自定制组件：Blocks构建应用相比Interface，Blocks提供了一个低级别的API，用于设计具有更灵活布局和数据流的网络应用。Blocks允许控制组件在页面上出现的位置，处理复杂的数据流（例如，输出可以作为其他函数的输入），并根据用户交互更新组件的属性可见性。#设置输入组件# 设置输出组件#设置按钮#设置按钮点击事件首先，注意子句。Blocks应用程序代码将包含在这个子句中。接下来是组件

至此，模型的视频推理过程便完成了，但我们在UI界面上却发现，上传的视频是没有画面的，同时，返回的视频虽然成果保存，但其在界面上却显示为NaN其实，对于学习YOLO模型推理的过程而言，这已无伤大雅，但博主还有那么一点完美主义精神的，看看能否解决呢？经过查询相关资料，发现这是由于OpenCV合成视频操作造成的，解决方式是使用moviepy，具体如何做呢？

事实上，进行视频推理的过程与单张图片的过程及其类似，就是将原本的视频切分为多帧图像后再进行推理即可。这里面涉及到Image等相关操作，今天便借此机会梳理一遍。先前介绍了RT-DETR推理单张图像的案例，今天则介绍以下如何利用RT-DETR来进行视频推理。根据结果获取目标类别，标注框与得分，并将其绘制在每张图像上。可以看到，其在视频推理过程中，对CPU的利用率明显增高。视频合成，指定合成视频的名称，

在使用MMDetection框架完成训练后便可以使用训练所得的权重文件进行推理了，具体可以使用。关于参数量与flops的计算可以使用。，这里就不再赘述了。

Attention的本质就是加权，以找女朋友为例，Q代表我想要的女生类型，即一些条件，K与V则是一种键值对的表示，K为属性，如女生的相貌，身材等，而V则是对应属性的相应值，即女生的真实特征，那么一个女生越符合标准的我们预设的条件，就会被赋予更高的权重，特征占比也就越大。需要注意的是，在decoder的第一层其实做的是自注意力机制，即每个向量都有自己的Q，K，V，其先进行一下内部分配，最终我们需要的

卷积神经网络通过逐层抽象的方式来提取目标的特征，其中一个重要的概念就是感受野。高层网络的感受野比较大，语义信息表征能力强，但是特征图的分辨率低，几何信息的表征能力弱（空间几何特征细节缺乏）；低层网络的感受野比较小，几何细节信息表征能力强，虽然分辨率高，但是语义信息表征能力弱。高层的语义信息能够帮助我们准确的检测或分割出目标，而低层的细节信息可以准确地包含物体位置信息。高层与低层特征即为不同尺度。(

近些天，博主在开发JavaWeb项目时接触到了一款开发工具，IntelliJ IDEA，据说是一款非常强大的开发工具，因为博主之前使用的是eclipse，在网上也看到了两者的不同，为了掌握一些新的应用，便安装了idea。安装教程首先，我们来到idea的官方网址idea官方网址两者的功能差别至于安装过程，则是很简单的然后适当的选择一下安装的路径点击这里可以创建桌面快捷方式然后一路火花带闪电，便安装成

损失函数的作用为度量神经网络预测信息与期望信息（标签）的距离，预测信息越接近期望信息，损失函数值越小。在目标检测领域，常见的损失分为分类损失和回归损失。

博主使用的是自定义数据集，那么就需要修改几个内容：首先是数据集的配置，修改mmdet文件下的随后修改下的return [这时就要修改环境中mmdet文件了，当然也可以把这个包删掉，但对博主而言无所谓，因为博主并不打算在上面修改代码。完成上面的配置后，只需要再修改faster-rcnn中的类别数目即可，默认是80，我们改为1：随后便可以运行了，完成一个epoch用时不到一小时，还是可以接受的。

之所以求导，是因为我们的优化模型的求解都是通过求导来进行的，深度学习或者说神经网络当中最重要的一个要素是反向传播算法（Back propagation）。反向传播算法与数学当中求导链式法则有非常密切的关系，当前的流行的网络结构，无不遵循这个法则，比如计算视觉当中的LeNet、AlexNet、GoogLeNet、VGG、ResNet，还有其它的各种网络。反向传播算法与梯度下降算法当然我们在pytor