在linux环境下部署官方slowfast并且测试（很详细RTX4090）

已于 2023-12-24 17:43:38 修改
阅读量1.3k 收藏 18
点赞数 2
文章标签： 计算机视觉 深度学习 linux 人工智能
于 2023-12-24 16:09:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Dragon857/article/details/135148602
版权

先挂一下我自己学习并且参考的链接，b站迪哥1-slowfast核心思想解读.mp4_哔哩哔哩_bilibili

先说一下我的配置，我自己是用的Windows的Win11，然后通过远程桌面连接实验室服务器的Linux+RTX4090（不建议Windows，当然Windows也能成功配置slowfast）。

亮点：

1.能够避免RTX4090显卡对cuda高要求（cuda>11.8）的问题，并且自动安装torchvision，torch，以及虚拟环境的cuda相关包。其中torchvision=0.14.1，torch=1.13.1，虚拟环境里cuda相关包是cuda11.1。

2.附带一些错误的解决办法。

目录

1.先在Linux终端配置基本的虚拟环境

2.准备下slowfast项目文件

3.继续准备相关的虚拟环境

3.1安装numpy

3.2安装fvcore

3.3安装torch、torchvision、cuda等（成功解决RTX4090显卡对cuda>11.8高版本要求的问题，这会导致torch和torchvision也得高版本，高版本容易报错）

3.4安装simplejson

3.5安装PyAV

3.6安装ffmpeg、PyYaml、tqdm、iopath

3.7安装psutil

3. 8安装opencv

3.9安装tensorboard、moviepy、pytorchvideo

3.10安装detectron2

3.11安装fairscale之类的

3.12Pytorch、PySlowFast、环境变量的添加 

3.13Build一下

4.预训练文件、动作标签文件等文件的准备及修改

4.1预训练文件来源

4.2动作标签文件

4.3修改配置文件

4.4准备一个视频准备测试

4.5错误解决

4.6视频测试

1.先在Linux终端配置基本的虚拟环境

先创建一个虚拟环境吧，这里命名为slowfast1是因为我自己已经有一个能用的slowfast环境了，python版本是3.8：

 conda create -n slowfast1 python=3.8

这里输入y就可以了，环境创建好之后，我们激活这个环境，输入这一行：

conda activate slowfast1

 此时刚刚创建的基本虚拟环境已经激活了，括号的base变成了slowfast1：

2.准备下slowfast项目文件

先得给你的slowfast项目找个容身之地，我这里是/mnt/data1/2

然后在终端cd进这个目录，在我的终端输入，哦不，输入目录是一件很麻烦的事情，特别是目录很长的时候，所以这里我直接返回上一级目录，点击2这个文件夹然后拖动到终端上面，终端就会自动生成文件路径了，但是在拖动之前，不要忘记先在终端输入cd+空格！！！！！

在终端回车之后就可以了。slowfast官网的链接是https://github.com/facebookresearch/slowfast

但是由于我git不下来，所以我在windows上爬梯子下载到我的windows上面了（这个时候解压一下，然后重命名为slowfast），然后通过Winscp这个软件传输到实验室服务器Linux系统的/mnt/data1/2目录下面，这里我把项目包直接给你们准备好了，上滑到顶端下载。

项目弄过来之后，在同级目录创建两个文件夹，一个是input，一个是output，方面项目部署好之后测试效果。

3.继续准备相关的虚拟环境

在终端activate一下虚拟环境然后cd进目录

现在点击并且阅读SlowFast文件夹下面的INSTALL.md文件，一行一行地安装

3.1安装numpy

我这里直接用pip install -i https://pypi.douban.com/simple+（一个空格）安装包名称，用的是豆瓣的镜像，下载还挺快，所以先安装numpy

pip install -i https://pypi.douban.com/simple numpy

下载嘎嘎快

3.2安装fvcore

继续安装，但这里执行官方给的代码：

pip install 'git+https://github.com/facebookresearch/fvcore'

半天卡着不动，无语，并且最后失败了（我代理梯子关了），那就这样：

打开这个网站GitHub - facebookresearch/fvcore: Collection of common code that's shared among different research projects in FAIR computer vision team.（打开之前梯子挂上，但是好像现在csdn自动代理加速来着？csdn这一点很强），然后下载压缩包到我的windows上面，解压，然后通过winscp这个fvcore文件夹传输到我的linux上面

然后在终端cd进fvcore目录（cd然后点击fvcore文件夹拖动到终端里面就行），然后输入

pip install -i https://pypi.douban.com/simple -e .

