的人采纳和研究。本博客是为了入门需要，采用简单的创建长方体的功能来讲一下怎么使用Python语言开发。我们今天以移动长方体到某一个图层为例，讲一下UFLayer类中部分函数的使用。另外，我们长期提供UG NX二次开发的功能开发和咨询服务，有疑问可以私信博主或者在评论区讨论。
MATLAB代码实现了一个柱塞泵配流盘过流面积的计算和可视化功能
该MATLAB代码实现了一个柱塞泵配流盘过流面积的计算和可视化功能。输出曲线可直接用于验证设计的合理性（如是否存在过流面积突变或不足）。的不同范围，选择对应的几何模型计算过流面积。通过分段逻辑计算柱塞腔在不同旋转角度（过流面积在特定条件下会被限制（如。），确保结果符合物理实际。条件分支，根据旋转角度。
【YoloV11改进策略】基于流形约束超连接(mHC)增强YoloV11全局特征提取能力|独家复现|梁文峰署名论文
论文标题：流形约束超连接 (Manifold-Constrained Hyper-Connections, mHC)核心问题：针对超连接 (Hyper-Connections, HC) 扩展残差流宽度时破坏恒等映射、引发训练不稳定性和高内存开销的问题，提出一种约束性框架。目标：恢复残差连接的稳定性与可扩展性，同时保持HC的性能增益。基准模型：基于DeepSeek-V3的MoE架构，进行了3B、9B、27B模型的实验验证。论文图示mHC 是一个通用的HC扩展框架。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5万+
扫一扫
