- 博客(85)
- 收藏
- 关注
RSS订阅原创 【Linux 下的 bash 无法正常解析, Windows 的 CRLF 换行符问题导致的】
Windows 和 Linux 换行符不同，脚本是 Windows 风格，Linux 执行会报错。即可完美解决！🎯需要帮你检查一下的内容，看看是否还有别的隐患吗？
2025-03-22 17:00:49
445
原创 【Linux服务器挂载磁盘】Linux服务器重启了之后没有挂载到磁盘，之前的文件夹都没有了。
sudo blkid /dev/sda1 # 获取UUIDsudo nano /etc/fstab # 编辑并添加sudo mount -a # 验证。
2025-03-21 16:16:45
463
原创 【YOLO】批次大小会影响学习效果，会影响三大率
批次大小影响学习率影响收敛速率影响泛化能力小批次（batch < 32）学习率要小训练更慢泛化能力好大批次（batch > 128）学习率可以大训练更快泛化能力可能下降如果你不确定 batch size 选多少，可以从32~64开始，然后调整学习率，观察 loss 变化。
2025-03-11 16:32:41
765
原创 四期书生大模型实战营（【进阶岛】- 第3关 | LMDeploy 量化部署进阶实践）
使用结合W4A16量化与kv cache量化的internlm2_5-1_8b-chat模型封装本地API并与大模型进行一次对话，作业截图需包括显存占用情况与大模型回复，参考4.1 API开发，请注意2.2.3节与4.1节应使用作业版本命令。使用Function call功能让大模型完成一次简单的"加"与"乘"函数调用，作业截图需包括大模型回复的工具调用情况，参考4.2 Function call(选做)
2024-12-31 17:40:31
915
原创 四期书生大模型实战营（【进阶岛】- 第4关 | InternVL 多模态模型部署微调实践）
理解多模态大模型的常见设计模式，可以大概讲出多模态大模型的工作原理。了解InternVL2的设计模式，可以大概描述InternVL2的模型架构和训练流程。了解LMDeploy部署多模态大模型的核心代码，并运行提供的gradio代码，在UI界面体验与InternVL2的对话。了解XTuner，并利用给定数据集微调InternVL2-2B后，再次启动UI界面，体验模型美食鉴赏能力的变化。将训练好的模型上传到。
2024-12-31 14:01:04
854
原创 四期书生大模型实战营（【进阶岛】- 第6关 | MindSearch 快速部署）
闯关任务需要在关键步骤当中截图！任务描述部署MindSearch到 hugging face Spaces上部署MindSearch到 hugging face Spaces上 在官方的MindSearch页面复制Spaces应用到自己的Spaces下，Space 名称中需要包含 MindSearch 关键词，请在必要的步骤以及成功的对话测试结果当中请将作业发布到知乎、优快云等任一社交媒体，将作业链接提交到以下问卷，助教老师批改后将获得 100 算力点奖励！！！
2024-12-30 17:53:44
1154
原创 四期书生大模型实战营（【进阶岛】- 第1关 | 探索书生大模型能力边界）
在书生·浦语 Chat Web 中使用任务一，InternThinker 挑战LeetCode：在 LeetCode 使用 InternThinker 刷 5 道算法题：使用 InternThinker 生成答案提交至 100% 通过。
2024-12-28 14:30:10
948
原创 第四期书生大模型实战营（【基础岛】- 第4关 | InternLM + LlamaIndex RAG 实践）
任务要求1（必做，参考readme_api.md）：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 浦语 API 不会回答，借助 LlamaIndex 后 浦语 API 具备回答 A 的能力，截图保存。注意：写博客提交作业时切记不要泄漏自己 api_key！任务要求2（可选，参考readme.md）
2024-12-10 11:01:59
882
原创 GroundingDINO微调训练_训练日志解释
