一个专为开发者设计的简洁、模块化、高可读性的知识图谱问答框架，支持从文本到图谱构建、再到智能检索与回答生成的全流程自动化，代码：https://github.com/tangjun1878。同时，也写好了向量检索代码+报告生成代码，但还未集成，后续有时间整合。

本文章实现xml数据格式转yolov5的txt格式，一方面共享读者直接使用，另一方面便于我能快速复制使用，以便yolov5模型快速训练。为此，我将写下本篇文章。主要内容包含yolov5训练数据格式介绍，xml代码解读及xml解读信息转为txt格式，并将所有内容附属整个源码。

在当今的技术发展中，大语言模型（LLMs）的出现极大地简化了智能对话系统的构建。LangChain作为一个强大的框架，为开发者提供了灵活且全面的工具集，使得即使是复杂的多轮对话系统也能轻松实现。本指南将简要介绍如何使用Docker快速搭建LangChain环境，并通过实例展示从简单的问答到带有历史记录的多轮对话的构建方法。首先，我们会学习如何利用Docker部署一个支持GPU的环境，以加速应用运行

深度估计是一个很有效方法来预测目标距离或其它场景应用。特别地，近期相关深度估计大模型出现，使其目标深度估计更具有工程应用价值。本文将介绍一个通用的深度估计模型depth anything来实现现实世界目标的深度估计，而模型运行较为简单，关键在于如何将预测深度图转为真实深度估计图。介于此，本文从工程角度做出剖析与分享。当然，有错误之处请指出。

一个专为开发者设计的简洁、模块化、高可读性的知识图谱问答框架，支持从文本到图谱构建、再到智能检索与回答生成的全流程自动化，代码：https://github.com/tangjun1878。同时，也写好了向量检索代码+报告生成代码，但还未集成，后续有时间整合。

在当今的技术发展中，大语言模型（LLMs）的出现极大地简化了智能对话系统的构建。LangChain作为一个强大的框架，为开发者提供了灵活且全面的工具集，使得即使是复杂的多轮对话系统也能轻松实现。本指南将简要介绍如何使用Docker快速搭建LangChain环境，并通过实例展示从简单的问答到带有历史记录的多轮对话的构建方法。首先，我们会学习如何利用Docker部署一个支持GPU的环境，以加速应用运行

本教程详细介绍了在Visual Studio中配置OpenCV的完整步骤。主要内容包括：下载OpenCV（4.2.0版本）并解压到指定目录；在VS2019中创建项目后，配置包含目录、库目录和链接器；解决DLL缺失问题并添加环境变量；提供测试代码验证配置效果；列举常见问题及解决方案；建议使用属性表或CMake简化配置流程。重点强调版本匹配（VS与OpenCV的vc版本）、平台一致性（x64）和路径正

PnP(Perspective-n-Point)是求解3D到2D点的对应方法。不论是相机和雷达的标定还是相机和相机的标定都可以使用PNP来解决，即通过不同坐标系下相同的点对求解变换矩阵。这里相机多用棋盘格中的角点来实现点的提取。流行方法为张正友标定法，至于详细原理可点击我的博客https://www.cnblogs.com/tangjunjun/p/16240878.html查看，本博客主要使用代

yolo系列模型结构图：

目前，我研究大模型相关知识，常用到transformer结构，我想到NLP领域开篇之作Attention is all you need论文，论文实际提出transform结构，可与CNN并驾齐驱的结构，该结构利用Q/K/V模式整合全局信息，与CNN提取局部信息有所差别。介于此，我将一年前博客园更新笔记迁入该博客中，本文将介绍transform原理，也根据源码解读，深入介绍transforme经典