丑小鸭

摘要：本文介绍了在Ubuntu 24.04服务器上配置多用户共享Anaconda环境的详细步骤。主要内容包括：1）以root身份安装Anaconda至/opt目录；2）创建anaconda用户组并设置目录权限；3）配置全局环境变量和共享.condarc文件；4）设置共享环境目录权限；5）用户环境初始化方法；6）常见问题解决方案。重点强调权限管理，通过设置775权限、SGID位和用户组控制，确保多用户安全共享Anaconda环境。

MMDetection异常ValueError: need at least one array to concatenate

由于服务器(操作系统为RedHat 9)宕机，重启后，系统内核自动更新了，然后输入 nvidia-smi 发现报了下面的异常：上述其实是由于系统更新后，Nvidia驱动中的系统内核头文件无法使用导致的。重新启动计算机后，NVIDIA SMI会显示NVIDIA驱动程序丢失，这是由于Linux内核升级，以前的NVIDIA驱动程序与连接不匹配。

本代码基于Detectron2，可参看我之前的博文配置 Detectron2Centos7之Detectron2的环境配置_centos7.6如何编译detectron2-优快云博客Detectron2训练自己的数据集（较详细）_detrectron2训练自己的数据集-优快云博客不过这里由于我的CUDA版本升级到了 12.2，所以我的CUDA的相关配置可参看。

OWOD论文中的评价过程，影响实验结果的处理，这里主要记录源代码中提供的评价内容。熟悉下OWOD的评价过程。

本文记录OWOD代码中的模型代码部分。数据部分可看我上一个博客【【OWOD论文】开放世界中OD代码_1_数据部分-优快云博客。

这里记录下开放世界目标检测论文 【Towards Open World Object Detection】的实验和代码细节。

最近实验需要用到VOC数据集，搜了下网上的VOC下载教程，貌似不太行，这里记录一下一个下载VOC2007的脚本，Linux下的 sh 文件。具体命令如下代码所示。

最近集群系统升级了，CUDA的版本变为了12.2，而安装的Torch版本为11.3，明显出现了版本冲突。但是问题在于，Torch官网支持CUDA12以上的版本似乎都是Torch2.0及以上版本了。好在Torch2.x 完全兼容Torch1.x，所以安装Torch2.x也能适用于实验的相关配置。

本文MICCAI竞赛中公布的用于脑肿瘤分割 BraTS 2020数据集，根据官方统计，该数据集中共含有660例数据，训练集369、验证集125，测试集166。不过仅有训练集中给出了详细的分割标签，验证集虽然公布了 但是仅为了验证，没有给出具体的Ground Truth。所以如果进行实验主要还是针对369例数据进行。

本文旨在对BraTs 数据集图像数据所用的基础信息，进行记录，希望对大家学习也有帮助。

【解决】RuntimeError: CUDA driver initialization failed, you might not have a CUDA gpu

【解决】DETR系列环境配置过程中出现的Unable to access问题

【亲测】Centos7系统非管理(root)权限编译NCNN

【论文及代码详解】BEIT: BERT Pre-Training of Image Transformers

【实用】多GPU未占满情况下，使用Python指定GPU运行代码

【集群】Slurm作业调度系统的使用

SwinTransformer整体网络结构代码详解

Pytorch典型函数——torch.roll()

【农业害虫识别论文七】High performing ensemble of convolutional neural networks for insect pest image detection

【害虫识别论文阅读六】Image Classification of Pests with Residual Neural Network Based on Transfer Learning

【农业害虫论文阅读五】Insect classification and detection in field crops using modern machine learning techniq

【农业害虫论文阅读三】Insect pest image detection and recognition based on bio-inspired methods

【亲测】ConvNext自定义数据集图像分类

【农业害虫识别论文二】Agricultural Pest Super-Resolution and Identification with Attention Enhanced Residual an

【农业害虫识别论文一】Crop pest classification based on deep convolutional neural network and transfer learning

swintransformer源码阅读

记录下SwinTranformer的阅读

前言本文旨在记录本人将YOLO5训练好的模型转化为安卓 APP 的经历，使用的项目源码为，点击进入，下面开始分步骤进行讲解。项目目录项目的src文件夹下包含下面的文件夹，其中：1 asserts 里面存放的是 YOLO5s.bin和YOLO5s.param,2 java 中存放的是 java 源代码3 jni c存储的是 YOLO5s的C++版本4 res存放的android所需要的配置文件使用 Android studio 直接在该文件的根目录打开就行基础编译该项目首页展示了如何

