huggingface由于是外网，下载困难，建议去魔塔社区下载，下载后置于LLama-factory根目录下，新建models文件夹。既然qwen本身具有较好的图像描述能力，那我们可以先使用qwen进行图像描述，在此基础上进行复核修改，这样做可以减少人力成本。因为我是一边测试一边记录，为了安全起见，建议使用anaconda建立LLama-Factory虚拟环境。生成的权重文件在LLama-Fact

最近有旋转目标检测的需求了，在寻找旋转目标检测算法的过程中，发现已经有人提前测评了各类旋转目标检测框架了，结果是mmrorate效果最好。本次记录一下mmrorate的实验过程。将持续更新实验记录！主要参考：1.测评参考：2.实现过程参考1.目前电脑已有环境（1）Ubuntu20.04（2）Cuda==11.2+cudnn2.下载代码建立虚拟环境（1）下载代码（2）建立虚拟环境用pycharm打开

一键部署脚本 build_rkllm_server_flask.sh 脚本可以使用usb线直连传送文件到开发板，但是我是通过网线路由远程。在PC端操作，修改/rknn-llm/examples/rkllm_api_demo/deploy/build-linux.sh。进入rkllm_flask_server文件夹下，拷贝模型文件至当前文件夹，路径自行替换，注意后面有个“点”会生成/rknn-llm

huggingface由于是外网，下载困难，建议去魔塔社区下载，下载后置于LLama-factory根目录下，新建models文件夹。既然qwen本身具有较好的图像描述能力，那我们可以先使用qwen进行图像描述，在此基础上进行复核修改，这样做可以减少人力成本。因为我是一边测试一边记录，为了安全起见，建议使用anaconda建立LLama-Factory虚拟环境。生成的权重文件在LLama-Fact

NLP学习4-基于深度学习的文本分类（FastText）一，学习目标1.学习FastText的使用和基础原理2.学会使用验证集进行调参二，fastText原理fastText优点是可以快速的在cpu上进行训练，但是准确率不高。fastText将输入的文本特征通过一层全连接层映射到向量空间，然后将词向量平均处理一下，去做预测。keras模型搭建如图：三，fastText的实现1.pip安装fastT

一键部署脚本 build_rkllm_server_flask.sh 脚本可以使用usb线直连传送文件到开发板，但是我是通过网线路由远程。在PC端操作，修改/rknn-llm/examples/rkllm_api_demo/deploy/build-linux.sh。进入rkllm_flask_server文件夹下，拷贝模型文件至当前文件夹，路径自行替换，注意后面有个“点”会生成/rknn-llm

需要留意一下是否在lib文件夹下存在libstdc++.so.6和libstdc++.so.6.0.24这两个文件，如果没有的话，直接从gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/aarch64-linux-gnu/lib64中直接拷贝进去即可。部署整体流程：rknn_model_zoo的pc端，确认Pc端和开发板端的gcc版本是否匹配，pc

这一步和大多数教程写的一样，就不赘述了。获取到’.pt’格式的权重即可。转换工具库链接：https://github.com/airockchip/ultralytics_yolov8下载后，进入配置好的环境下进行转换。修改./ultralytics/cfg/default.yaml中的模型路径回到项目目录下，输入：如图这一部分要配置rknn-toolkit2环境，下载rknn-toolkit2：

以上命令完整的意思可以解释为：Docker 以 ubuntu18.04镜像创建一个新容器，然后在容器里执行 bin/echo “Hello world”，然后输出结果。使用的是 nano，可以通过按 Ctrl + O 保存文件，然后按 Enter 确认文件名，最后按 Ctrl + X 退出编辑器。3.参考：https://www.runoob.com/docker/docker-tutorial.

python合并两个txt文件内容-yolo格式数据代码import osimport randomimport shutildef concattxt(path1,path2):pathdir1 = os.listdir(path1)#获取第一部分txt文件夹中的文件列表for txtname in pathdir1:#name1 = os.path.splitext(txtname)[0]#获