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

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

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-----

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

接下来按照上图操作，确认是x64的debug模式，找到modules下的opencv_world，右击鼠标找到属性->链接器->常规->启用增量链接。这里和debug版本编译一样的，只需要将模式切换到Release下，重复上述debug操作就行。编译结束后，打开测试代码，我的测试代码是Yolov5的调用opencv读取onnx文件，进行目标检测的代码。将上述两个压缩包解压，放在同一文件夹下，并新建

yolov5启用数据增强与tensorboard可视化一，yolov5启用数据增强1.data目录下，有两个hyp的文件：data/hyp.scratch.yaml和data/hyp.finetune.yaml具体内容如下：# Hyperparameters for VOC fine-tuning# python train.py --batch 64 --cfg '' --weights yol

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。

在train文件夹中，新建images文件夹，images文件夹中的图像实际是我将数据集train文件夹中的patch0.tar.gz解压后放入的图像。因为这个数据集太大了，只能一个一个小压缩包处理。在深度学习过程中，有些类别在现有数据集中就已经有了，因此可以直接利用现有数据集进行提取目标类别。Objects365数据集包含365中类别数据。在output文件夹中，将会保存处理结果。按照上述文件夹

注意这里应该是去只要修改一下文件名称就可以，将yolov8-seg.yaml改为yolov8n-seg.yaml，会自动选择。修改完yolov8n-seg.yaml和coco8-seg.yaml两个配置文件后，在代码中设置绝对路径，直接使用这两个配置文件进行训练。yolov8n-seg.yaml文件原件在：ultralytics\ultralytics\cfg\models\v8下。将路径和类别修