当处理是一纬数组时，可以插入一个纬度变成二纬，这个纬度可以插入在x轴（axis=0）或y轴（axis=1）位置，当插入在x轴原来的一纬数组数据变为列方向数据，当插入在y轴原来的数组变成行方向数据。array([ 1,2,3, 11, 22, 33, 44, 55, 66]) #对于一维数组拼接，axis的值不影响最后的结果。三通道转单通道很简单，使用cv2读取图像的时候指定读取图像格式为。下面是关

3.1 使用cmake构建项目。

python中使用socket服务发送接收图像的代码，可在服务器端中插入模型推理代码进行推理返回结果。

deepseek-r1:1.5b这个模型确实很轻量资源占用很少，应该也就占用1GB多点显存，但是也确实比较呆，很多问题都回答不上来，这里如果想要运行其他模型，可以参考ollama的技术文档https://ollama.readthedocs.io/quickstart/ 里面说明了其他模型运行的方式以及所需要的资源。下载完成后安装ollama，默认安装在c盘下面，这个通过默认安装方式无法更改模型就

mmdetection中进行测试使用自己的数据进行测试，保存到本地并且能够按照置信度进行区分，测试代码如下。#!/usr/bin/env python3# -*- coding: utf-8 -*-from argparse import ArgumentParserimport osfrom mmdet.apis import inference_detector, init_detector#

github：https://github.com/open-mmlab/mmdetection一、配置环境本机的环境是Ubuntu 18.04Cuda 10.2RTX 2080ti在安装过程中遇到了很多的坑，尤其是cuda、pytorch版本的问题。1、创建虚拟环境conda create -n open-mmlab python=3.7 -yconda activate mmdetection

在不同的线程中使用多个构建器没有线程安全问题，构建器使用时许来确定所提供参数的最快内核，并且使用具有相同GPU的多个构建器将扰乱时序和TensorRT构建最佳引擎的能力，使用多线程在不同的GPU构建不存在这也的问题。TensorRT序列化的模型仅能用于相同的操作系统、CPU架构、GPU模型和TensorRT版本一致时才能一起使用，TensorRT检查模型的以下属性，如果环境不一致，将无法反序列化。

2、onnx算子文档，https://github.com/onnx/onnx/blob/main/docs/Operators.md。Win10系统下使用pytorch1.11.0、onnx1.12.0转换yolov5cls转换onnx报错如下。1、模型部署，https://zhuanlan.zhihu.com/p/498425043。查找了相关资料后是由于pytorch对onnx算子的不支持。

目标检测中常见的loss函数

nps支持多平台的客户端配置，访问https://github.com/ehang-io/nps/releases/tag/v0.26.10地址可以下载不同平台的客户端，配置都是相同的，需要注意的是在windows平台下会被认为是病毒软件，需要将nps.exe添加到杀毒软件的信任区，否则不可用。以上配置完成就可以在任意主机访问内网的服务了，整个流程来讲还是比较简单的，有需要的可以自己玩一下，通过n