如果没有中间那一段而是pip install -e .安装就贼慢，很烦，我后面改成了上面 这段代码。

3.3安装torch、torchvision、cuda等（成功解决RTX4090显卡对cuda>11.8高版本要求的问题，这会导致torch和torchvision也得高版本，高版本容易报错）

安装完fvcore之后我们安装torch和torchvision吧，这里我有一些个人的小技巧分享给各位，把cuda之类的也一并安装了，由于我学习这些并没有很久，也没有经验，所以踩了很多坑，自己总结的一点经验，显然一般的项目都尽量不要用太高版本的包，虽然rtx4090这款显卡官方要求cuda11.8以上才能驱动（这必然导致torch和torchvision也得高版本，就会出现一些难以更改的错误），然后我是在linux系统里面装了cuda12.2，然后在conda虚拟环境里面装cuda11.1的低版本，就能够正常使用torch和torchvision低版本的包了。通过我的很多次被搞心态，很多次摸索之后发现：在终端键入

pip install -i https://pypi.douban.com/simple torchvision=0.14.1

会安装torchvision，并且自动安装

torch1.13.1以及

nvidia-cublas-cu11-11.10.3.66       

nvidia-cuda-nvrtc-cu11-11.7.99  

nvidia-cuda-runtime-cu11-11.7.99       

nvidia-cudnn-cu11-8.5.0.96（这四个文件应该就是虚拟环境的cuda11.1相关包了）。下载速度还嘎嘎快，所以，直接执行这条命令即可。

到这里，个人认为环境搭建最麻烦的一步已经搞定了，继续耐心部署吧......

3.4安装simplejson

pip install -i https://pypi.douban.com/simple simplejson

秒了

3.5安装PyAV

直接执行官方这行代码

conda install av -c conda-forge

等待一会，然后输入y

就成功了，如果执行官方的代码没有成功可以评论区留言交流一下

3.6安装ffmpeg、PyYaml、tqdm、iopath

这个直接pass，在上一步已经被一起安装了

3.7安装psutil

 pip install -i https://pypi.douban.com/simple psutil

成功

3. 8安装opencv

老规矩输入

pip install -i https://pypi.douban.com/simple opencv

发现找不到包，这里是豆瓣源，那就换别的源，换了阿里源也没用，那我就干脆去这个网站Links for opencv-python (tsinghua.edu.cn)把opencv安装包扒下来到我的windows上面然后通过winscp传输到linux上,我是选的opencv_python-4.5.4.60-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl这个安装包，直接ctrl+f搜索这个版本就行。下载之后是whl文件直接通过winscp软件传输到linux上面就行

所以这里直接

pip install '/mnt/data1/2/opencv_python-4.5.4.60-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl'

3.9安装tensorboard、moviepy、pytorchvideo

pip install -i https://pypi.douban.com/simple tensorboard
pip install -i https://pypi.douban.com/simple moviepy
pip install -i https://pypi.douban.com/simple pytorchvideo

秒了

3.10安装detectron2

参见3.2的安装，步骤是一样的，梯子挂上去facebookresearch/detectron2: Detectron2 is a platform for object detection, segmentation and other visual recognition tasks. (github.com)下载压缩包到windows本地，然后解压改名传输到linux文件夹里面

然后cd进去，执行代码

pip install -i https://pypi.douban.com/simple -e .

如果执行的是pip install -e .可能会慢很多。但是发现报错

意思是说cuda12.2版本太高了，RTX4090真该死，查找了解决办法之后我把我的cuda降到11.8了（因为RTX4090至少需要cuda11.8以上才能驱动），这里解释一下，怕大家搞混，我安装了两个cuda，一个是linux服务器的cuda（版本号12.2），一个是虚拟环境里面的cuda（版本11.1，就是步骤3.3说的那四个文件），这里我们不需要动虚拟环境里的cuda，将linux系统的cuda降到11.8版本即可。降版本这件事情大概花了我半天时间，因为中途还碰到安装cuda设备空间（/tmp）不足的问题，安装cuda但是提示/tmp空间不足的解决办法请查看我的另一篇博客。

降低cuda版本之后重新执行就能成功安装detectron2：

pip install -i https://pypi.douban.com/simple -e .