NCNN是什么ncnn 是腾讯开源的，一个为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖，跨平台，手机端 cpu 的速度快于目前所有已知的开源框架。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行。简单概括就是将 使用 GPU 训练好的模型 转为 手机移动端可以使用的模型。NCNN安装前的准备1） g++ 这个Centeos 一般都会默认装上，这里说一些题外话：什么是gcc / g++首先说明：gcc 和 GCC

前言这里主要介绍 ultralytics/yolov5 即所谓的 U版YOLO v5，关于YOLO5的原理可以自行搜索相关知识，根据笔者自己测试，效果确实不错，所以这里记录下自己的调试经验。实验环境

这里主要针对在CenterNet中表现还可以的改进过的 dla 网络进行分析，主要还是结合代码进行说明。下面就是代码：# BN 动量参数BN_MOMENTUM = 0.1# 获取打印日志对象logger = logging.getLogger(__name__)# 获取预训练网络def get_model_url(data='imagenet', name='dla34', hash='ba72cf86'): return join('http://dl.yf.io/dla/models

本文件其实和msra_resnet.py类似，进入博文，这里只把两者的不同说下，不同的部分有以下几处，总体感觉作者在这里添加DCN模块很牵强（仅个人吐槽），可能对反卷积有帮助吧：# 反卷积操作的通道不同# used for deconv layers self.deconv_layers = self._make_deconv_layer( 3, [256, 128, 64], [4, 4, 4],

这里开始进行阅读CenterNet源码模型中的models\networks的部分的网络代码，从简单的 Resnet 模型开始，这里先给出卷积的输入输出的计算公式，以及反卷积的输入输出计算公式：1 2维卷积操作(Conv2d)：nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True))参数解析：in_channel:　输入数据的通道数，例RGB图片

关于这个问题，其实很多同学都会有疑问，因为在论文中是一系列的公式展开，其实并不是很好理解。关于BN其实BN操作的目地是使一批feature map 进行归一化，避免数据过大而导致网络性能的不稳定。我记得网有一篇博文中对BN有较详细的介绍，大概意思就是，输入数据经过若干层的网络输出其实会让数据特征分布和初始分布不一致，降低模型的泛化性能，引入BN机制后，先将特征变为标准正态分布，然后再通过γ和β两个参数将标准正态分布适当拉回归一化前的分布，相当于在原分布和标准正态分布进行折中，以此增强模型的泛化性。

异常原因报错：Opencv无法显示图像，报错QObject::moveToThread: Current thread is not the object’s thread . Cannot move to target thread这个为缺少 qt 包的异常解决安装 pyqt : conda install pyqt,如果比较慢的话，可以借助 pip install -i https://pypi.tuna.tsinghua.edu.cn/sample pyqt5...

CenterNet是一种Anchor Free的目标检测方法，其对应论文为《Objects as Points》，论文链接点击进入，本文主要针对CenterNet源码进行分析。具体的算法过程和代码的环境配置过程可以借鉴其他博客内容。源码链接点击进入源码中的模型存储在Google云盘里，不是很好下载，我搜集了一些预训练模型，网盘链接为链接：https://pan.baidu.com/s/1YBbJYbObcSKIRUr5U_0lyg提取码：lbnf（包含Res101、18 和 dla 34），如果有

上篇文章讲了如何在Centos7上配置Detectron2的环境查看，这里讲下如何训练自己的数据集，主要是针对目标检测。在GETTING_STARTED.md官方文档里写了，官方提供了一个教程去将如何训练自己的数据集，但是网址进入，我这边没有访问成功，所以只能自行百度了，好在有好心的博主。如何训练自己的数据集呢？1 需要将自己的数据集转为COCO格式，具体的转换代码，可以参考这个github很详细，足够让您的数据集进行转换了。2 将数据集注册到Detectron2中，说起来很高大上，其实就是将

Detectron2为Facebook基于Detectron重构的目标检测和分割等视觉任务的代码库，代码链接进入笔者最近基于MMDetection的代码没有取得一个好的结果，打算再看一下Detectron2结果如何。以下是笔者的配置：GPU R2070SCentos7cpu i5需要先安装Anaconda3简要介绍下配置流程：1 创建detectron2的虚拟环境（尽量配置清华源可参照可以加速我们的安装）conda create -n detectron2 python=3.72

前言在mmdetection中，将目标检测的网络框架分为了几个模块：1 backbone：通常是FCN网络,用于提取特征图,例如ResNet,MobileNet。2 neck：骨干和头部之间的组件,例如FPN,PAFPN。3 head：用于特定任务的组件,例如bbox预测和掩码预测。4 roi提取器：用于从要素图(例如RoI Align)中提取RoI要素的部分。所以在配置文件中，configs文件夹下，基本上所有的配置文件按照以下的模式进行：1 定义模型2 训练和测试过程的配置3 数据