这些日志输出帮助我们追踪训练过程中的模型表现，包括学习率、损失、梯度、内存使用等。训练损失由多个部分组成，每个部分表示不同任务的损失，例如分类、边框回归和 IoU。如果损失变化较大，可能需要调整模型结构、学习率、数据预处理等因素。如果你需要进一步优化训练或分析训练过程，可以使用这些信息来判断哪些方面的损失较大，从而调整模型或训练参数。
2024-12-09 16:44:27
1713
1
原创 在 Linux 中，重启命令reboot
在中，reboot是一个用于重启系统的命令。它会关闭所有进程、同步磁盘、更改系统状态，并重新启动计算机。
2024-11-21 09:48:43
912
原创 在 Linux 中，`du`（Disk Usage）命令
（Disk Usage）命令用于显示文件和目录的磁盘使用情况。：显示指定目录及其子目录中文件和文件夹的磁盘使用情况，以人类可读的格式。：以人类可读的格式显示磁盘使用情况（例如，KB、MB、GB）。：仅显示指定目录的总磁盘使用量，而不列出其中的每个子目录。：仅显示当前文件系统的磁盘使用情况，不跨越挂载点。：限制输出的目录深度为 N 级。只显示最多两级子目录的磁盘使用情况。会显示总计且以人类可读格式输出。：在输出的最后添加总计信息。这些选项可以组合使用，例如，在 Linux 中，
2024-11-13 14:26:58
332
原创 第四期书生大模型实战营（【基础岛】- 第2关 | 玩转书生「多模态对话」与「AI搜索」产品）
玩转书生「多模态对话」与「AI搜索」产品 - 任务。
2024-11-10 11:20:00
737
原创 四期书生大模型实战营（【基础岛】- 第1关 | 书生·浦语大模型开源开放体系）
书生浦语全链路开源体系通过提供从数据构建到模型应用的全套工具，显著降低了大模型研发和应用的门槛，为人工智能开发提供了更广泛的支持。此生态系统不仅帮助企业更快速地部署大模型，还加速了通用人工智能技术的落地应用。
2024-11-09 13:40:03
905
原创 【格式化查看JSON文件】coco的json文件内容都在一行如何按照json格式查看
json如果COCO的JSON文件内容在一行显示，这通常意味着文件被压缩或者是在传输过程中出现了问题。
2024-11-04 16:23:48
673
原创 四期书生大模型实战营（【基础岛】- 第3关 | 浦语提示词工程实践）
背景问题：近期相关研究指出，在处理特定文本分析任务时，语言模型的表现有时会遇到挑战，例如在分析单词内部的具体字母数量时可能会出现错误。任务要求：利用对提示词的精确设计，引导语言模型正确回答出“strawberry”中有几个字母“r”。完成正确的问答交互并提交截图作为完成凭证。参考答案 （能正确得到答案 3 即可）
2024-11-02 18:43:14
1054
原创 四期书生大模型实战营（【入门岛】- 第4关 | 玩转HF/魔搭/魔乐社区）
闯关任务需要在关键步骤当中截图！任务描述时间模型下载使用Hugging Face平台、魔搭社区平台（可选）和魔乐社区平台（可选）下载文档中提到的模型（至少需要下载config.json文件、odel.safetensors.index.json文件），请在必要的步骤以及结果当中截图。20min模型上传（可选）将我们下载好的config.json文件（也自行添加其他模型相关文件）上传到对应HF平台和魔搭社区平台，并截图。10minSpace上传（可选）
2024-10-27 22:05:02
680
原创 第四期书生大模型实战营（【入门岛】- 第1关 | Linux基础知识）
任务描述完成所需时间闯关任务完成SSH连接与端口映射并运行hello_world.py10min可选任务 1将Linux基础命令在开发机上完成一遍10min可选任务 2使用 VSCODE 远程连接开发机并创建一个conda环境10min可选任务 3创建并运行test.sh文件10min请将作业发布到知乎、优快云等任一社交媒体，将作业链接提交到以下问卷，助教老师批改后将获得 50 算力点奖励！！！
2024-10-27 20:32:01
790
原创 第四期书生大模型实战营（【入门岛】- 第2关 | Python 基础知识 ）
任务概览任务类型任务内容预计耗时闯关任务Leetcode 383(笔记中提交代码与leetcode提交通过截图)15mins闯关任务Vscode连接InternStudio debug笔记15mins闯关作业总共分为两个任务，两个任务均完成视作闯关成功。请将作业发布到知乎、优快云等任一社交媒体，将作业链接提交到以下问卷，助教老师批改后将获得 50 算力点奖励！！！任务一完成, 笔记中提交代码与leetcode提交通过截图任务二。