Successfully!!!

3.11安装fairscale之类的

看到第一行，我们还是挂梯子从GitHub - facebookresearch/fairscale: PyTorch extensions for high performance and large scale training.弄下来到我的windows上，然后通过winscp传输到linux上面，最后本地安装

 这是弄下来之后

然后在终端

cd '/mnt/data1/2/fairscale' 
pip install -i https://pypi.douban.com/simple -e .

看到第二行，让我们安装torch、torchvision、cython，这里我们安装最后一个就行，前面两个装过了

pip install -i https://pypi.douban.com/simple cython

第三行的fvcore我们装过了，我们安装后面这个PythonAPI，还是去这个网站https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI

把压缩包弄到我的windows上然后弄到linux上，进入这个目录

在终端cd进去/mnt/data1/2/cocoapi/PythonAPI，然后

pip install -i https://pypi.douban.com/simple -e .

第五行的detectron2在上一步已经安装完成了。

3.12Pytorch、PySlowFast、环境变量的添加 

Pytorch和slowfast前面的步骤已经搞定了，这里直接pass

install.md文件第33行提示添加环境变量

然后把

export PYTHONPATH=/path/to/SlowFast/slowfast:$PYTHONPATH

这一行修改成你的slowfast项目路径，我这里是

export PYTHONPATH=/mnt/data1/2/SlowFast/slowfast:$PYTHONPATH

 并且添加到/root/.bashrc(记得显示隐藏文件）文件里面，我添加到末尾了：

3.13Build一下

终端cd进SlowFast，注意不是SlowFast下面的那个小写的slowfast

然后执行

python setup.py build develop

这里提示我没有安装sklearn，那么我们把它的setup.py文件打开修改一下

#!/usr/bin/env python3
# Copyright (c) Facebook, Inc. and its affiliates. All Rights Reserved.

from setuptools import find_packages, setup

setup(
    name="slowfast",
    version="1.0",
    author="FAIR",
    url="unknown",
    description="SlowFast Video Understanding",
    install_requires=[
        "yacs>=0.1.6",
        "pyyaml>=5.1",
        "av",
        "matplotlib",
        "termcolor>=1.1",
        "simplejson",
        "tqdm",
        "psutil",
        "matplotlib",
        "detectron2",
        "opencv-python",
        "pandas",
        "torchvision>=0.4.2",
        "PILLOW",
        "scikit-learn",
        "tensorboard",
        "fairscale",
    ],
    extras_require={"tensorboard_video_visualization": ["moviepy"]},
    packages=find_packages(exclude=("configs", "tests")),
)

内容替换一下，修改了第26行的PIL以及27行的sklearn，它们两个由于版本的迭代被收进了PILLOW以及scikit-learn。

改完之后我们安装一下scikit-learn，终端输入,把pandas一起装了否则后面还要装

pip install -i https://pypi.douban.com/simple scikit-learn
pip install -i https://pypi.douban.com/simple pandas

安装成功

重新在终端执行

python setup.py build develop

安装成功

现在环境已经搭建好了，接下来我们准备并且修改一些文件，来测试一下slowfast效果如何。

4.预训练文件、动作标签文件等文件的准备及修改

4.1预训练文件来源

打开官方链接facebookresearch/SlowFast: PySlowFast: video understanding codebase from FAIR for reproducing state-of-the-art video models. (github.com)

