- 博客(101)
- 收藏
- 关注
RSS订阅原创 Mac 上为Android Studio 2025+ 版本配置中文语言环境的临时解决方案
该方法的核心原理是：下载一个较新的官方中文语言包（例如 2024 年末的版本），然后修改其内部的plugin.xml配置文件，将插件所支持的版本范围扩大，使其能够兼容您正在使用的 2025 年版 Android Studio。这是一种在官方更新发布前的“曲线救国”策略 [1][2]。此方法为非官方的临时解决方案，可能在未来的 Android Studio 更新中失效，或在极少数情况下导致 IDE 不稳定。操作前请确保您已备份重要的项目和配置。
2026-02-10 15:53:14
1181
原创 目标检测三大技术路线综述：Proposal-based, Anchor-based, Anchor-free
目标检测技术主要分为三大路线：Proposal-based（两阶段）、Anchor-based（单阶段）和Anchor-free。Proposal-based方法（如Faster R-CNN）先生成候选区域再精确定位，精度高但速度慢；Anchor-based方法（如YOLO、SSD）通过预设锚点直接预测，速度快但精度受限；Anchor-free方法（如FCOS、CenterNet）直接预测目标位置，设计简洁且计算高效。
2026-01-24 15:33:18
668
原创 WSL 中查看本地文件夹的对应位置
WSL2 的文件系统性能显著优于 WSL1，若需频繁访问大文件，建议使用 WSL2。，回车后会显示所有已安装的 WSL 发行版（如 Ubuntu、Debian 等）。通过上述方法，可快速定位 WSL 中任意目录对应的 Windows 本地路径。下的文件可能导致 WSL 异常，建议通过 WSL 命令操作文件。这会直接在 Windows 资源管理器中打开当前目录的对应位置。
2026-01-05 14:28:10
1314
原创 ERROR: Exception in ASGI application【gradio报错】
本文总结了Gradio框架运行时的两个常见报错及其解决方案。第一种报错是"HfFolder无法从huggingface_hub导入"，第二种报错是"bool类型参数不可迭代"。经排查发现这些问题源于版本不兼容，建议使用以下版本组合：huggingface-hub 0.34.2、gradio 4.44.1和pydantic 2.10.6。解决方法是通过pip uninstall和pip install命令进行版本降级或升级。文章提供了详细的报错信息和推荐的版本配置，帮助
2025-12-31 14:25:26
494
原创 YUV 的采样与格式
YUV是一种颜色编码系统，将亮度(Y)和色度(UV)分离存储，相比RGB更节省空间。人眼对亮度敏感而对色度不敏感，YUV通过色度抽样减少数据量。主要采样格式有4:4:4(无压缩)、4:2:2(水平压缩)和4:2:0(水平和垂直压缩)。常见存储格式分为平面式(YUV分开)、打包式(YUV交替)和半平面式(Y单独存放，UV交错)。YUV 4:2:0采样配合NV12/I420存储是视频领域最常用的组合，能在保证视觉质量的同时显著节省存储空间和传输带宽。
2025-11-20 13:41:02
166
原创 YOLOv8模型INT8量化：速度反而变慢的原因分析与优化实践
YOLOv8模型INT8量化后速度变慢的原因主要涉及硬件支持不足、量化误差导致计算回退、图优化失效和校准不当等。本文分析了PTQ与QAT两种量化方法的差异，提出混合精度量化、优化校准配置、使用量化感知训练等解决方案，并给出硬件兼容性检查、分层性能分析和持续优化等实践建议。通过针对性优化，可有效解决量化后速度下降问题，实现模型部署的性能提升。
2025-09-30 10:08:35
1250
原创 【量化】理解PTQ（训练后量化）和 QAT（量化感知训练）的关系对于制定正确的量化策略至关重要