2024-10-26 21:57:02
1056
1
原创 第四期书生大模型实战营（【入门岛】- 第3关 | Git 基础知识 ）
目标每位参与者提交一份自我介绍。提交地址：https://github.com/InternLM/Tutorial 的 class 分支～要求命名格式为 .md，其中 是您的报名问卷UID。文件路径应为 ./icamp4/。【大家可以叫我】内容可以是 GitHub 昵称、微信昵称或其他网名。在 GitHub 上创建一个 Pull Request，提供对应的 PR 链接。Fork创建一个新的分支，相当与创建了一个副本在自己的仓库下。
2024-10-26 14:22:51
1073
原创 【ls -l 命令查看文件权限】【chmod 修改文件权限命令及解释】
查看文件权限：使用ls -l查看文件和目录的详细权限信息。修改权限：使用chmod命令，使用符号模式（如u+r）或数字模式（如755）进行权限修改。递归修改：使用chmod -R修改整个目录树的权限。
2024-09-26 11:59:31
1703
原创 模型“鲁棒性”是什么，和“泛化性”有什么异同。
泛化性更多关注模型是否能在不同的数据分布下有效地应用学到的规律，而鲁棒性则关注模型在面对具体的干扰或噪声时的稳定性。：一个泛化性强的模型可能会具备一定的鲁棒性，因为它能够从多样化的数据中学习到较为通用的特征和规律。指的是模型在未见过的、训练数据之外的数据上的表现能力。良好的泛化性可以帮助模型在不同的数据分布下保持较好的性能，而良好的鲁棒性则确保模型在数据质量差或条件变化大的情况下仍能稳定工作。总结来说，模型的鲁棒性问题是模型在面对图片压缩导致的图像质量变化时，表现出性能波动的主要原因。
2024-09-05 17:29:37
1584
原创 安装torch报错 raise ReadTimeoutError(self._pool, None, “Read timed out.“) pip._vendor.urllib3.exceptions
软件包时发生了超时错误，可能是由于网络连接不稳定、下载速度慢或者服务器暂时不可用导致的。如果以上方法都没有解决问题，可以考虑手动下载 .whl 文件，然后使用 pip install .whl 命令进行安装。你可以尝试使用国内的 PyPI 镜像源，这些镜像通常能提供更快的下载速度。确保你的网络连接稳定，可以尝试切换到更快的网络，或者关闭 VPN 等可能影响网络连接的工具。如果一次性安装多个软件包出现问题，可以尝试分别安装每个软件包。有时候，网络问题可能是暂时的，稍后重新尝试安装可能就会成功。
2024-09-04 17:31:37
1037
原创 上传本地项目到git上面
当前的问题是由于远程仓库缺少默认分支导致的。你需要确保远程仓库有一个默认分支，然后再推送 my_dev 分支。可以联系项目管理员创建默认分支，或者自己创建并推送一个默认分支。创建项目时选中 Initialize repository with a README或者创建一个master分支。
2024-09-04 16:05:46
3745
原创 【SAM2分割万物—本地部署：实时分割图像、视频】OSError：未设置环境变量CUDA_HOME。请将其设置为您的 CUDA 安装根目录。
使用–no-build-isolation可以避免重复安装依赖、帮助调试构建问题，并确保构建过程与现有环境更好地集成。
2024-08-07 19:55:20
3791
原创 检查当前安装的 PyTorch 和 CUDA 版本，并验证它们是否正常工作
这将显示有关你的 NVIDIA 驱动程序和 GPU 的详细信息，包括驱动程序版本、CUDA 版本和 GPU 使用情况等。这将显示当前安装的 CUDA 版本、可用 GPU 的数量以及当前使用的 GPU 设备名称。这将显示 CUDA 编译器驱动的版本信息。
2024-08-02 16:51:26
1847
原创 tmux【避免意外关机导致中断服务器中运行的程序】
#创建一个新的 tmux 会话tmux new -s my-session#退出 tmux 会话 `Ctrl-b d`#进入 tmux 会话tmux lstmux attach -t my-session#终止一个 tmux 会话tmux kill-session -t my-session
