一、环境配置1.安装好显卡驱动，如：CUDA；2.配置好pytorch1.7及以上版本的python3,尽量安装GPU和CPU通用的pytorch这部分我不详细讲述，各位哥可以上网找找别的教程。二、YOLOV5的实现训练 3.开始训练自己的数据集1.按照以下的布局新建好对应的文件夹，本身自带的也不用删除，只增不减├── data
│ ├── Annotations 进行 detec
本来是用doc写的，直接复制到这里很多图片加载缓慢，我直接把doc上传到资源里面了，0积分下载：一、环境搭建1.1 环境搭建参考链接
.2 Anaconda官网下载最新版，安装时勾选上添加系统环境变量。PS:整合开发环境，Anaconda是基于conda的Python数据科学和机器学习开发平台，conda是虚拟环境工具+包管理工具，可以用于各种开发语言，这里指Python。co
转载
2024-05-14 12:09:54
173阅读
波士顿房价预测是机器学习或者深度学习中一个较常见到的小例子，接下来我会通过对代码的解析为大家正式打开paddlepaddle的大门。一、分析数据首先我们需要了解一下波士顿房价的数据。因为房价预测这个小例子比较经典，所以在很多机器学习的包中都已经封装好了，我们只需要直接调用即可。想要查看数据，我们只需要导入sklearn即可：from sklearn import datasets
v_housin
转载
2024-09-05 15:37:45
60阅读
前言最近在研究如何让YOLOv5推理得更快，总体看来，主要有以下这些思路：使用更快的 GPU，即：P100 -> V100 -> A100多卡GPU推理减小模型尺寸，即YOLOv5x -> YOLOv5l -> YOLOv5m -> YOLOv5s -> YOLOv5n进行半精度FP16推理与python detect.py --half
减少–img-size
转载
2024-04-01 06:13:49
89阅读
这篇介绍ssh连接及一款客户端xshell本篇将分为以下几点讲述：1.ssh客户端2.ssh公钥配置3.使用xshell连接ssh4.使用xshell建立隧道，以访问服务器内网ip。5.在4.的前提下使用Tensorboard 查看实验数据-------------------------------------------------------------------------1.ssh客户
YOLO配置文件理解 [net]
batch=64 每batch个样本更新一次参数。
subdivisions=8 如果内存不够大，将batch分割为subdivisions个子batch，每个子batch的大小为batch/subdivisions。
[net]
# Testing #测试模式
batch=1
subdivisions=1
# Training #训练模式 每次前向图片的数目=batch/subdivisions
# batch=64
# subdivisions=16
#关于batch与subdivision：在训练输出中，训练迭代包括8组，这些batch样本又被平均分成subdivision=8次送入网络参与训练，以减轻内存
之前讲到了“Excel数值函数（4）：对指定条件的单元格求和”，这是只有1个条件的情况下，对指定单元格区域的数值求和。这次说说如果有多个条件，怎样计算指定单元格区域的数值之和？那就是当之无愧的SUMIFS函数了。语法SUMIFS(
sum_range
, criteria_range1, criteria1, [criteria_range2, criteria2], ...)参数Sum_rang
转载
2024-04-09 13:20:54
42阅读
import osos.environ['CUDA_VISIBLE_DEVICES'] = '0'
转载
2022-07-19 11:57:19
229阅读
前几天发了一篇DFL2.0的文章，不少已经用过DFL的小伙伴都有一个疑问：DFL2.0到底有什么提升？有什么不一样？我要不要更新？应该怎么更新？因为时间经历的原因我也还没有深入研究，但是可以和大家分享下以显而易见的一些点。 * 仅支持N卡，不再支持A卡！因为作者觉得支持A卡有点累，所以A卡被放弃了。对于A卡用户来说有点可惜。 从深度学习的角度来说，确实是N卡支持的比较好。虽然
转载
2024-03-08 09:38:36
930阅读
