<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[豆破苍琼]]></title><description><![CDATA[念念不忘，必有回响。]]></description><link>https://blog.youkuaiyun.com/github_37287822</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; github_37287822]]></copyright><item><title><![CDATA[踩坑 5090 编译构建 Paddle 源码]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/163697985</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/163697985</guid><author>github_37287822</author><pubDate>Wed, 12 Aug 2026 14:30:26 +0800</pubDate><description><![CDATA[本文记录了在RTX 5090服务器上离线编译PaddlePaddle源码的全过程。由于RTX 5090需要CUDA 12.8及以上版本支持，作者从构建CUDA 12.8的Docker编译镜像开始，详细介绍了镜像配置、依赖安装和常见问题解决方案。通过验证发现CUDA 12.6环境不兼容5090显卡，最终成功构建了包含正确工具链的编译环境。文档涵盖了从Dockerfile编写、镜像构建到环境验证的完整流程，为在无网络环境的RTX 5090服务器上编译PaddlePaddle提供了完整的解决方案。]]></description><category></category></item><item><title><![CDATA[迁移到 5090 服务器编译 Paddle 流程]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/163697749</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/163697749</guid><author>github_37287822</author><pubDate>Wed, 12 Aug 2026 14:27:52 +0800</pubDate><description><![CDATA[本文档详细介绍了如何将本地PC上已配置好的Paddle CUDA 12.8编译环境迁移至无网络RTX 5090服务器的完整流程。主要内容包括： 环境检查：验证本机已完成Paddle镜像构建、源码拉取和CMake配置 数据迁移：打包传输Docker镜像、Paddle源码（含build目录）、cache缓存和可选ccache 服务器操作：导入镜像、解压数据、启动离线容器 环境验证：检查GPU、CUDA版本和源码完整性 编译准备：建议保留第三方库缓存但重新执行CMake配置 特别说明传输build目录可减少无网环]]></description><category></category></item><item><title><![CDATA[PVN3D Full ONNX 导出与自定义算子说明]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/160189224</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/160189224</guid><author>github_37287822</author><pubDate>Wed, 15 Apr 2026 18:37:41 +0800</pubDate><description><![CDATA[本文介绍了full_onnx全量模型导出流程，重点说明如何将PyTorch的PVN3D模型完整导出为包含自定义节点的ONNX模型。主要内容包括： full_onnx导出流程：通过FullModelExportWrapper固定模型输入输出，注册PointNet2的6个自定义算子（如FurthestPointSampling等）的symbolic映射，使导出器能将它们转为ai.onnx.contrib域下的自定义节点。 导出与执行的分离：导出阶段通过symbolic定义节点结构，运行阶段依赖ORT自定义算子库]]></description><category></category></item><item><title><![CDATA[PVN3D 中 SA 模块与 FP 模块详解]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/160187952</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/160187952</guid><author>github_37287822</author><pubDate>Wed, 15 Apr 2026 17:30:58 +0800</pubDate><description><![CDATA[本文分析了PVN3D中Pointnet2MSG点云主干网络的结构与实现。重点解析了SA（Set Abstraction）和FP（Feature Propagation）模块：SA模块通过多尺度分组实现点云下采样和局部特征提取，包含中心点采样、邻域构建和特征聚合；FP模块则通过3NN插值将深层语义特征传播回高分辨率点集。文章详细说明了各模块的输入输出、配置参数及核心算子实现，包括furthest_point_sample、ball_query等关键操作，并提供了Python伪代码说明数据流。该网络通过4层SA]]></description><category></category></item><item><title><![CDATA[基于 BOP 格式构建 PVN3D 自定义训练数据集技术文档]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159966870</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159966870</guid><author>github_37287822</author><pubDate>Wed, 08 Apr 2026 22:00:31 +0800</pubDate><description><![CDATA[本文档详细说明了如何基于BOP格式为PVN3D构建自定义训练数据集。