以前是用的docker版本的工具，用起来感觉比较麻烦，这次重新本地安装下工具。系统：ubuntu 18.04浮点转换工具版本：1.1.17注意细节：1.Ubuntu下的sh命令默认使用 dash , 而发布包脚本均需使用 bash 执行, 可使用 sudo dpkg-reconfigure dash 命令选择NO 。2.系统默认python切换为python3(这里应该需要python3.6，不是

x3派 模型板上运行

地平线旭日 X3 PI 体验流程记录

vue webassembly ncnn nanodet

TensorFlow PyTorch Docker环境文章目录一.软硬件版本二.Nvidia Containers三.使用docker简单部署一个python脚本需要在原生系统下安装相关环境的参见：Jetson Nano （ 二）TensorFlow PyTorch 及“annconda”的安装配置一.软硬件版本注：docker与nvidia-docker已默认安装在系统中无需另安装。Jetson

vue webassembly ncnn nanodet

Jetson NanoPaddlePaddle 环境配置文章目录1.软硬件版本2.安装NCLL23.安装Paddlepaddle-gpu参考1.软硬件版本Jetson Nano 4GJP 4.4.1CUDA 10.2CUDNN 8.0TensorRT 7.1.3.02.安装NCLL2git clone https://github.com/NVIDIA/nccl.gitcd ncclmake -j

python opencv 单条形码检测识别基于pythonopencvpyzbar实现。原图：结果图：import cv2import numpy asnpimport mathfrom pyzbar.pyzbar import decode#读图img=cv2.imread(r'XX.png',1) #读取图片gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY

Jetson Nano 配置流程（ 三）上篇写了一些python环境的一些基本库的安装，这篇写下nano的电源设置对性能的影响等。一.电源设置为10W模式Jetson Nano有2种能耗模式，5w模式跑一些较大的模型容易重启死机，所以推荐用 DC 5V4A 的电源，并选择MAXN 10w供电模式，CPU，GPU功耗大了能提升部分性能，各硬件能耗表：出自：https://docs.nvidia.co

TensorFlow PyTorch Docker环境文章目录一.软硬件版本二.Nvidia Containers三.使用docker简单部署一个python脚本需要在原生系统下安装相关环境的参见：Jetson Nano （ 二）TensorFlow PyTorch 及“annconda”的安装配置一.软硬件版本注：docker与nvidia-docker已默认安装在系统中无需另安装。Jetson