本文记录海思3559 yolov5 wk模型部署的具体过程，成功生成了可执行文件，后面就可以在板端进行运行测试！！

目前项目需要在海思3559上开发，但查了相关文档，感觉还是比较复杂的。相比于3403、3519的使用atc工具直接从onnx->om，3559需要从onnx->caffer->wk则显得复杂许多，特此记录一下。海思3559是早些年的芯片，因此在模型转换的方式上相比于3403、3519的使用atc工具直接从onnx->om，3559需要从onnx->caffer->wk则显得稍显复杂。本文记录了yo

1.在ubuntu系统上打开终端；2.通过以下命令来设置定时重启：退出，然后输入，再按进行保存以上编辑的意思为：在凌晨2点10分进行重启；可以查看目前所有定时启动任务若以上设置没反应，建议将目录下的文件设置为任务配置文件：再重复进行上一步操作3.参数说明除了这些固定值外，还可以配合星号（*），逗号（,），和斜线（/）来表示一些其他的含义：星号表示任意值，比如在小时部分填写 * 代表任意小时（每小时

Ubuntu下设置环境变量有三种方法，一种用于当前终端，一种用于当前用户，一种用于所有用户：查看环境变量终端输入：echo $PATH 可以查看环境变量一：用于当前终端：在当前终端中输入：export PATH=$PATH:<你的要加入的路径>不过上面的方法只适用于当前终端，一旦当前终端关闭或在另一个终端中，则无效。二：用于当前用户：在用户主目录下有一个 .bashrc 隐藏文件，可以

本文介绍了一个基于光电球机的低空无人机智能追踪系统，包含主动和被动两种跟踪模式。主动模式通过视觉检测锁定目标并控制云台自动跟踪，被动模式则通过Remote ID计算PTZ参数进行跟踪控制。文章详细展示了两种模式的运行效果，并提供了主动模式下海康球机SDK的Python控制代码实现，包括PTZ脉冲控制、动态速度调节和死区处理等核心功能。项目采用多线程设计，实现了稳定的无人机追踪效果。

本文记录了在海光DCU机器上部署深度学习开发环境的完整流程。首先介绍了DCU作为海光信息推出的GPU架构协处理器产品，其基于DTK计算平台兼容ROCm生态的特点。部署过程包括：1）安装Ubuntu22.04基础环境及DTK-25.04依赖包；2）安装DCU加速卡驱动并重启；3）配置Docker环境，通过光源或本地加载获取PyTorch镜像；4）创建支持DCU的Docker容器并进行验证。作者指出P

很久没更新文章了，这次因为工作场景需要检测动态目标，特此记录一下。这段代码演示了背景减除方法在移动目标检测中的应用，通过检测前景目标并在特定区域内绘制边界框，可以用于一些简单的运动分析和目标跟踪应用。

本文介绍了在华为昇腾AI硬件上部署Qwen2.5-VL-7B大语言模型的完整流程。首先在Atlas 300I Duo推理卡和Kylin V10系统上安装驱动、固件及MindIE软件包；接着通过Docker容器部署MindIE服务，配置模型权重路径和NPU设备参数；最后测试验证了模型的语言生成和图像理解能力。该方案为国产化AI部署提供了实践参考，展示了昇腾硬件对大模型推理的高效支持能力。

本文记录了大疆妙算3适配YOLOv5目标检测算法的过程。妙算3是基于NVIDIA Orin的机载计算机，但没有root权限，无法直接安装所需库。适配步骤包括：1) 查看设备信息；2) 下载YOLOv5和tensorrtx源码；3) 生成.wts权重文件；4) 修改CMakeLists.txt配置文件；5) 编译生成TRT引擎文件；6) 实现图片和视频的目标检测推理。最终成功在妙算3上运行YOLOv

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言第一步：创建虚拟环境并安装所需包二、使用步骤1.引入库2.读入数据总结前言毕设是做关于深度学习的，之前一直在用tensorflow cpu版本，（cpu版是为了调试代码，跑代码我是通过google colab来完成的）最近室友的2070S主机正好闲着了，开始学着装gpu版本。上网看了一下，大多数tensorflow-gpu