lu_linux的博客

Linux服务器NVIDIA显卡驱动+cuda+cudnn安装及显卡性能测试

【opencv】【GPU】windows10下opencv4.8.0-cuda C++版本源码编译教程

Windows11(CUDA11.7)下安装TensorRT_tensorrt对应的cuda版本-优快云博客

windows上yolov5 opencv dnn c++部署 cuda加速

Ubuntu-20.04 一键编译opencv-4.8.0(cuda)

ubuntu 20.04 + cuda-11.8 + cudnn-8.6+TensorRT-8.6安装

在深度学习模型训练过程中，在服务器端或者本地pc端，输入nvidia-smi来观察显卡的GPU内存占用率（Memory-Usage），显卡的GPU利用率（GPU-util），然后采用top来查看CPU的线程数（PID数）和利用率（%CPU）。往往会发现很多问题，比如，GPU内存占用率低，显卡利用率低，CPU百分比低等等。接下来仔细分析这些问题和处理办法。

VS2019+CUDA编程

到这里关于QDQ的说明就结束了，通过上述例子，不难认为下面红色圈圈内的OP精度都可以为INT8。显式指定量化op因为QDQ是显式量化，所以QDQ的放置位置很重要，有几点规则：这里就不转述了，原文看起来更准确些，这些内容之后可能也会更新。再详细点，我们举个实际的例子。

这个要紧关头，如果我们的模型运行的足够快，可以省机器又可以腾一些buffer上新模型岂不很爽，这个时候也就需要优化模型了，其实优化手段也都差不多，只不过平台从arm等嵌入式端变为gpu等桌面端了。同时也是抛砖引玉，看看大家对于部署有没有更好的想法。量化训练是在模型训练中量化的，与PTQ(训练后量化)不同，这种量化方式对模型的精度影响不大，量化后的模型速度基本与量化前的相同(另一种量化方式PTQ，TensorRT或者NCNN中使用交叉熵进行校准量化的方式，在一些结构中会对模型的精度造成比较大的影响)。

anaconda3 conda 和pip更换国内源

模型压缩、加速及移动端部署

yolov5空样本处理

一、 sklearn中提供了高效的模型持久化模块joblib，将模型保存至硬盘。from sklearn.externals import joblib#lr是一个LogisticRegression模型joblib.dump(lr, 'lr.model')lr = joblib.load('lr.model')二、pickle>>> from sklearn import svm>>> from sklearn import datasets&

xgboost的python版本有原生版本和为了与sklearn相适应的sklearn接口版本原生版本更灵活，而sklearn版本能够使用sklearn的Gridsearch，二者互有优缺，现使用sklearn自带的boston数据集做简单对比如下：1 准备数据#导入包from sklearn import datasetsimport pandas as pdimport xgboost as xgbfrom sklearn.metrics import mean_squared_

新上传人体&人脸相关10个数据集，赶紧下载尝试吧！ - 知乎平台的 数据集版块，共有127个不同类别，不同应用的数据集。本周在此基础上，又上新10种数据集，目前总共有 137种。 人体姿态方面 （1）SPHERE 数据集 数据集图片： 数据集简介：SPHERE 数据集的目的，是从视觉信…https://zhuanlan.zhihu.com/p/378404170...

开源项目 - 飞桨AI Studio - 人工智能学习与实训社区集开放数据、开源算法、免费算力三位一体，为开发者提供高效学习和开发环境https://aistudio.baidu.com/aistudio/projectoverview/public

前言：在VS2019执行cu文件，即cuda编程，需要按如下操作配置.步骤：1.生成自定义文件项目->生成依赖性->生成自定义2.配置cu文件选择cu文件右键选择属性.说明：该操作可解决如下问题：原文链接：https://blog.youkuaiyun.com/william_hehe/article/details/108719194...

1）安装onnx和onnxruntime安装onnx：pip install onnx安装onnxruntime(选择一种)：安装CPU版，很简单pip install onnxruntime 安装GPU版，pip install onnxruntime-gpp2）转换在pytorch中转换为onnx的模型：torch.onnx.export(model, args, f, export_params=True, verbose=False, input_names=None,

安装caffe最麻烦的是需要安装很多的依赖包，这里将依赖包打包到一起，直接编译安装即可，省去了很多的麻烦。1.编译环境：Win10 + VS2019 + caffe cpu版本 + python3caffe-windows和依赖包下载链接如下：链接：https://pan.baidu.com/s/1-ivLyQ_pL2AuIu_mD3VFBg提取码：x2l92、 编译依赖包:我这里安装到“D://caffe/” 下将下载的依赖包caffe-build-auto-v1.r...

Caltech 数据集转换成VOC格式 - 程序员大本营https://www.pianshen.com/article/2046258287/

YOLOv5 实现目标检测（训练自己的数据集实现猫猫识别）_oJiWuXuan的博客-优快云博客_yolov5实现Yolov5训练 - 简书YOLOv5训练自己的数据集（超详细完整版）_深度学习菜鸟的博客-优快云博客_yolov5训练自己的数据...

Ubuntu：带有GPU的宿主机1.通过指令查看支持的驱动，比如我的电脑支持nvidia-driver-460# 查看支持的nvidia驱动$ubuntu-driver devices2.安装驱动之后查看支持的cuda版本,安装完成nvidia-driver-460使用下面指令可以看到支持的cuda版本为cuda11.2$nvidia-smi3.安装cuda和cudnn,我的驱动支持的cuda版本为11.2，则我可以安装11.2以内的cuda，比如我安装了cuda10.14.

1.系统环境系统：ubuntu16.04GPU驱动：nvidia-driver-418-serverCUDA版本：cuda10.1CUDNN版本：cudnn7.6.4Anaconda版本：Anaconda5.2 （python3.6）opencv版本：opencv-3.3.02.安装caffeopencv-3.3.0的编译可以参考我的：https://blog.youkuaiyun.com/lu_linux/article/details/117187172环境依赖...

