第一步：查看自己电脑支持的cuda的版本的最高版本是多少，如我这里12.2。那么按照小于12.2即可。说明cudnn已经存在（可能在你前面安装cuda的是时候自带安装了对应的cudnn）目的:解决不同项目之间需要的cuda与cudnn 版本可能各不相同的环境问题。第五步：检查cuda与cudnn是否安装成功。第四步：按照需要的cuda与cudnn版本。第二步：创建虚拟环境并激活。

cuda的卸载方法网上都有很多，这些方法大同小异，几乎都是错的，我在卸载cuda时基本试了个遍，各种踩坑。能查到的方法一般都是从官方文档搬过来的，然而这种使用命令的方法并不能将cuda完全卸掉。我运行过这个命令，运行完之后，命令行输入，发现自己要卸载的cuda居然还在，切换到/usr/local中，发现自己的cuda赫然在列，大写的卸载失败。(官方的方法不好用真堪称大水冲了龙王庙…)

有可能是你转换的是gpu但是推理是cpu，因此卸载cpu版本，重新安装gpu版本。onnx模型不匹配。

官方高级驱动搜索 | NVIDIA

python train.py--device 0,1-----------------> 这里的01之间不能有空格。

输入： wsl --install（如果出现网络原因，挂梯子）在弹出的窗口中，找到并勾选“Hyper-V”选项，然后点击“确定”。点击“程序”，然后选择“启用或关闭 Windows 功能”。在 Windows 搜索栏中输入“控制面板”，然后打开它。5.检查：cmd 或者 power shell 输入：wsl -l -v。一、开启HyperV。

有可能是你转换的是gpu但是推理是cpu，因此卸载cpu版本，重新安装gpu版本。onnx模型不匹配。

下图为通过 FPN 和 PAN 对图像进行多尺度特征融合，其中上层特征图因为网络层数更深，包含的图像语义信息也就更强，而下层特征因为经过的卷积层数较少，图像的位置信息损失就更少，FPN 结构通过自顶向下进行上采样，使得底层特征图包含更强的图像强语义信息；在卷积神经网络过程中，网络层数越深，目标的特征信息就越强，模型对目标的预测就更好，但同时也会使得目标的位置信息越来越弱，并且在不断的卷积过程中，对