丑小鸭

摘要：PyTorch加载多头注意力机制时出现GLIBCXX_3.4.32缺失错误，原因是系统GCC版本(≥13.3)与当前环境版本(11.2)不匹配。可通过检查libstdc++.so.6确认缺失的GLIBCXX版本。解决方案包括：1)升级当前环境GCC至13.3.0（conda install -c conda-forge gcc=13.3.0）；2)重新创建对应GCC版本的环境；3)验证升级后GLIBCXX版本是否包含所需依赖。该问题本质是编译与运行环境GCC版本不一致导致的标准库兼容性问题。

摘要：NVIDIA显卡使用nvidia-smi时出现ERR问题，可能是由于GPU卡的GSP功能导致。可通过禁用GSP尝试解决：1)创建配置文件禁用固件；2)重启后检查GSP状态。若无效则需重新安装驱动。该问题表现为风扇温度等数据读取异常，禁用GSP功能可能恢复正常显示状态。操作需使用sudo权限修改系统配置文件。

摘要：当MySQL出现远程连接失败并提示"skip-networking"为ON时，表明数据库网络功能被禁用。该问题通常由于配置文件中设置了skip-grant-tables参数导致自动开启skip-networking，表现为端口号显示为0而非默认3306。解决方法包括：1)注释掉配置文件中的skip-grant-tables参数；2)或直接设置skip-networking=OFF。修改后重新查询变量确认skip-networking状态和端口号恢复正常，即可通过3306端口进行远程

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。

因为项目中需要用到 ffmpeg 进行图像的一些操作，本文记录下在服务器安装 ffmpeg 的全过程，还是具有一定挑战性的。

明显看出 libnvJitLink.so.12 使用的是系统 nvidia 驱动自带的链接文件，由于程序安装过程中，在环境中下载了虚拟环境适配的 nvidia 相关文件，所以此处在 import torch 时 出现了import error。上述操作完成，该问题即可解决。可以使用 import torch 做测试。本文记录在环境配置好后，在 import torch 过程中报了 异常。这里主要关注带箭头的两个文件夹。出现此情况的原因主要是。

本文记录在本地部署腾讯混元大模型的过程。仅为部署记录，不涉及过多的技术要点。该模型应该是当前开源的效果不错的模型，其实官方文档将部署过程写的相当详细了，但是这里为了便于后期的学习，特意将部署过程记录下，因为部署过程中还是有写一些问题在的。

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。

这里记录Django与VUE的跨域问题解决方法，主要修改内容是在 Django 中。当然其他的前端项目 Django 也可以这样处理。# 确保CorsMiddleware放置在可以生成响应的中间件之前，例如CommonMiddleware之前。开发过程中 可在settings.py 中增加下面的内容，# 其他中间件...为了响应头的处理，更新。

可以新建一个 django 项目 app, 会在目录下 多一个 app 目录，该目录即当前工程具体实现。本文记录如何使用Visual Code连接远程服务器，并借助 Anaconda 创建Django项目、即在当前文件夹下创建了 mysite 项目，该项目为 django 项目主目录。然后 即可在浏览器 httt://服务器ip:8000 访问。然后进入 mysite 文件夹 数据同步迁移，2 切换至对应环境下 安装 django。上述进入到一个文件夹后，使用命令。#安装pymysql。

1 检查安装包中是否有 mysql-devel.rpm 文件，devel为mysql的开发包接口，mysqlclient 其实需要开发包才能进行安装的。其实我们可能找到不到 /usr/include/mysql 这样的头文件目录或者 /usr/lib64/mysql 中的 libmysqlclient.so 文件。这种情况是您的 mysql-devel.rpm 未安装。其中 /usr/local/mysql 为mysql 的安装文件所在目录，这个其实是从mysql官网下载的数据库安装文件解压后形成的文件。

注意书写过程中需要保证缩进，不要在某一行后加 逗号等标点符号#创建数据库中的表#数据库需要先创建好 因为 mysqlclient 这个包只能创建表 不能创建数据库#表名:ai_imgdetail#图片的id#上传时间#校验时间#经度#纬度#海拔。

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。

【冷知识】torchvision.datasets.ImageFolder加载类标不正确

【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

【ROS自定义文件】自定义头文件及源文件的调用

【亲测】ConvNext自定义数据集图像分类

【ROS通信机制实战练习四】通过参数服务器改变turtlesim小乌龟的颜色

【ROS通信机制实战练习三】通过服务实现turtlesim小乌龟的生成

【ROS通信机制实战练习二】通过话题订阅turtlesim小乌龟运动的位姿

【ROS服务通信】服务端和客户端

【记录】Ubuntu20.04安装和配置Anaconda

【ROS解决】Unable to register with master node [http://ipaddress:11311/]: master may not be running yet

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

Anchor在目标检测中是比较常见的，引入Anchor主要是为了让检测更精准，当然现在有很多Anchor Free的方法也达到了较好的结果，但是最近项目中用的是基于Anchor的方法，但是置于Anchor怎么映射到原图其实网上很多内容比较混乱，我这里把自己的理解记录下来，附加上一些代码用来解释说明。什么是Anchor？Anchor中文是锚框的意思...