下拉找到Model Zoo，点击

找到这个并且点击下载

在windows下载好之后传输到linux上面，并且最终放到这个目录下面

4.2动作标签文件

在/mnt/data1/2/SlowFast/demo/AVA目录下面创建一个叫做ava.json的文件，在终端输入

cd '/mnt/data1/2/SlowFast/demo/AVA' 
vim ava.json

在弹出的窗口先输入i，这个时候可以编辑了，然后把下面的复制进去ctrl+shift+v：

{
  "bend/bow (at the waist)": 0,
  "crawl": 1,
  "crouch/kneel": 2,
  "dance": 3,
  "fall down": 4,
  "get up": 5,
  "jump/leap": 6,
  "lie/sleep": 7,
  "martial art": 8,
  "run/jog": 9,
  "sit": 10,
  "stand": 11,
  "swim": 12,
  "walk": 13,
  "answer phone": 14,
  "brush teeth": 15,
  "carry/hold (an object)": 16,
  "catch (an object)": 17,
  "chop": 18,
  "climb (e.g., a mountain)": 19,
  "clink glass": 20,
  "close (e.g., a door, a box)": 21,
  "cook": 22,
  "cut": 23,
  "dig": 24,
  "dress/put on clothing": 25,
  "drink": 26,
  "drive (e.g., a car, a truck)": 27,
  "eat": 28,
  "enter": 29,
  "exit": 30,
  "extract": 31,
  "fishing": 32,
  "hit (an object)": 33,
  "kick (an object)": 34,
  "lift/pick up": 35,
  "listen (e.g., to music)": 36,
  "open (e.g., a window, a car door)": 37,
  "paint": 38,
  "play board game": 39,
  "play musical instrument": 40,
  "play with pets": 41,
  "point to (an object)": 42,
  "press": 43,
  "pull (an object)": 44,
  "push (an object)": 45,
  "put down": 46,
  "read": 47,
  "ride (e.g., a bike, a car, a horse)": 48,
  "row boat": 49,
  "sail boat": 50,
  "shoot": 51,
  "shovel": 52,
  "smoke": 53,
  "stir": 54,
  "take a photo": 55,
  "text on/look at a cellphone": 56,
  "throw": 57,
  "touch (an object)": 58,
  "turn (e.g., a screwdriver)": 59,
  "watch (e.g., TV)": 60,
  "work on a computer": 61,
  "write": 62,
  "fight/hit (a person)": 63,
  "give/serve (an object) to (a person)": 64,
  "grab (a person)": 65,
  "hand clap": 66,
  "hand shake": 67,
  "hand wave": 68,
  "hug (a person)": 69,
  "kick (a person)": 70,
  "kiss (a person)": 71,
  "lift (a person)": 72,
  "listen to (a person)": 73,
  "play with kids": 74,
  "push (another person)": 75,
  "sing to (e.g., self, a person, a group)": 76,
  "take (an object) from (a person)": 77,
  "talk to (e.g., self, a person, a group)": 78,
  "watch (a person)": 79
}

然后键盘依次按下Esc、大写键、Z、Z，一共两个Z，成功退出保存。

4.3修改配置文件

这个文件点开

输入：

TRAIN:
  ENABLE: False
  DATASET: ava
  BATCH_SIZE: 16
  EVAL_PERIOD: 1
  CHECKPOINT_PERIOD: 1
  AUTO_RESUME: True
  CHECKPOINT_FILE_PATH: '/mnt/data1/2/SlowFast/configs/AVA/c2/SLOWFAST_32x2_R101_50_50.pkl'  #path to pretrain model
  CHECKPOINT_TYPE: pytorch
DATA:
  NUM_FRAMES: 32
  SAMPLING_RATE: 2
  TRAIN_JITTER_SCALES: [256, 320]
  TRAIN_CROP_SIZE: 224
  TEST_CROP_SIZE: 256
  INPUT_CHANNEL_NUM: [3, 3]
DETECTION:
  ENABLE: True
  ALIGNED: False
AVA:
  BGR: False
  DETECTION_SCORE_THRESH: 0.8
  TEST_PREDICT_BOX_LISTS: ["person_box_67091280_iou90/ava_detection_val_boxes_and_labels.csv"]
SLOWFAST:
  ALPHA: 4
  BETA_INV: 8
  FUSION_CONV_CHANNEL_RATIO: 2
  FUSION_KERNEL_SZ: 5
RESNET:
  ZERO_INIT_FINAL_BN: True
  WIDTH_PER_GROUP: 64
  NUM_GROUPS: 1
  DEPTH: 101
  TRANS_FUNC: bottleneck_transform
  STRIDE_1X1: False
  NUM_BLOCK_TEMP_KERNEL: [[3, 3], [4, 4], [6, 6], [3, 3]]
  SPATIAL_DILATIONS: [[1, 1], [1, 1], [1, 1], [2, 2]]
  SPATIAL_STRIDES: [[1, 1], [2, 2], [2, 2], [1, 1]]
NONLOCAL:
  LOCATION: [[[], []], [[], []], [[6, 13, 20], []], [[], []]]
  GROUP: [[1, 1], [1, 1], [1, 1], [1, 1]]
  INSTANTIATION: dot_product
  POOL: [[[2, 2, 2], [2, 2, 2]], [[2, 2, 2], [2, 2, 2]], [[2, 2, 2], [2, 2, 2]], [[2, 2, 2], [2, 2, 2]]]
BN:
  USE_PRECISE_STATS: False
  NUM_BATCHES_PRECISE: 200
SOLVER:
  MOMENTUM: 0.9
  WEIGHT_DECAY: 1e-7
  OPTIMIZING_METHOD: sgd
MODEL:
  NUM_CLASSES: 80
  ARCH: slowfast
  MODEL_NAME: SlowFast
  LOSS_FUNC: bce
  DROPOUT_RATE: 0.5
  HEAD_ACT: sigmoid
TEST:
  ENABLE: False
  DATASET: ava
  BATCH_SIZE: 8
DATA_LOADER:
  NUM_WORKERS: 2
  PIN_MEMORY: True

