pytorch yolov5训练自己的数据一，下载代码https://github.com/ultralytics/yolov5二，配置环境按照代码中的 requirements.txt文件进行安装备注：代码中讲到需要python3.7环境，但是我的python3.6也可以跑该程序三，数据准备1.在data文件夹下新建如下四个文件夹2.将原始的xml标签放入Annotations中，图像放入ima

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

运行代码时报错：TypeError: an integer is required (got type bytes)网上看到的大部分办法是要对python3.8进行降级，这个方法兴许能解决问题，但是太过于麻烦了！也有修改python自身的cloudpickle.py文件的，我这边改完后的结果就是继续一连串的bugs。

ubuntu查看文件依赖、安装libopencv1.ubuntu中，当需要查看某个文件运行时，需要那些依赖库时，可以在终端输入指令。ldd namename为文件名字。2.出现libopencv相关依赖缺损，但是又安装了opencv。可以继续安装libopencvsudo apt install libopencv-dev3.定位依赖库文件位置locate name例如我上面缺少libopencv

ubuntu18 安装opencv+OpenCV-contrib一，下载文件1.opencv下载：opencv2.OpenCV-contrib下载：contrib二，安装依赖sudo apt-get install build-essentialsudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavf

Aruco码是opencv自带的库，比Apriltag相比，不用额外的编译其他的库，便于部署。

yolov4出现CUDA Error: all CUDA-capable devices are busy or unavailable一、问题描述CUDA Error: all CUDA-capable devices are busy or unavailable: Successdarknet: ./src/utils.c:331: error: Assertion `0’ failed.二

YOLO-Fastest的opencv_dnn部署树莓派一、代码来源https://github.com/hpc203/Yolo-Fastest-opencv-dnn二、环境1.win102.opencv451+dnn3.树莓派4b三、PC端1.配置文件路径将权重文件和配置文件放入指定文件夹既可，根目录下添加自己的names文件修改代码modelConfiguration = "Yolo-Fast

本次记录在win10系统下，使用ollama和minicpm-v2.6，进行图像分析。即输入一张图像给多模态大模型分析图像中的信息。

Samples中opencv的RawDataFormatConvert.cpp代码是使用OPencv3和vs2008编写的，其中一些调用接口改变了。在选中Debug|x64后右击鼠标，选择属性，在链接器-------输入--------附加依赖项中删除所有的老版本opencv的配置，只需要保留MvCameraControl.lib。在安装好mvs后，相应文件夹中，会有样例文件。3.链接器-----