往期文章中，已经讲解了如何用ollama部署本地模型，并通过open-webui来部署自己的聊天机器人，同时也简单介绍了RAG的工作流程，本篇文章将会基于之前的内容来搭建自己的RAG服务，正文开始。

前面的文章，我们已经学习了如何在本地搭建并调用自己大模型，今天我们的主要内容是通过open-webui+Ollama来搭建一个聊天机器人的前端页面。

最近，自己在学习一些大模型的相关知识，所以近期会不定时更新大模型的实操指南，这里为LLM系列第一篇文章，主要内容是在本地搭建自己的LLM服务。

本地部署了大模型，下一步任务便是如何调用的问题，实际场景中个人感觉用http请求的方式较为合理，本篇文章也将通过http请求的方式来调用我们本地部署的大模型，正文开始。

最近，自己在学习一些大模型的相关知识，所以近期会不定时更新大模型的实操指南，这里为LLM系列第一篇文章，主要内容是在本地搭建自己的LLM服务。

文章目录前言一、环境搭建二、数据准备1.数据摆放2、训练集和验证集切分三、训练1.预训练模型下载2.加载模型3.数据读取部分4、学习率衰减策略5、完整训练代码：四、测试1、完整测试代码：2、结果：总结前言  最近，自己需要一个分类网络来完成一项任务，于是便想起了身边人推荐过的Efficientnet，据说效果是较为稳定的，所以自己来一探究竟，示例的话就用个最简单的二分类吧。一、环境搭建本人使用的环

CCPD数据集处理

成功解决RuntimeError: radix_sort: failed on 1st step: cudaErrorInvalidDevice: invalid device ordinal项目场景：linux下detectron2异常解决问题描述：最近用到了detectron2来进行实例分割，遇到了一个非常奇葩的问题，根据detectron2的要求，我的pytorch版本选择了1.8.0。我先

文章目录前言一、环境准备1、yolov5环境及代码准备2、Paddle环境搭建2.1 直接安装2.2 whl安装3、x2paddle安装3.1直接安装3.2 源码安装二、模型准备1.pt准备2.pt->onnx三、模型转换onnx->inference四、转换中可能会遇到的问题总结前言  近期，项目部署时同时用了pytorch和Paddle，遇到了些问题，觉得可能是框架冲突，所以我去尝

目标检测领域里，小目标一直是一个难点问题，虽然我们可以用YOLO+SAHI的方式进行滑动窗口推理以提升准确率，但是他的耗时会线性增强，毕竟一张大图会被切成很多小图去推理，所以在很多场景下无法得到应用。这里，我们从探测头入手，在原有的基础上在增加一个探测头以用于检测小目标。