在https://github.com/opencv/opencv_3rdparty查找对应版本。打开/usr/local/ffmpeg/lib目录，查看ffmpeg依赖库版本是否与上图一致。点击进ffmpeg_version.cmake能查看ffmpeg依赖库的版本。查看源码中3rdparty/ffmpeg/ffmpeg.cmake文件。点击上图划红线部分，进入对应页面，打开其中的ffmepg文

训练模型时设置的batch-size是12，worker是3，按照网上的方法将batch-size或者worker调大，会出现内存不足和CUDA相关的各种问题，最后才发现训练模型时的GPU利用率，不是在任务管理器查看的。训练yolov8模型时发现GPU利用率过低。90%，怪不得调高batch会内存爆掉。

在https://github.com/opencv/opencv_3rdparty查找对应版本。打开/usr/local/ffmpeg/lib目录，查看ffmpeg依赖库版本是否与上图一致。点击进ffmpeg_version.cmake能查看ffmpeg依赖库的版本。查看源码中3rdparty/ffmpeg/ffmpeg.cmake文件。点击上图划红线部分，进入对应页面，打开其中的ffmepg文

yolov8的训练流程，跟前面yolov7 v5都训练都差不多，前面版本的超参在v8都是能用的，训练的命令基本差不多，相比前面版本，v8的项目文件会更加干净，没有那么乱，而且方便快捷，几个命令就能开始训练了。

本文记录两种打包方式，在线打包和离线打包，使用的是rock_5c板子和radxa官方系统，在线打包可以打包radxa系统，如果是非官方系统，可能会出错，这时可使用离线打包方式。打包好的镜像可以直接使用常规烧录方式。

训练模型时设置的batch-size是12，worker是3，按照网上的方法将batch-size或者worker调大，会出现内存不足和CUDA相关的各种问题，最后才发现训练模型时的GPU利用率，不是在任务管理器查看的。训练yolov8模型时发现GPU利用率过低。90%，怪不得调高batch会内存爆掉。