颈椎小问题老奶奶的博客

原创 強化學習機器人設置思路

強化設計思路

原创 Post-trained猜想

强化 -- 输出Action + 真实的避障 ActionCond 输入Action 生成视频。原来只是仿真 没有和整个的机器人系统结合。不需要后处理 obersation。

原创 1月做题记录+2月做题记录

因为上一题是只卖一次股票 现在这一题不一样了 要买卖多次所以 除了之前持有 还是之前不持有 - 这一系持有（也就是这一次买这只股票）这一题和上面一提的思路不一样的位置就是 买股票的价格不是初始值0 了。思路 不包含右节点 不包含左节点 做两次 比较最大值。最后标记值得出一个两者中的最大值 返回一个最大值。判断 偷父节点的 就不偷子节点 直接跨过。如果是 根上没有节点的 直接返回0。判断 不偷父节点 那么就要偷子节点。判断单调栈的栈顶以及遍历当前的数值。根上有节点的 返回根上的节点值。

原创 安装sparseTrack库中onnx库安装失败

Open Neural Network Exchange（ONNX）是一个开放的生态系统，赋予AI开发者选择正确工具的能力，以满足项目的不断发展。它定义了一个可扩展的计算图模型，以及内置运算符和标准数据类型的定义。但是我确认了一下我python版本3.9 onnx 1.8.1 不支持 我不带版本能安装onnx成功 所以我提高了onnx的版本 安装onnx 1.10.0 版本的 同时onnx-runtime也需要提高版本 对应一下一下就可以了。看了一下onnx库是什么？试错 重新安装cmake。

原创 因环境限制配置内网穿透80端口 配合Redis一起使用

Nginx 配置相关。

原创 leetcode 习题集 【9月】

【代码】leetcode 习题集 【9月】

原创 【多目标跟踪】 TrackFormer 耗时三天 单句翻译！！！

多目标跟踪（MOT）的挑战性任务要求同时对轨迹初始化、身份和时空轨迹进行推理。我们将该任务公式化为一个帧到帧集预测问题，并介绍了TrackFormer，这是一种基于编码器-解码器转换器架构的端到端可训练MOT方法。我们的模型通过在视频序列中进化一组轨迹预测来实现帧和注意力之间的数据关联。Transformer解码器从静态对象查询中初始化新的轨道，并通过概念上新的和保持身份的轨道查询在空间和时间上自回归跟踪现有的轨道。

原创 平常上传的github图片突然显示不出来了

重新生成的token 但是还是不能识别 看了一下图片链接 发现github的图片正常识别 但是cdn上的不行 于是在网上找了找教程 替换一下picgo的链接。把cdn后面的链接直接替换就可以了 ，不需要在cloudflare里面注册 以及购买域名！最开始以为是个人token的问题。

原创 安装显卡驱动报错

今天又是成为一个大废物的一天！

原创 Docker创建算法环境

step2 ：docker安装之后 docker pull 拉取ubuntu镜像。step 1：ubuntu 安装docker 太多教程了 网上搜一大把。step 3：使用commit 提交刚刚的操作。启动docker 并且带着bash。下次启动你安装的软件还是没有变化。执行安装一系列的操作。

原创 MAC M2芯片执行yolov8 + deepsort 实现目标跟踪

具体来说，0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 ，一共十个，每次测试的时候都是在IoU=这个数上测试的。有时固定IoU的阈值，比如50%或75%，也就是AP50和AP75，意味着IoU为50%或者75%时的AP值。为了更细化区分网络的性能，COCO数据集的评价标准中，把IoU的值从50%到95%每隔5%进行了一次划分。取平均（我理解为，10个PR曲线下得到的AP值，然后对这10个AP进行平均），得到了一个。方便模型进行惩罚差的结果，优化好的结果。

原创 leetcode习题集【8月】

【代码】leetcode习题集【8月】

原创 【多目标跟踪】Transtrack 单句翻译 耗时3天！！！

在这项工作中，我们提出了TransTrack，这是一个简单但有效的解决多目标跟踪问题的方案。TransTrack利用了transformer架构，这是一种基于注意力的查询密钥机制。它使用前一帧中的对象特征作为当前帧的查询，并引入一组学习的对象查询，以检测新的对象。它通过在单次拍摄中完成目标检测和目标关联，简化了检测方法跟踪中复杂的多步骤设置，建立了一种新的联合检测和跟踪范式。在MOT17和MOT20基准上，TransTrack分别实现了74.5%和64.5%的MOTA，与最先进的方法相比具有竞争力。

