参考：https://www.freesion.com/article/31311480188/两种方法一、dst=cv2.addWeighted(img,a,blank,b,g)二、img2 = img_contrast_bright(img,a,b,g)a是对比度调整值0~0.3g是亮度调整值0~100

u版yolov5:模型的输入设置为（640，640），输入图片上1920*1080：3x1080x1920——等比例缩放——3x384x672——backbone——3x128x48x84和3x256x24x42和3x512x12x21——Detect——-transpose3x48x84x6和3x24x42x6和3x12x21x6后处理12096x6和3024x6和756x6求和得到15876x

nnie只支持yuv和bgr格式的图片，所以要把图片处理成bgr格式。其他的图像预处理方式要和yolov3训练时相同，这样才能保证识别的精度。先等比例的resize，再填充，我这里是608*608的，最后转化成bgr的格式。还有注意填充的时候是灰色填充还是黑色填充。（ps：训练和量化的时候图片顺序都是rgb的，我以为这里把图片转化成rgb的效果会好，但事实证明不对，就要用bgr的顺序，转化成.bg

参考教程：https://github.com/Wulingtian/yolov5_onnx2caffeonnx模型转换caffe模型过程中报错，没有{}节点，就直接把converCaffe.py里的err.unsupported_op(node)注释掉了转化成功以后测试时候，打算修改caffe_yolov5s.cpp，但是修改完重新编译报各种错。和这个错一样：https://github.com

读取，resize，显示图片cv::string RGB_image_file = "D:/detect_results/a.jpg";cv::Mat RGB_frame;cv::Size ResImgSiz = cv::Size(IMGSIZE_SUBX, IMGSIZE_SUBY);cv::Mat ResImg = cv::Mat(ResImgSiz, RGB_frame.type());RG

import tensorrtTraceback (most recent call last):File "<stdin>", line 1, in <module>File "/home/zhanglu/anaconda3/lib/python3.5/site-packages/tensorrt/__init__.py", line 1, in <module&g

张量并行适用于将模型的张量拆分到多个设备上，减少单个设备的内存负担，并加速计算。适用于大多数深度学习模型。专家并行适用于混合专家模型，通过将不同的专家分配到不同的设备上，增加模型的容量和计算效率。特别适用于大规模的稀疏模型。选择哪种并行化技术取决于具体的模型结构和应用场景。对于传统的深度学习模型，张量并行可能更合适；而对于混合专家模型，专家并行则更为有效。

pt转onnx不报错，onnx推理grid_sampler报错。trt8.6.1，转trt不报错，trt推理报错。

先下载安装ffmpeg：https://blog.csdn.net/u013314786/article/details/89682800指令转mp4格式：https://www.cnblogs.com/freedom-try/p/13577816.html

二叉树A(B(,D(F,H)),C(,E(G(I)))),将此二叉树转换森林。这题分两步来完成1.先从广义表得到这棵二叉树的结构2.二叉树转森林对于第一步需要明白广义表的括号表示的就是树的层次，同一括号内属于同一层，上面这个例子中，最外面是A，它是最高一层，就是根结点，然后括号中便是下一层，也就是它的左子树和右子树，类似的分析这一层，我们可以发现B和C的地位又是在这一层的最外面，所以B和C...