NUM_GPUS: 1
NUM_SHARDS: 1
RNG_SEED: 0
OUTPUT_DIR: .
#TENSORBOARD:
  #MODEL_VIS:
    #TOPK: 2
DEMO:
  ENABLE: True
  LABEL_FILE_PATH: '/mnt/data1/2/SlowFast/demo/AVA/ava.json'
  INPUT_VIDEO: "/mnt/data1/2/input/1.mp4"
  OUTPUT_FILE: "/mnt/data1/2/output/1.mp4"
  #WEBCAM: 0
  DETECTRON2_CFG: "COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml"
  DETECTRON2_WEIGHTS: detectron2://COCO-Detection/faster_rcnn_R_50_FPN_3x/137849458/model_final_280758.pkl

修改了第8行的预训练文件路径，pkl结尾那个

注释掉了70、71、72、78行

并且添加了两行路径作为视频输入inputt和输出output，这两个文件夹已经在第2步创建过了。

修改了动作标签文件的路径，第75行ava.json文件

保存退出。

4.4准备一个视频准备测试

随便找一个MP4格式的视频文件，我这里是准备的叶问打架。并且将文件名改成1.mp4放到/mnt/data1/2/input路径下面，这与我们4.3的配置文件的第76行是对应的。

在终端激活环境并且cd进这个

 cd '/mnt/data1/2/SlowFast'

然后输入：

python tools/run_net.py --cfg demo/AVA/SLOWFAST_32x2_R101_50_50.yaml

报错？？？？？汗流浃背了家人们，虽然我以前碰到过

4.5错误解决

第一个错误

ImportError: cannot import name 'cat_all_gather' from 'pytorchvideo.layers.distributed' (/mnt/data1/anaconda3/envs/slowfast1/lib/python3.8/site-packages/pytorchvideo/layers/distributed.py)

我们去这个网站facebookresearch/pytorchvideo: A deep learning library for video understanding research. (github.com)

把压缩包下载下来解压，然后传到我的Linux服务器上面，放在/mnt/data1/2这个目录 

然后终端cd进去,并且安装

cd '/mnt/data1/2/pytorchvideo' 
pip install -i https://pypi.douban.com/simple -e .

4.6视频测试

终端输入

cd '/mnt/data1/2/SlowFast' 
python tools/run_net.py --cfg demo/AVA/SLOWFAST_32x2_R101_50_50.yaml