原创 【多目标跟踪】 FairMOT 耗时三天！！！单句翻译

多目标跟踪是计算机视觉中的一个重要问题，有着广泛的应用。将MOT定义为在单个网络中进行对象检测和重新识别的多任务学习很有吸引力，因为它可以实现两个任务的联合优化，并具有较高的计算效率。然而，我们发现这两个任务是相互竞争的，需要小心处理。特别是，以前的工作通常将重新识别视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络基于主检测任务，而主检测任务对ID任务不公平。为了解决这个问题，我们提出了一种简单有效的方法，称为基于无锚对象检测架构CenterNet的FairMOT。

原创 【目标检测】目标检测 相关学习笔记

1.框定候选区2.对每一个候选区域，使用深度网络提取特征3.将特征送入每一类的SVM分类器，判定类别4.使用回归器精细修正候选框位置[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3LsnYSGV-1692175490949)(/Users/hudie/Library/Application%20Support/typora-user-images/image-20230323093521225.png)]

原创 【docker】 运行bytetrack 构建映像失败 使用docker删除之前构建的映像

删除docker build失败的images。2 Docker删除启动失败的image。

原创 【MAC】 M2 brew安装 docker 运行失败 解决

网上看了一些文章 发现 这个不适用于M2 所以要从官网上下载。docker 安装成功。

原创 【LeetCode】练习习题集【4月 - 7 月】

这里笔者简单的处理，i 在循环的时候和前一个数进行比较，如果相等，i 继续往后移，直到移到下一个和前一个数字不同的位置。例如 [-1，1，2, -2] 和 [2, -1, -2, 1]、[-2, 2, -1, 1] 这 3 个解是重复的，即使 -1, -2 可能出现 100 次，每次使用的 -1, -2 的数组下标都是不同的。示例 2: 给定 nums = [0,1,2,2,3,0,4,2], val = 2, 函数应该返回新的长度 5, 并且 nums 中的前五个元素为 0, 1, 3, 0, 4。

原创 【Go语言】Golang保姆级入门教程 Go初学者chapter4

scanf scanln

原创 【Go语言】Golang保姆级入门教程 Go初学者chapter3

注意：Go语言中没有三目运算符注意注意。

原创 【Go语言】Golang保姆级入门教程 Go初学者chapter2

setting的首选项一个程序就是一个世界 变量是程序的基本组成单位变量的使用步骤[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zuxG8imp-1691479164956)(https://cdn.staticaly.com/gh/hudiework/img@main/image-20230726152905139.png)]

原创 【Go语言】Golang保姆级入门教程 Go初学者介绍chapter1

区块链研发工程师： 去中心化 虚拟货币 金融Go服务器端、游戏软件工程师 ： C C++ 处理日志 数据打包 文件系统 数据处理 很厉害 处理大并发Golang分布式、云计算软件工程师：盛大云 cdn 京东 消息推送 分布式文件系统。

原创 【GoLang】MAC安装Go语言环境

重新brew install go 之后又重新brew reinstall go。使用go version 可以看到go 的版本。报了一个错误 不提供这个支持。可以看到go安装后的配置。

原创 stoll函数在C++的含义

此函数将在函数调用中作为参数提供的字符串转换为long long int。它解析str并将其内容解释为指定基数的整数，并将其作为long long int类型的值返回。

原创 Vitis-AI保存当前docker镜像 保存当前代码环境的依赖以及安装包

docker save d1a36 -o copynginx.tar 默认保存到当前执行命令的目录 **这里主要，尽量不要用id进行保存，不然还原的时候，无法进行名称还原**通过 docker ps -a 来查询。# 封装镜像到Tar包。

原创 ubuntu使用 fifty 下载Coco2017 数据集 进行YoloV5_nano训练

【代码】ubuntu使用 fifty 下载Coco2017 数据集 进行YoloV5_nano训练。

原创 安装tensor flow-macos后关于numpy版本的错误

安装工作正常，但是当尝试在指南末尾运行验证脚本时，它失败了，我尝试按照conda 环境中。

原创 Apple M2芯片安装tensorflow 安装不上的问题

下载清华镜像源Anaconda arm的。

原创 解决yolov3spp代码运行过程使用train.py文件失败

使得这两个变量在同一个设备运行 即可 直接train.py文件。在util.py脚本中添加。

原创 github疯了？

原创 烧写文件到ultra96板子上 生成dpu.bit文件

操作教程训练截图[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FVzmtSYT-1682575952608)(https://cdn.staticaly.com/gh/hudiework/img@main/image-20230324144851032.png)]

