确保python版本>3.10python -m venv yolo26#创建虚拟环境，目录名为yolo26激活。

yolo11转ncnn现今用pnnx直接转，但在安卓部署时直接跳出，也无明显错误。比较查看源param文件，发现不同之处比较多，仅开头几行就相差甚远。因为转换比较方便，在ubuntu系统也进行了同样的安装，发现就不存在这样的问题，转换后的文件与示例文件基本相同。模型代入系统中调试，仍是错误退出。查看编译代码，图片为320*320，而转换时默认为640*640，修改后。值仅微小差异，替换模型入系统，

import cv2import numpy as npimport osim = cv2.imread("lamp1.jpg")sp = im.shapesz1 = sp[0]#height(rows) of imagesz2 = sp[1]#width(colums) of imagesz3 = sp[2]#the pixels value is made up of three primar

ubuntusudo apt clean 中清理缓存，tf训练临时文件太大，一会功夫，几个G就没了。sudo apt autoremove清理安装包，容易出错，谨慎处理。运行清理后，nvidia-smi报错NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver. Make sure that the

yolov5和yolo11训练生成的检测模型均可通过ncnn转换为在android端运行的文件，查看大小，yolov5s和yolo11n的bin文件大小分别是28M和5M，感觉对yolo11精度有点不太自信了。yolov5版本的cpp文件为yolov5_ncnn_jni.cpp，yolo11则有多个文件，初准备两版本模型用不同的cmake编译，但仅后一个能正确编译生成相应的so文件。比较其模型载入

主机系统是win11家庭版，先做成双系统win和ubuntu24.04，安装nvidia驱动，cuda及yolo。内核更新：sudo add-apt-repository ppa:cappelikan/ppa。系统更新：sudo apt update && sudo apt upgrade -y。下载ubuntu ISO文件，用refus制作启动盘，修改为GPT分区和ntfs格式。日常训练yolo

安装GPU版本显示cuda不可用。

部署ms4w 5.0，运行httpd -k install -n "Apache MS4W Web Server"出现错误。首先根据要求安装VC_redist.x86，注意这里x86版本，不是64位版本。任务管理器=>服务查看5384端口占用为 Apache MS4W Server。80端口被占用，netstat -a -o 查看。可以看到pid 5384占用了80端口。

yolo模型pt格式文件转ncnn，以适用于移动端的部署。原先要经过onnx，onnxsim等转换，cmake编译，现直接可生成(mini anaconda环境，git yolov11，直接运行代码，可能会提示torch，pillow，ncnn等依赖库。

mysql5数据库的记录要迁移到mysql8，直接拷贝原data目录下的文件无效。