等待一会

最后成功生成的视频保存在

这个路径是我们在4.3修改配置文件那里指定好的路径。

我的linux没搞播放器，我用winscp传输到Windows之后看效果：

放大看看框框左上角标签，我截图的是右边框的标签，是fight没错了

搞定！

计算机视觉Dragon
关注
  • 2
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
linux下cuda fortran环境搭建
08-30
CUDA Fortran是在Linux环境下开发CUDA应用的一个重要工具，特别是在高性能计算(HPC)领域。CUDA是NVIDIA公司推出的一种并行计算平台和编程模型，它允许开发者利用GPU的强大处理能力进行科学计算和其他计算密集型任务...
基于IntervalZero RTX 环境下的进程间通讯
03-12
在IntervalZero RTX环境下实现进程间通信（IPC，Inter-Process Communication），是为了让不同进程之间能够有效地交换数据和协调工作。IPC机制允许程序在多任务环境下协同工作，确保系统资源的有效利用和任务的同步...
SlowFast 动作检测(数据制作--训练---预测全流程步骤)详解
you 是 mine
05-25 7447
1.1 配置环境 1.1.1 代码下载 官方地址： git clone https://github.com/facebookresearch/slowfast 上面链接将下载最新版本的代码，但会导致pytorchvideo包与pytorch1.6冲突，这是因为pytorchvideo需求pytorch>=1.8，由于我的GPU设配CUDA版本为10.0，pytorch只安装到1.6,所以报错了,无奈只能使用旧版本的代码, 此代码不需要pytorchvideo的支持. git clone https
Win10 slowfast实现记录
souyan1991的博客
11-10 1863
Win10 slowfast实现记录 slow fast教程运行后报错 AttributeError: module 'torch.distributed' has no attribute 'is_initialized' 可能是pytorch版本问题，需要升级到1.7。 注意不要用官网的方法，用这个方法在虚拟环境下升级link 卸载当前版本的pytorch 进入虚拟环境，用pip卸载pytorch和torchvision pip uninstall torch pip uninstall to
Slowfast行为识别环境搭建（detectron2的windows环境搭建）
最新发布
weixin_65953355的博客
05-31 726
相信在windows下配备slowfast行为识别的代码时尤其detectron2库的安装遇到各种奇奇怪怪的问题，torch卸了装，装了卸，或者cuda版本不对应，又是卸了装装了卸的，甚至导致其他工程项目配置的环境崩溃，需要重新安装。在此描述自己成功案例，屡试不爽，本人基本项目环境：win11 pycharm23.1 cuda11.3 torch1.10.0+cu113 torchvision0.11.0+cu113。
Facebookresearch-Slowfast配置及demo实现
Yayisheng的博客
03-19 1588
本博客所有环境基于服务器Ubuntu18.05系统，V100显卡。
Python：conda install cudatoolkit的备选方案：pip install nvidia-cudnn-*：
WinterShiver
07-25 7675
由于使用深度学习框架的不同，有的时候我们需要切换cudnn环境。比起在系统中安装多个cudnn版本，更便捷的方法是通过在python环境下安装cudnn工具，这样不同的cudnn环境就可以用python的包管理器（如conda等）管理，使用起来很方便。然而有的时候我们用的包管理器不是cuda，或者我们用的python包镜像不支持cuda，这时只能用pip. 以cuda11为例，此时可以使用以下指令安装需要的cudnn工具；最常用的方式是在conda下，通过安装不同版本的cudatoolkit来满足要求。
linux下slowfast复现过程
m0_53820941的博客
01-04 976
我遇到的问题可以通过搜索大佬文章得到解决，那么大佬又该如何解决呢？也不知道不停的搜索别人的解决方法然后自己用上，对自己有没有进步，哎。解决：其实都是过期的包，pip install也下载不来，只能用新的，所以就下载对应的新的包，下载好后修改setup.py里边的内容，将旧包名换为新的。9，问题：ModuleNotFoundError: No module named 'pytorchvideo.losses'解决：大佬文章先试了第二种，然后第一种方法，解决。解决：用pip装，别用conda，
PySlowFast 视频理解代码库
ejinxian的专栏
01-31 2288
PySlowfast 是 FAIR 开源的基于 PyTorch 的视频理解代码库，让研究者可以轻而易举地复现从基础至前沿的视频识别 (Video Classification) 和行为检测 (Action Detection) 算法。 PySlowFast 代码库同时开源了大量预训练模型，让研究者省去了反复训练模型的烦恼，可以直接使用 FAIR（FacebookAI Research，Face...
解决socket.timeout:The read operation timed out
