本文针对高光谱图像分类算法进行了三项主要优化：1）改进了数据集加载方式，采用批量加载并按类别组织数据，同时统一生成3×3×30的patch作为输入；2）优化了网络结构，移除了MaxPooling和GlobalAveragePooling层以减少空间信息损失，并简化了模型深度；3）在训练过程中加入了早停机制和模型保存功能以防止过拟合。实验结果表明，这些优化有效提升了分类精度，训练准确率达到98.33

一.最最最重要的官方ultralytics量化速度信息二.设置onnx模型导出的输出头数量和输出头维度三. 设置单batch和多batch的onnx模型导出四. onnx导出为tensorrt的engine模型五. 验证tensorrt的engine模型六. 额外知识点

int8 --fp16: 启用INT8（8位整数）和–fp16量化精度, 对不支持量化的层默认转fp16. 如果模型finetune时, 全部层都做了int8量化, 那么只需要–int8即可;–workspace=4096 : 转engine模型用到, 模型小可以设置1024, 但如果模型大, 要设置大一些, 例如2048, 4096, 8192等,但不能大于GPU显存大小.可以自行设置, 例如设

由于要用到trtexec，而trtexec在/usr/src/tensorrt/bin目录下，每次执行，需要cd到该目录下执行下面的代码，这样有点麻烦，可以创建软链接放到要执行指令的目录下即可。yolov8/yolov11 bb如何转出多 batch 的模型, 以及修改onnx模型输出维度.但是这样的维度不⽅便用Tensorrt进行本地代码部署和解析。(找到对应的代码, 大约在409行左右, 注释

本文摘要： 本文实现了一个基于2D-CNN的高光谱图像分类模型，针对Salinas数据集进行农作物分类。主要流程包括：1)环境配置与随机种子固定；2)GPU选择与显存优化；3)数据加载与预处理，包括PCA降维至30维；4)3×3光谱-空间patch生成；5)数据划分与类别平衡处理；6)构建包含Conv-BN-MP层的CNN模型；7)训练评估与整图预测可视化。创新点在于采用PCA降维降低数据维度，通

由于要用到trtexec，而trtexec在/usr/src/tensorrt/bin目录下，每次执行，需要cd到该目录下执行下面的代码，这样有点麻烦，可以创建软链接放到要执行指令的目录下即可。yolov8/yolov11 bb如何转出多 batch 的模型, 以及修改onnx模型输出维度.但是这样的维度不⽅便用Tensorrt进行本地代码部署和解析。(找到对应的代码, 大约在409行左右, 注释

大多数目标检测方法使用边界框来编码和表示物体形状和位置，本论文中使用高斯分布对物体区域进行模糊表示，还提出了一种基于Hellinger距离的相似性度量，称为概率交并比（ProbIoU），可以视为一种概率形式的IoU。实验结果表明，所提出的高斯表示与公开可用数据集中的标注分割掩码更为接近，且基于ProbIoU的损失函数可以成功用于回归高斯表示的参数。此外，本论文提出了一个从传统（或旋转的）边界框到高

如果已经安装了NVIDIA驱动版本，先卸载旧驱动，再安装新CUDA对应的驱动，如果没有安装过NVIDIA驱动版本，可以直接安装新CUDA版本，它会自动安装对应的NVIDIA驱动。（2）执行nvidia-smi命令，显示是cuda的版本号（每个cuda版本对应了不同驱动版本），提供有关系统中NVIDIA GPU的实时状态信息。一个带显卡的环境系统能安装多个CUDA版本，但不能安装多个NVIDIA驱动

本文针对高光谱图像分类算法进行了三项主要优化：1）改进了数据集加载方式，采用批量加载并按类别组织数据，同时统一生成3×3×30的patch作为输入；2）优化了网络结构，移除了MaxPooling和GlobalAveragePooling层以减少空间信息损失，并简化了模型深度；3）在训练过程中加入了早停机制和模型保存功能以防止过拟合。实验结果表明，这些优化有效提升了分类精度，训练准确率达到98.33

本文针对高光谱图像分类算法进行了三项主要优化：1）改进了数据集加载方式，采用批量加载并按类别组织数据，同时统一生成3×3×30的patch作为输入；2）优化了网络结构，移除了MaxPooling和GlobalAveragePooling层以减少空间信息损失，并简化了模型深度；3）在训练过程中加入了早停机制和模型保存功能以防止过拟合。实验结果表明，这些优化有效提升了分类精度，训练准确率达到98.33