四平的博客

Docker容器主要用来进行模型转换，也就是pt转onnx的过程，因此docker中需要用的的包主要是rockchip-yolov8,需要修改该代码，进行模型的转换，在linux服务器上安装docker环境，创建一个ubuntu系统的docker环境。，C++的部署的代码参考的里面都有，我自己这边只是根据自己的项目做了集成，如有需要可私信。这一部分的修改代码参考山水无移大哥的部署过程，贼清洗，膜拜一下，少走了很多弯路，直接贴上。（3）yolov8_onnx2rknn：在（2）的基础上转检测rknn模型。

RGA图像的宽度需要是16的倍数，在深度学习中，通常这个问题出现在我们先做了目标检测将目标裁剪成小图之后，再使用小图做分割任务，分割任务时报错：Unsupported function: src unsupport width stride 184, rgb888 width stride。

1.模型转换从github上下载官方yolov8版本，当前使用的版本是2023年9月份更新的版本，作者一直在更新。官网地址2.加载模型模型的训练和测试在官方文档上，有详细的说明，yolov8中文文档这里不做过多说明，v8现在训练是真的方便了，环境部署好之后，几行代码就跑起来了，例如：from ultralytics import YOLOfrom setproctitle import setproctitlesetproctitle("python|yolov8-seg 20231211")

最近服务器的挂掉了，涉及到了深度学习环境的重新搭建，现在的pytorch版本已经更新到2.0以上了，以前还是用的1.9，安装完成后遇到了这个问题，无法训练模型。报错信息：1.

网上查了一下，主要原因是在保存训练的模型时，使用的torch.save(model, path)，而在加载时使用的model = torch.load(path)；直接先用yolov5自带的export.py转成.onnx模型，再通过onnx转trt，问题解决。

双目立体视觉测距

远距离障碍物检测，激光雷达和相机的联合标定算法流程

最近在利用DCNN模型训练自己的数据集，利用SS数据集进行测试，做二分类，结果刚开始训练模型的准确率就为1，后面也是这样，主要原因还是数据集打乱的还不够，不能只靠tensorflow的shuffle操作来打乱，最好先打乱顺序后制作好tfrecords文件，再用shuffle函数打乱一次。主要步骤如下：（1）找到SS标签文件（2）制作TFRecords文件（3）开始训练关于制作TFRecords文件：制作TFrecords文件代码如下：import tensorflow as tf# 7,8