m0_52031708的博客
03-09 761
解决socket.timeout:The read operation timed out
LVDT板卡在RTX实时系统下的驱动程序
01-28
本文将详细探讨LVDT板卡在RTX实时系统下的驱动程序设计与应用。驱动程序是操作系统与硬件设备之间的桥梁，它负责解析并执行来自操作系统或应用程序的指令，使硬件设备能够正常工作。在LVDT板卡的驱动程序设计中，...
rtx.zip_RTX_RTX 很好_STC做实时系统_keil rtx
09-23
RTX是Keil公司开发的一款实时操作系统（RTOS），专门用于微控制...总的来说，"rtx.zip_RTX_RTX_很好_STC做实时系统_keil_rtx"这个资源对于想要深入理解RTOS和STC单片机开发的工程师来说，是一个非常有价值的参考资料。
紧跟恺明的步伐：记录一下复现行为识别slowfast模型的全流程（附详细代码）
极市平台的技术博客
11-11 3001
Slowfast数据准备，如何训练，以及slowfast使用onnx进行推理，着重介绍了Slowfast使用Tensorrt推理，并且使用yolov5和deepsort进行人物追踪，以及使用C++ 部署。
在windows11上安装cuda，cudnn，以及GPU版的pytorch
zhenyancy1993的博客
05-05 4755
第一步：查看自己电脑的配置，是否是GPU型的电脑 方法1：快捷键方式 Ctrl+Shift+Esc键——>性能（或Windows键+X——>任务管理器——>性能），如果有GPU就说明是GPU型，否则就不是 如果出现以下情况说明不是GPU型 方法2：终端查看NVIDIA 打开终端：Windows键+R，输入cmd 在终端输入：nvidia-smi 出现下面的结果说明存在 如果出现下面的结果就说明不存在 注意：如果是GPU型电脑就可以继续以下步骤，否则
安装slowfast时候 detectron2一直在安装失败
weixin_49148527的博客
11-30 724
slowfast官网安装链接 我的配置版本： Python 3.8.12 1.8.0+cu111 detectron2官网安装 如果重新安装这个需要删除原先build的：rm -rf build/ **/*.so 成功：
Nvidia30系显卡+Windows系统的CUDA 11安装100%成功教程
Sonrikisou1997的博客
07-10 5167
显卡：Nvidia RTX 3090、3060、3080、3050、3070系统：Windows11 Windows10CUDA：CUDA(ComputeUnified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。CuDNN：NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的
英伟达显卡二、CUDA11与Cudnn8安装
qq_41035283的博客
09-23 1826
英伟达显卡二、CUDA11与Cudnn安装前言CUDA安装过程1.下载CUDA2.安装3.环境变量Cudnn安装过程1.下载CUDNN2.解压Cudnn .tar文件3.安装到正确的位置 前言 opencv4和onnxruntime的GPU加速都依赖于CUDA11，本次记录CUDA与Cudnn的安装过程 （注意：如果仅仅是做深度学习，安装anaconda后在虚拟环境中直接安装cudatoolkit就可以让Python程序使用CUDA和Cudnn了） CUDA安装过程 1.下载CUDA 到英伟达CUDA官网下
Ubuntu20.04LTS从零开始配置运行SlowFast
souyan1991的博客
11-15 3321
Ubuntu20.04LTS从零开始配置SlowFast环境 注意：除个别包外尽量使用anaconda安装，方便以后备份和恢复环境 1. 安装Anaconda并换源（按需） conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/ conda config --ad
slowfast yolo
12-10
SlowFast YOLO是一种用于目标检测的深度学习模型。这个模型的全称是SlowFast You Only Look Once (YOLO)，它结合了SlowFast和YOLO两种方法的优点。 首先，SlowFast是一种用于视频分类和目标检测的网络结构。它的特点是在处理视频时引入了两个不同速度的网络，即快速网络和慢速网络。其中，慢速网络用于提取静态背景信息，快速网络用于捕捉快速运动物体的细节。通过这种双管齐下的方式，SlowFast可以在保证准确性的同时提供更好的运行效率。 而YOLO则是一种非常流行的目标检测算法。它的特点是可以实现实时的物体检测，并且在速度和准确性上都表现出色。YOLO将目标检测问题转化为回归问题，并将整个图像划分为多个网格，每个网格预测一组边界框和相应的类别概率。通过这种方式，YOLO能够在不损失太多准确性的情况下实现实时的目标检测。 SlowFast YOLO综合了SlowFast和YOLO两种方法的优点，既能够处理视频中的快速运动物体，又能够实现实时的目标检测。它运用了SlowFast网络的特征提取能力和YOLO的实时性，从而在目标检测任务中取得了较好的性能。对于需要高效率和准确性同时考虑的目标检测应用领域，SlowFast YOLO是一种非常有潜力的解决方案。
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值