我试图使用`笔记本联想小新air14的mx350显卡`训练一个图像检测的深度学习模型，但是训练时长大概需要几天时间远超我的预期，所以我便选择租用GPU进行训练，在对多家平台对比后找到了经济实惠的AutoDL，接下来是我租用GPU--配置环境--连接Pycharm--训练模型的全过程，基于本人也是刚入门的新手，如果有不恰当的地方还请大家指教。

LeNet实现FashionMNIST。

【代码】卷积神经网络——ResNet18——FashionMNIST。

如果视频中的场景单一，那么使用该视频获取的数据集训练出的模型面对其他场景的泛化能力就会受到限制。为了提高数据集的多样性，可以采用多种不同场景的视频，并且在获取数据时采用大间隔捕获的方式。采用大间隔捕获数据的方法可以捕获到的图片同质化降低，从而进一步增加数据集的多样性。由于我要做一个深度学习方向的计算机视觉项目，需要一些数据集来进行训练，我便想尝试捕获视频中的图片用来标注。

本文详细讲解了windows配置pytorch深度学习环境的全过程

Ultralytics本身提供了视频的预测代码，但是我并没有找到视频预测结果的存放位置，在查阅了官方网站和CSDN后我发现了它好像只是提供了视频预测过程中进行预测结果显示的代码，没有发现它怎么保存预测后的视频结果，所以寻找了一个对预测后结果进行导出的代码，并对其进行了部分修改。

hbase使用时出现的错误

Ultralytics本身提供了视频的预测代码，但是我并没有找到视频预测结果的存放位置，在查阅了官方网站和CSDN后我发现了它好像只是提供了视频预测过程中进行预测结果显示的代码，没有发现它怎么保存预测后的视频结果，所以寻找了一个对预测后结果进行导出的代码，并对其进行了部分修改。

make sense数据标注工具的快捷键，导入导出的支持格式和使用说明。希望刚刚接触这个工作的同志不要再踩坑。

我想开发一个基于深度学习的分类小软件，逐渐了解到了TensorRT在模型推理速度上的优势，经过一下午资料的查找实现了将onnx模型转为TensorRT格式模型的推理及测试过程。将实现过程记录下来方便日后查看。本文实验设备是MX350显卡 2G显存。