主要分为两种情况：A)使用现有LINEMOD类别时，只需准备BOP格式数据并转换；B)训练全新类别时，还需补充类别映射、模型文件、关键点文件等。文档分析了PVN3D训练所需的最小数据集结构，包括每帧样本的RGB、深度图、mask、位姿等，以及每个类别必须的3D模型和关键点文件。同时介绍了现有转换脚本的功能限制，指出测试集转换脚本不足以支持训练，而训练集转换脚本可以处理真实训练数据和PBR合成数据。最终提供了PVN3D训练目录的标准结构说明，]]></description><category></category></item><item><title><![CDATA[自定义数据集 Pose 生成与坐标系约定内部文档]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159966751</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159966751</guid><author>github_37287822</author><pubDate>Wed, 08 Apr 2026 21:52:22 +0800</pubDate><description><![CDATA[下面按团队工程实现来讲，不只说“名字”，而是说每种方法的输入、输出、优缺点和适用场景。模型坐标系定义相机坐标系定义深度单位模型单位pose 最终输出方向最终统一输出T_cam_objcam_t_m2c用毫米还是米.ply用毫米还是米在自定义数据集中，pose 不是“一个随手记下来的 3x4 矩阵”，而是整个训练与评估链路里最核心的几何契约。对当前PVN3Dcam_R_m2ccam_t_m2c物体模型坐标系中的点如何变换到当前相机坐标系人工交互式标注。]]></description><category></category></item><item><title><![CDATA[PVN3D ORT CUDA Custom Ops 实现与联调记录]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159928902</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159928902</guid><author>github_37287822</author><pubDate>Tue, 07 Apr 2026 19:05:04 +0800</pubDate><description><![CDATA[本文介绍了在ONNX Runtime中实现GPU版本自定义算子（custom op）的过程。主要工作包括：1）新建独立目录实现6个PointNet2算子的CUDA版本；2）通过ONNX Runtime C++ API导出.so文件；3）在Python端注册并加载GPU版本的算子库；4）使用CUDAExecutionProvider运行完整模型。实现过程中保持了与原有CPU版本的并行工程，并确保与PyTorch原生权重的输出精度一致。关键点包括正确获取CUDA执行流、统一索引类型为int64_t，以及复用现有]]></description><category></category></item><item><title><![CDATA[PVN3D ORT C++ Custom Op 编译与联调记录]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159928033</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159928033</guid><author>github_37287822</author><pubDate>Tue, 07 Apr 2026 18:03:38 +0800</pubDate><description><![CDATA[本文介绍了使用ONNX Runtime C++ API实现PVN3D模型中的6个PointNet2自定义算子（ThreeNN、BallQuery等），并编译为可加载的.so库。通过Python脚本调用该库运行完整ONNX模型，与PyTorch原生权重进行精度对比。重点说明了C++实现要点，包括算子语义对齐、注册方式以及Python侧加载方法。最终在Ubuntu 18.04容器环境中完成构建和测试，验证了ONNX Runtime C++自定义算子的可行性。]]></description><category></category></item><item><title><![CDATA[PVN3D ORT Custom Ops 实现记录]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159768920</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159768920</guid><author>github_37287822</author><pubDate>Thu, 02 Apr 2026 19:20:26 +0800</pubDate><description><![CDATA[本文记录了将PVN3D模型ONNX文件在ONNX Runtime中实际运行的完整过程。通过分析两条实现路线（原生C++/CUDA和Python custom ops），最终选择使用onnxruntime-extensions的Python custom ops方案，解决了容器环境下的多个关键问题：包括动态max_pool2d导出问题、头文件缺失问题等。文中详细梳理了6个PointNet2自定义算子的实现要求，并提供了从Python custom ops过渡到官方C++ API的具体建议。最终实现了ONNX全]]></description><category></category></item><item><title><![CDATA[PVN3D Custom ONNX Op / TensorRT Plugin 设计说明]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159765713</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159765713</guid><author>github_37287822</author><pubDate>Thu, 02 Apr 2026 16:34:42 +0800</pubDate><description><![CDATA[本文提出PVN3D点云网络中PointNet2自定义CUDA算子的部署方案，支持导出完整ONNX和TensorRT引擎。