2024-07-17 18:17:20
831
原创 Windows中的watch nvidia-smi
Windows一行命令来实现类似于Linux中。这样一来，命令行窗口会每。秒自动刷新并显示最新的。
2024-07-16 09:17:12
755
原创 【利用GroundingDINO裁剪分类任务的数据集】及文本提示检测图像任意目标(Grounding DINO) 的使用
如果您有 CUDA 环境，请确保设置了环境变量 CUDA_HOME。如果没有可用的 CUDA，它将在仅 CPU 模式下编译。该脚本指定目录后，会对该目录下子文件夹的不同目标类别，进行裁剪并将裁剪结果放在与原路径对应的相对路径种。是因为timm版本和cuda，pytorch等版本不匹配重新安装可以解决这个bug。需要下载下面的三个文件，放进text_encoder_type里面就好。
2024-07-10 20:15:05
1903
1
原创 Linux和Windows配置公钥到服务器上【免密登录/传输文件】
输入密码后，ssh-copy-id 会自动将你的公钥追加到远程服务器上的 ~/.ssh/authorized_keys 文件中。在 Windows 上，你可以使用 ssh-copy-id 来简化复制公钥的过程，但通常它并不是默认安装的。因此，你可以手动复制公钥到远程服务器。通过这些步骤，你应该能够在 Windows上将本地生成的 SSH 公钥复制到远程服务器，并使用 SSH 密钥进行无密码登录。如果你不确定这个警告的原因，或者认为可能存在安全问题，建议联系系统管理员进一步确认服务器的状态和密钥更改的原因。
2024-07-10 16:51:53
2442
原创 【YOLO模型训练时，减小批次大小（Batch Size）可能会加快训练速度】
需要注意的是，虽然减小批次大小可能会提高训练速度，但这也会带来一些潜在的缺点：
2024-06-18 11:00:39
2040
原创 【yolov8分类任务-全流程】【公开数据白内障-101：101例白内障手术的视频数据集】
摘要白内障手术是眼科领域最常进行的显微手术之一。这种手术背后的目标是用人造晶状体代替人眼晶状体，这是由于衰老而经常需要的干预。整个手术是在显微镜下进行的，但共同安装的摄像机可以记录和存档手术过程。目前，录制的视频以术后方式用于记录和培训。录制白内障视频的另一个好处是，它们能够进行视频分析（即手动和/或自动视频内容分析），以调查与医学相关的研究问题（例如，并发症的原因）。然而，这需要一个医疗多媒体信息系统，该系统根据现有数据进行训练和评估，而这些数据目前尚未公开。
2024-05-14 14:32:36
1325
1
原创 yolo系列热力图，即插即用。
原地址：https://github.com/z1069614715/objectdetection_script/tree/master/yolo-gradcam
2024-03-29 16:16:02
395
原创 【MOT多目标跟踪】最简单的demo
Ultralytics YOLO 支持以下跟踪算法。通过传递相关的 YAML 配置文件（如。BoT-SORT - 使用 botsort.yaml 以启用此跟踪器。字节跟踪 - 使用 bytetrack.yaml 以启用此跟踪器。model：训练好的检测模型；source需要追踪的图片或视频。这部分就不赘述了，用命令快速训练，然后进行追踪。只需要修改model，source的位置就行。或者python代码。
2024-03-28 11:16:59
523
原创 使用yolov8，报错AttributeError: module ‘cv2‘ has no attribute ‘setNumThreads‘
我使用 opencv-python==4.6.0.66 修复了这个问题，请重新安装你的 opencv 或使用 docker 镜像可能需要更改 opencv-python 版本的范围，以确保 opencv 更新不会对未来产生任何影响:)
2024-03-22 10:49:09
1364
原创 【处理数据标签】1.提取目标类别的图片和标签；2.删除目标标签制作负样本。
用白色填充图片的目标区域，删除目标标签类的标签框。用白色填充图片的目标区域，删除目标标签类的标签框。
2024-03-20 15:08:01
332
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人