YOLOv8 Windows c++推理 添加一个**yolov8\_。onx **和/或**yolov5\_。Onnx **模型(s)到ultralytics文件夹。#编辑**main.cpp**来改变**projectBasePath**来匹配你的用户。#请注意，默认情况下，CMake文件将尝试导入CUDA库以与opencv dnn (cuDNN) GPU推理一起使用。#如果你的OpenCV构建不使用CUDA/cuDNN，你可以删除该导入调用并在CPU上运行示例。
whisper报错：hp， ht， pid， tid = _winapi.CreateProcess [WinError 2] 系统找不到指定的文件。 FileNotFoundError： [WinError 2] 系统找不到指定的文件。配置完成后运行cmd，输入ffmpeg，若显示如下界面，则说明配置成功。右击此电脑——>属性——>高级系统设置——>环境变量。下载下图压缩包，并解压。
RuntimeError: PytorchStreamReader failed reading zip archive: failed finding central directory 用SFPT同步训练好的权重发生报错RuntimeError: PytorchStreamReader failed reading zip archive: failed finding central directory，网上一查说是权重损坏了。gg，只能重新训练。sftp.json添加参数 "ignore": ["runs"]不让runs同步，手动传输文件。
YOLOv8找不到runs文件夹 是因为配置文件里写的是相对路径，他在你当前根目录生成了runs解决办法：1. WindowsC:\Users\xxx\AppData\Roaming\settings.yaml2. Linux/home/xxx/.config/settings.yaml将 runs_dir: runs 改为绝对路径runs_dir: D:\yolov8\runs
Windows→Linux，本地同步到服务器 这里与Remote-SSH相反，SFTP不能直接修改远程文件，它的运作方式是本地修改自动同步到远程，远程修改手动下载到本地，可以单文件同步，也可以整个文件夹同步，非常灵活，免去文件传输。tip1：本地同步文件夹到远程也是在远程目录右击，而不是本地文件夹右击。password：服务器密码，不写这个参数则每次都需要输入密码。remotePath：项目自动同步到该路径。就不需要手动上传到远程了，只有第一次需要。uploadOnSave：自动同步。ignore：忽略的文件夹，不同步。tip2：配置文件里面参数。
VS code配置免密连接Linux服务器 这里我一开始搞错了，我以为是直接打开自己电脑的文件，运行使用服务器的环境和硬件，然而并不是这样的，所以我感觉向日葵或者todesk这些远程软件也行啊，只是略卡。接下来就可以打开服务器的文件了，注意是你打开服务器的文件或代码运行，连接，然后输入密码就可以了，左下角如图表示连接成功。不是你打开自己电脑的代码能直接用服务器运行，inet和brd夹着的那串。
Ubuntu20.04安装+conda配环境全记录 点“选择”，选你刚才下载好的iso系统文件就可以，其他的选项注意跟我一样就可以，然后点“开始”，绿条走完就可以关闭拔出U盘了，现在U盘启动盘就制作好了。下载自己想要的Ubuntu版本，建议不要装最新的，bug多，推荐18.04或者20.04，我装22.04在显卡驱动上卡了一晚上。这里是重点，因为我是跑深度学习的，要用CUDA，所以必须得装官方的驱动，Ubuntu的附件驱动可能不太行。安装后，初始化新安装的 Miniconda。进去之后就会弹出来login让你登录，你就先输入用户名回车，然后输入密码回车，
pytorch保存、加载模型的方法 改模型结构加载预训练权重训练：用yaml构建模型, 加载pt权重 -----训练-----> 得到pt。2、yolov8s.pt，这是权重文件，是训练得到的，里面保存了每一层训练出来的参数，比如卷积核。从零训练：用yaml构建模型 -----训练-----> 得到pt。用预训练权重训练：加载pt -----训练-----> 得到pt。加载pt文件训练就是使用预训练权重了，要从0训练的话是加载yaml构建模型进行训练。
万能特征图可视化实现，仅一个py文件，不依赖任何算法 所有pytorch模型（包含YOLOv8/v5）均可通过加载打印查看模型结构pt模型加载方法：model = torch.load('model.pt')
关注