通过分析现有Python封装和C++/CUDA实现，提炼出Set Abstraction和Feature Propagation两类关键场景所需的算子集合，包括furthest_point_sampling、ball_query、group_points等。重点梳理了各算子的CUDA实现细节，如FPS的固定采样起点、ball_query的索引填充规则等，确保自定义算子与原始实现行为一致。该]]></description><category></category></item><item><title><![CDATA[PVN3D 原生 / ONNX 混合 / TRT 混合推理速度测试]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159763419</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159763419</guid><author>github_37287822</author><pubDate>Thu, 02 Apr 2026 14:53:56 +0800</pubDate><description><![CDATA[本文对比测试了PVN3D模型在三种推理方式下的性能表现：原生PyTorch、ONNX Runtime混合推理和TensorRT混合推理。测试在特定容器环境下进行，使用LINEMOD ape数据集样本，固定输入尺寸为480×624。结果显示，TensorRT混合推理表现最优，其network_only平均耗时71.455ms（FPS 13.995），比原生PyTorch快1.75倍；而ONNX混合推理因缺少CUDA执行提供程序，性能最差（平均1451.208ms）。测试表明，将模型部分组件转换为TensorR]]></description><category></category></item><item><title><![CDATA[PVN3D ONNX / ORT / TRT / 原生 CUDA 测试配合说明]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159762668</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159762668</guid><author>github_37287822</author><pubDate>Thu, 02 Apr 2026 14:25:13 +0800</pubDate><description><![CDATA[本文档说明PVN3D模型的混合部署测试链结构。当前部署采用分段方案：将完整PVN3D拆分为RGB骨干网络、PointNet2和融合头部三个部分。其中RGB骨干和融合头部可导出为ONNX/TensorRT模型，而PointNet2保留原生PyTorch实现。测试链通过ORT或TRT脚本将分段模型重新组合，形成两条混合推理路径：ORT版使用ONNX Runtime执行RGB骨干和融合头部，TRT版使用TensorRT引擎，两者均保留PointNet2的CUDA扩展实现。文档详细解释了这种拆分的原因、各模块的输入]]></description><category></category></item><item><title><![CDATA[PVN3D TensorRT Engine 转换与测试记录]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159758889</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159758889</guid><author>github_37287822</author><pubDate>Thu, 02 Apr 2026 11:25:28 +0800</pubDate><description><![CDATA[本文记录了在pvn3d-dev容器中将ONNX模型转换为TensorRT引擎的流程与测试方法，重点说明了两部分标准算子图(rgb_backbone和fusion_head)的转换步骤。文档明确了当前环境的配置要求、转换目标、输入尺寸约束(480×624分辨率、4096点云数)及类别一致性原则，并提供了构建脚本的使用说明，包括dry-run验证和实际构建命令。特别强调了对静态ONNX模型不应附加动态shape参数，并给出了不同场景下的推荐构建命令。]]></description><category></category></item><item><title><![CDATA[PVN3D ONNX 转换与测试记录]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159736580</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159736580</guid><author>github_37287822</author><pubDate>Wed, 01 Apr 2026 21:50:03 +0800</pubDate><description><![CDATA[本文记录了PVN3D模型在pvn3d-dev容器中的ONNX转换流程和测试方法。当前部署采用混合推理方案：将RGB主干网络和融合头导出为ONNX模型，同时保留PointNet2点云分支的原生CUDA实现。这种拆分方式是由于PointNet2依赖自定义CUDA算子，无法直接转换为标准ONNX格式。文档详细说明了导出脚本的使用方法、推荐参数配置以及环境验证步骤，重点解决了两类子图的ONNX转换问题，并提供了针对LINEMOD数据集和YCB数据集的不同导出命令。当前方案降低了第一版部署风险，为后续可能的Tenso]]></description><category></category></item><item><title><![CDATA[Dify 本地环境忘记登录密码问题排障文档]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159736482</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159736482</guid><author>github_37287822</author><pubDate>Wed, 01 Apr 2026 21:42:56 +0800</pubDate><description><![CDATA[摘要： 针对Dify本地环境中忘记密码的问题，建议优先使用内置CLI命令flask reset-password进行重置，而非直接修改数据库。该命令会更新密码哈希和salt值，并清除登录错误限制。