近期买了块Atlas 200I DK 2A尝试做AI部署工作，记录下pycharm远程调试过程。

DETR 将目标检测视为集合预测问题，使用一种匹配方法（如匈牙利算法）来将预测的框与真实框进行匹配。模型会生成固定数量的预测框，并通过匈牙利算法来确保预测框与真实边界框的匹配，这种方式自然地解决了重叠和冗余问题。DETR 的设计使其能够在无须 NMS 的情况下直接生成高质量的目标检测结果，通过全局上下文、集合预测和有效的匹配算法，减少了重叠和冗余框的问题。这种简化的处理方式是其相较于传统目标检测方

pytorch转onnx安装onnxconda install onnx -c conda-forge安装onnxruntimepip install onnxruntime下载个模型试试import torchimport torchvision.models as models# downloadmodel = models.resnet50(pretrained=True)# 保存成ptht

环境打包-n 选择conda虚拟环境名-o 在当前位置输出，可设置文件名-p 在指定位置输出，文件名为虚拟环境名.tar.gz运行Django程序也可启动虚拟环境。打包好的虚拟环境可用于docker中，省去了docker中重新安装依赖库可能出现安装失败，包名错误等问题。tips：在这个过程，如果conda创建的是python3.10以上环境，可能会出现如下图所示问题解决方法比较简单粗暴直接把/mi

pytorch损失函数总结损失函数为为计算预测值与真实值之间差异的函数，损失函数越小，预测值与真实值间的差异越小，证明网络效果越好。对于神经网络而言，损失函数决定了神经网络学习的走向，至关重要。pytorch中的所有损失函数都可以通过reduction = ‘mean’或者reduction = ‘sum’来设置均值还是总值。L1 LossL1 Loss即绝对值损失，为预测值和真实值间误差的绝对值