## 使用多GPU的Python方案
在深度学习的训练过程中，使用多GPU加速计算是一个非常有效的方法。当你有多个GPU可用时，如何在Python中指定使用的GPU是一个常见的问题。本文将为您详细介绍如何在Python中通过TensorFlow或PyTorch来指定使用的GPU，并包含代码示例。
### 环境准备
首先，请确保安装了最新版本的TensorFlow或PyTorch。您可以使用以
一不小心距离上一篇文章已有近一个月的时间了：)，主要是最近菜鸟我在忙一件人生的大事，所以拖了这么长时间没更，对不住了您嘞！不过，菜鸟我出品的，必然是精品(吹个小牛，嘿嘿：o！！！)上一篇文章给大家简单介绍了一下负载以及在Linux中如何查看这些数据，帮助你来判断机器的使用情况。没看过的小伙伴可以回去复习一下，接下来我们继续学习CPU上下文。我们上一篇文章中讲到，现代操作系统大多是多任务操作系统。直
导读在工业界一般会采用了tensorflow-serving进行模型的部署，而在模型构建时会因人而异会使用不同的深度学习框架，这就需要在使用指定深度学习框架训练出模型后，统一将模型转为pb格式，便于使用tensorflow-serving进行部署，本人在部署的过程中碰到了很多的问题。为此，文本对整个流程进行总结，首先介绍如何使用不同的深度学习框架构建模型，获得训练好的模型后将其转为pb格式的模型，
转载
2024-08-02 13:40:49
56阅读
在自己的 C:\Program Files\NVIDIA Corporation\NVSMI 中的路径添加到环境变量 path 中，直接在cmd中输入 nvidia-smi 即可查看显卡的运行状态，在windows平台下直接通过监视器也可以查看显卡运行状态，尤其是win10的监视器还是很直观的
转载
2022-08-11 10:12:30
128阅读
【代码】[yolox]yolox的Quick Start。
原创
2024-09-30 15:04:22
45阅读
1. 背景GPU在高性能计算和深度学习加速中扮演着非常重要的角色， GPU的强大的并行计算能力，大大提升了运算性能。随着运算数据量的不断攀升，GPU间需要大量的交换数据，GPU通信性能成为了非常重要的指标。 NVIDIA推出的GPUDirect就是一组提升GPU通信性能的技术。但GPUDirect受限于PCI Expresss总线协议以及拓扑结构的一些限制，无法做到更高的带宽，为了解决这个问题，
将两个数组进行加和后赋给另外一个数组，这是CUDA中自带的例程 #include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include <stdio.h>
cudaError_t addWithCuda(int *c, const int *a, const int *b, unsigned
转载
2024-06-24 20:27:23
100阅读
目录（一）双硬盘双系统+无线网卡驱动+Nvidia显卡驱动前期的硬件准备安装系统准备Ubuntu驱动网卡驱动显卡驱动必备软件安装后记： （一）双硬盘双系统+无线网卡驱动+Nvidia显卡驱动因为要开发ROS机器人的雷达传感器，其中涉及到3D建模，仿真，以及高速点云数据处理的需求。原来用于远程控制JTX1的小破i3笔记本已经不能满足需求了。恰逢实验室更新了设备，购入了一台5T存储，16G内存，i7
转载
2024-07-08 07:58:10
93阅读
最近对一个大规模的图训练嵌入，发现相关的中文资料还是很欠缺的，把自己踩的一些坑记下来。本文主要针对
DGL和 PyTorch两个框架。 1 训练大规模图对于大规模图不能像小图一样把整张图扔进去训练，需要对大图进行采样，即通过Neighborhood Sampling方法每次采样一部分输出节点，然后把更新它们所需的所有节点作为输入节点，通过这样的方式做mini-ba
转载
2024-03-28 22:06:43
327阅读
前言：NVIDIA Gelato、Tesla、CUDA是一股对传统基于CPU的渲染器挑战的力量。GPU在诸多方面具有软件实现无可比拟的优势比如光栅化部分，遮挡剔除，以及潜在的并行计算能力，但是编程性实在缺少基于CPU的自由度，所以在相当的一段时间内还无法充分发挥性能。本文讨论了下基于GPU、CPU这种混合体系下的渲染器架构，相当思路也是Gelato所采用的。声明：本文所采用的插图数据如果没有注明原