原创 MAC 连接 Ultra96V2小车使用方法

下载地址：https://www.silabs.com/developers/usb-to-uart-bridge-vcp-drivers?失败 因为本人的mac没有以太网显示 等待购买完typec-enthenet之后 再试一下。

原创 简单图像分类网络零碎笔记

填充和步幅是卷积层的超参数填充在输入周围添加额外的行、列，来控制输出形状的减少量步幅是每次滑动核窗口时的行/列的补偿，可以城北的减少输出形状卷积核的大小是奇数；所有边的填充行数和列数相同；输出与输入具有相同高度和宽度 则可以得出：输出Y[i, j]是通过以输入X[i, j]为中心，与卷积核进行互相关计算得到的。填充可以增加输出的高度和宽度。这常用来使输出与输入具有相同的高和宽。步幅可以减小输出的高和宽，例如输出的高和宽仅为输入的高和宽的1/�（�是一个大于1的整数）。

原创 目标检测零碎笔记

命令式（解释型）编程和符号式编程的区别如下：命令式编程更容易使用。在Python中，命令式编程的大部分代码都是简单易懂的。命令式编程也更容易调试，这是因为无论是获取和打印所有的中间变量值，或者使用Python的内置调试工具都更加简单；符号式编程运行效率更高，更易于移植。符号式编程更容易在编译期间优化代码，同时还能够将程序移植到与Python无关的格式中，从而允许程序在非Python环境中运行，避免了任何潜在的与Python解释器相关的性能问题。

原创 个人图床 上传图片失败

但是我重新上网登陆了一下 发现我github没有问题 vpn也没有问题 都是正常登陆的。然后去github看了一下 发现是token 过期了。去看了一下 log日志 发现是github 401。重新生成一下token 就可以继续使用图床了。今天记录笔记的时候遇到上传图片失败。看到需要去picgo了解一下问题。打开 picgo 图片显示待上传。

原创 碰到torch.cuda.is_available()==false

然后anaconda又报错 重装anaconda 直接复制一份envs 直接拷到新装的envs conda就是跟之前的一样。进入运行的程序 cuda报false 但是因为之前安装过 所以nvcc -V这些没问题 cuda版本也没问题。试了几次 发现直接运行cuda驱动 重新安装cuda库就能解决问题 这个驱动去英伟达官网就能下载。因为之前更换python不小心删除了python2.7 3.x 所以重装了python。本文环境是ubuntu系统。所以这时候就很烦人了。

原创 ubuntu 系统 如何生成requirement.txt

pipreqs . (--force 生成之后重新生成 可选项)

原创 卷积神经网络PyTorch 入门学习笔记 + 图像分类基础网络笔记

A：在浅层的网络中 这些角点信息 纹理信息是对于大多数网络是通用的 所以这些识别到的信息也是可以直接运用到其他的网络上的 将已经学习好的浅层的网络参数直接迁移到新的网络 新的网络就可以拥有识别底层通用特征的能力 这样新的网络就可以更加快速识别新的数据集的特征。卷积神经网络CNN已经普遍应用在计算机视觉领域，并且已经取得了不错的效果，图1为近年来CNN在ImageNet竞赛的表现，可以看到为了追求分类准确度，模型深度越来越深，模型复杂度也越来越高，如深度残差网络（ResNet）其层数已经多达152层。

原创 pytorch实战

本文出现的代码在 https://github.com/hudiework/PyTorchOrigin.git的master分支上学完本课程之后：算法代替人脑进行处理的过程​ 拿出数据集，打过标签的，知道答案，建立模型，训练模型，得到算法[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zmnXcloq-1676948359448)(https://cdn.staticaly.com/gh/hudiework/img@main/4f7a49b9d6e42308ba3589ae6

原创 【pytorch】安装pytorch框架

官网下载：https://www.anaconda.com/products/distribution#macos。pytorch官网：https://pytorch.org/get-started/locally/在安装环境之后直接运行 jupyter notebook。pytorch官网 会自动根据电脑配置生成信息。执行安装pytorch torchvision。安装之后 终端输入conda。查看本机所有虚拟环境。