在Docker环境下，执行路径为docker compose exec api flask reset-password，支持交互式或参数化输入（需满足8位字母+数字的密码规则）。此方案比页面重置更可靠，尤其适用于未配置邮件服务的本地环境。执行后数据库的password、password_salt字段会被安全更新，]]></description><category></category></item><item><title><![CDATA[pvn3d-dev 容器内 TensorRT 安装步骤]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159692537</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159692537</guid><author>github_37287822</author><pubDate>Tue, 31 Mar 2026 17:29:16 +0800</pubDate><description><![CDATA[本文档详细记录了在PVN3D容器环境中安装TensorRT 8.6.1的过程。首先确认了当前容器的运行状态和CUDA 11.3环境，然后通过宿主机下载安装包并复制到容器内。安装步骤包括解压到固定目录、配置环境变量、安装Python绑定包，并设置conda环境的持久化配置。整个过程注重保持原有训练环境稳定，确保TensorRT能与现有PyTorch/CUDA环境兼容，为后续模型部署做好准备。]]></description><category></category></item><item><title><![CDATA[Dify 使用价值与 10 个进阶方向]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159655470</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159655470</guid><author>github_37287822</author><pubDate>Mon, 30 Mar 2026 21:09:24 +0800</pubDate><description><![CDATA[本文明确 Dify 学习目标：从操作到落地 AI 产品，梳理 10 大递进方向，含产品地图、模型、RAG、Workflow、Agent、集成、调试等，区分 Dify/Coze/n8n 定位，给出学习顺序与三阶段项目，掌握后可独立设计交付可落地 AI 应用。]]></description><category></category></item><item><title><![CDATA[PVN3D TensorRT 环境配置指南]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159655359</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159655359</guid><author>github_37287822</author><pubDate>Mon, 30 Mar 2026 21:01:15 +0800</pubDate><description><![CDATA[本文为PVN3D模型在容器环境中的TensorRT部署提供配置方案，重点解决RGB Backbone和Fusion Head的ONNX/TensorRT导出问题，同时保留PointNet2的PyTorch原生执行。当前容器环境已具备PyTorch 1.10.0+cu113、Python 3.8.20等基础组件，但缺少ONNX/TensorRT相关工具链。建议补充安装ONNX 1.14.1、ONNX Runtime 1.16.3和TensorRT 8.6.1，采用分层部署策略：宿主机构建NVIDIA驱动，容器]]></description><category></category></item><item><title><![CDATA[PVN3D 训练与评估代码流程详解]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159654560</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159654560</guid><author>github_37287822</author><pubDate>Mon, 30 Mar 2026 20:11:57 +0800</pubDate><description><![CDATA[本文解析了PVN3D模型的训练与评估流程，从外层入口到内层网络结构。主要内容包括： 整体流程：从RGB-D数据采样3D点，提取RGB和点云特征，通过DenseFusion融合后预测分割类别、关键点偏移和中心偏移，训练时监督这三个输出，评估时通过投票聚类恢复位姿。 代码层次：外层驱动（训练脚本、配置）、中间层（数据构造、损失计算）、内层（网络结构、姿态恢复）。 关键实现：数据集返回12K采样点及相关监督信号；RGB与点云特征通过choose张量对齐；网络包含RGB分支(PSPNet)、点云分支(PointNe]]></description><category></category></item><item><title><![CDATA[Dify 本地运行实操笔记]]></title><link>https://blog.youkuaiyun.com/github_37287822/article/details/159617274</link><guid>https://blog.youkuaiyun.com/github_37287822/article/details/159617274</guid><author>github_37287822</author><pubDate>Sun, 29 Mar 2026 20:57:42 +0800</pubDate><description><![CDATA[本文提供了Dify本地运行的两种方式：Docker Compose快速启动和源码开发模式。Docker方式适合快速验证环境，一键启动所有服务（前端、后端、数据库等）；源码模式适合二次开发，需分别启动中间件容器和本地前后端服务。文章详细说明了两种方式的前置条件、启动步骤和常见问题排查方法，建议先使用Docker验证环境，再切换到源码模式进行开发调试。关键点在于理解Dify是由多个协作服务组成的系统，而非单一应用。]]></description><category></category></item></channel></rss>