1.系统环境系统：ubuntu16.04GPU驱动：nvidia-driver-418-serverCUDA版本：cuda10.1CUDNN版本：cudnn7.6.4Anaconda版本：Anaconda5.2 （python3.6）2.安装一些基础命令2.1更新包sudo apt updatesudo apt upgrade2.2安装依赖项sudo apt-get remove x264 libx264-devsudo apt-get insta...

目录1.宿主机环境2.安装docker3.安装nvidia-docker(如果想要在docker容器中调用nvidia驱动必须要安装)4.拉取镜像4.1验证下-gpus选项4.2运行利用GPU的Ubuntu容器4.3写一个拉取镜像的脚本如下：4.4运行脚本5、安装CUDA5.1CUDA推荐下载.run可以根据提示安装5.2安装完成后，设置环境变量6.cudnn的安装6.1下载安装文件6.2安装cudnn6.3查看cudnn版本1.宿主机环境.

1、装显卡驱动1.1检测显卡型号和对应推荐安装驱动lu@computer:~/project$ ubuntu-drivers devicesWARNING:root:_pkg_get_support nvidia-driver-390: package has invalid Support Legacyheader, cannot determine support level== /sys/devices/pci0000:00/0000:00:1c.4/0000:04:00.0 ==mo

人工智能无疑是计算机世界的前沿领域，而深度学习无疑又是人工智能的研究热点，那么现在都有哪些开源的深度学习工具，他们各自的优缺点又是什么呢？最近zer0n和bamos在GitHub上发表了一篇文章，对Caffe、CNTK、TensorFlow、Theano和Torch等深度学习工具从网络、模型能力、接口、部署、性能、架构、生态系统、跨平台等方面做了比较。网络和模型能力Caffe可能是第一个主流的工业级深度学习工具，它开始于2013年底,具有出色的卷积神经网络实现。在计算机视觉领域Caffe依然是最流行

在深度学习过程中，会经常看见各成熟网络模型在ImageNet上的Top-1准确率和Top-5准确率的介绍，如下图所示：　　那Top-1 Accuracy和Top-5 Accuracy是指什么呢？区别在哪呢？我们知道ImageNet有大概1000个分类，而模型预测某张图片时，会给出1000个按概率从高到低的类别排名，　　所谓的Top-1 Accuracy是指排名第一的类别与实际结果相符的准确率，　　而Top-5 Accuracy是指排名前五的类别包含实际结果的准确率。　　下面的代码可.

#! /bin/python# -*- coding: utf-8 -*- from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_function import warnings import cv2import onnximport torchimport numpy as npimport onnxruntimefrom PIL im.

https://zhuanlan.zhihu.com/p/132561405

对于即将到来的人工智能时代，作为一个有理想有追求的程序员，不懂深度学习（Deep Learning）这个超热的领域，会不会感觉马上就out了？作为机器学习的一个分支，深度学习同样需要计算机获得强大的学习能力，那么问题来了，我们究竟要计算机学习什么东西？答案当然是图像特征了。将一张图像看做是一个个像素值组成的矩阵，那么对图像的分析就是对矩阵的数字进行分析，而图像的特征，就隐藏在这些数字规律中。...

https://blog.youkuaiyun.com/zxgmlcj/article/details/103279846?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.compare&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.compare

废话不多说，原始下载官网http://www.image-net.org/challenges/LSVRC/2012/nonpub-downloads我放在百度云上的有所有的下载内容（不得不说迅雷百度云双会员和百度云离线下载太猛了2333）链接：https://pan.baidu.com/s/1eED707GO3RmT5eeZVvgHxw提取码：wnxzhttps://blog.youkuaiyun.com/Zjhao666/article/details/88764158...

https://blog.youkuaiyun.com/pertain99/article/details/102848725?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242

https://www.cnblogs.com/acgoto/p/11570188.html

https://segmentfault.com/a/1190000022204240https://www.cnblogs.com/ziwh666/p/12494348.html

运行环境：ubuntu16x64 python >= 3.6.5 pytorch >= 1.1.0 torchvision >= 0.3.0 笔记本电脑华硕CPU i7-5500l GPU Geforce 940M 网络摄像头720p人脸注册和人脸识别：人脸注册和人脸识别两者使用相同的方式，人脸库大小为500*4=2000拍摄注册底片时尽量使用相同背景，这里的测试图片是480p的，最好大于等于720p测试数据集：中科院开源的中国人脸数据集CASIA-...

insightface_pytorch主要做了以下几个方面的工作：* 使用的相关算法人脸检测： 由原来的retina改成了MTCNN，准确度差了不少人脸对齐： 由原来的Dense U-Net改成了MTCNN人脸识别： 当前可以支持mobilefacenet和resnet50-ir两种* 提供了一个demo用于实现人脸实时识别* 提供了数据转换模块，用于将MXNET数据格式的数据转换成pytorch支持的Image Dataforders* 提供了模型训练模块运行环境：p.

简介：FaceX-Zoo是一个专为人脸识别而生的开源库，是目前准确率最高的开源人脸识别项目。FaceX-Zoo是基于PyTorch实现的。它提供了一个训练模块，其中有各种supervisory head和骨干网络，以实现最先进的人脸识别; 同时也提供了一个标准化的评估模块，该模块只需编辑一个简单的配置就可以评估大多数流行基准中的模型。此外，还提供了一个简单的功能齐全的face SDK，用于验证和初步应用训练过的模型。除了人脸识别，还针对实际应用开发了特定功能（如人脸戴口罩等）。训练模块支持多种人脸图