yolo后处理就是模型的输出进行处理，得到我们想要的坐标框的xywhxywhxywh以及confidenceconfidenceconfidence学习笔记这是yolov1的模型，他将图像划分成了7x7个网格，每个网格负责预测两个边界框，每个边界框都有5个信息$x、y、w、h、confidence $ ，（这个confidence是该区域有目标框的概率），共预测20个类，每个类都有一个置信度信息（

如上图所示，我们的目标是切割出所有的盘子，没个盘子单独储存为一张图片，并且里面的水果也还在该盘子的对应位置。类似于这样因为都标注了，有位置信息了，通过大目标框和小目标框的相对位置完全可以切出来。若再标注那工作量就太大了。

毕竟是小白，从小白视角看可能不会太深，但应该都能看懂。这篇博客就是也是写给新手的，希望大家都能学懂学好，嘿嘿，写的不好还望大佬勿喷。

当你的pycharm试用一个月后是不是很崩溃，没钱买正版，又要拒绝盗版，很好的一个思路就是再装一个，继续试用一个月，这样的确有点麻烦，那就试试下面这个插件吧！！！首先，下载这个文件解压后运行一下重启pycharm或者idea就可以再使用一个月了文件可能上传不了，想要的话，可以私聊我...

模型坍塌，在siamese中主要是输入数据经过卷积激活后收敛到同一个常数上，导致无论输入什么图像，输出结果都能相同。而He提出的simple Siamese networks在没有采用之前的避免模型坍塌那些方法：实验表明对于损失和结构确实存在坍塌解，但stop-gradient操作在防止坍塌方面起着至关重要的作用。如图为simsiam 的结构，输入是训练集中随机选取的一个图像，使用随机数据增强生成

我是Ubuntu系统，NVIDIA 3070 8G显存 16G运行内存，全用cpu也行，运行内存要大一些。第一次进入会让你注册，注册一个即可。点击models即可进入模型列表，比如我们选择deepseek-r1。这里除了deepseek，其他模型也都是在ollama官网下载的。即可安装，安装失败的话就创建个虚拟环境，再pip装。在设置里，这样选择，记得修改你的ip，端口不用改。可以选择不同的模型，

我们属于SoC模式，即我们在x86主机上基于tpu-nntc和libsophon完成模型的编译量化与程序的交叉编译，部署时将编译好的程序拷贝至SoC平台（1684开发板/SE微服务器/SM模组）中执行。注：以下都是在Ubuntu20.04系统上操作的，当然Ubuntu18和22也是可以的，因为我们主要是用的官方 docker 环境进行配置。

Milvus 创建于 2019 年，其目标只有一个：存储、索引和管理由深度神经网络和其他机器学习 (ML) 模型生成的海量嵌入向量。作为专门设计用于处理对输入向量的查询的数据库，它能够对一万亿级的向量进行索引。与现有的关系数据库主要按照预定义的模式处理结构化数据不同，Milvus 是自下而上设计的，用于处理从非结构化数据转换而来的嵌入向量。向量相似性搜索是将向量与数据库进行比较以查找与查询向量最相

香橙派Aipro提供的案例完美的执行成功了，学习起来很适合企业开发者用户。往外继续延伸，如果单纯的使用香橙派Aipro做模型的测试也是很可以的，可惜了我这边内存不太够，没办法做太多太消耗内存的东西。需要自己扩展下存储空间就很完美了，运行大模型肯定也不在话下。跑这个yolov8模型时，从拉下来代码，到搭建环境，再到运行结果，都比较顺利。延迟感觉还是稍慢满打满算一张图需要800ms。不知道跑上多路流然

Milvus 创建于 2019 年，其目标只有一个：存储、索引和管理由深度神经网络和其他机器学习 (ML) 模型生成的海量嵌入向量。作为专门设计用于处理对输入向量的查询的数据库，它能够对一万亿级的向量进行索引。与现有的关系数据库主要按照预定义的模式处理结构化数据不同，Milvus 是自下而上设计的，用于处理从非结构化数据转换而来的嵌入向量。向量相似性搜索是将向量与数据库进行比较以查找与查询向量最相