PTQ（训练后量化）和QAT（量化感知训练）是实现INT8模型量化的两种主要方法。PTQ先训练FP32模型，再通过校准数据计算量化参数，流程简单快速但精度损失风险较高；QAT则在训练中插入伪量化节点模拟量化效应，精度更高但需要额外训练资源。PTQ适用于快速部署和对精度要求不高的场景，QAT适合精度要求严苛或模型敏感的情况。实际应用中可先尝试PTQ，精度不足时再采用QAT微调。两种方法可根据速度、资源和精度需求灵活选择。
2025-09-30 09:58:55
901
原创 【模型量化】量化感知训练（QAT）和知识蒸馏（模型蒸馏）的核心差异与联系
摘要：量化感知训练（QAT）与知识蒸馏是两种不同的模型优化技术。QAT通过模拟低精度计算让模型适应量化环境，保持FP32到INT8转换时的精度；知识蒸馏则将大模型知识迁移到小模型中实现结构简化。二者可协同使用：先用知识蒸馏获得精简模型，再用QAT进行低精度优化。量化感知蒸馏还能将两者结合，在量化环境下直接指导学生模型训练。选择取决于目标：QAT适用于保持架构的低精度加速，知识蒸馏适合构建轻量模型，组合使用则可实现极致压缩与加速。
2025-09-30 09:55:45
505
原创 YOLOv8 → NCNN Int8：完整量化流程与校准数据指南
量化需要把浮点激活/权重映射到有限整数表示（如 int8）。校准阶段用代表性图片做一次前向，统计每层激活分布（min/max/直方图），再据此计算量化 scale / zero-point。校准集的分布会直接影响这些统计。少量无目标图片没问题。但若校准集系统性地没有你关心的目标场景（例如你要检测远处小车，但校准集全是室内人像），量化尺度不会为这些重要激活做优化，性能会下降。说明：脚本适用于你想从 COCO 风格的标注中智能抽样 calibration 集合的场景。将代表性图片路径写到。
2025-09-29 16:09:46
1430
原创 Java 和 Python 的执行方式有很大不同——Android学习
特性PythonJava执行方式(解释执行)->(先编译后执行)是否需要编译否是环境需要 Python 解释器需要JDK(包含javac和java在Android Studio中不适用全自动，点击“Run”即可给你的建议：为了学习 Android 开发：直接使用。不要担心命令行，IDE 会帮你处理一切。专注于编写代码和理解 Android 的概念（如 Activity、生命周期）。为了单纯学习 Java 语法。
2025-09-04 16:51:32
3445
原创 从Python转向Android开发（涉及Java和C++）
摘要： 本文为Python开发者转向Android开发（涉及Java和C++）提供快速上手指南，对比关键语法差异。Java作为Android主要语言，需注意静态类型、分号结束、花括号代码块等特性，并掌握类、方法及控制流写法。C++（通过NDK）用于高性能场景，需学习指针、内存管理和JNI交互。建议优先掌握Java及Android基础，再逐步接触NDK，结合官方文档实践。项目结构上，区分Java代码、C++目录及资源文件，从简单UI和本地方法调用开始循序渐进。核心在于理解平台特性，而非语法细节。
2025-09-04 15:53:50
792
原创 本地构建的 Docker 镜像迁移到另一台电脑上运行
摘要：本地Docker镜像迁移到另一台电脑可通过三种方法实现： docker save/load：导出为.tar文件离线传输，保留完整元数据，适合大镜像或离线环境； Docker Hub中转：推送至Hub仓库后拉取，适合联网环境及多设备共享； 容器导出：仅备份文件系统，不保留历史层，适合快速测试。 选择建议：根据网络条件、镜像大小和完整性需求选择，推荐优先使用save/load或Docker Hub方案。若需同步数据卷，需额外迁移卷内文件。
2025-08-28 11:22:02
1751
原创 从浏览器无法访问到Docker容器的 FastAPI 服务地址【宿主机浏览器和容器不在同一个网络层面：端口映射】
Docker容器内部IP（如172.17.0.2）无法通过宿主机浏览器直接访问，这是由Docker的网络隔离特性导致的。解决方案是通过端口映射：使用-p参数将容器端口映射到宿主机端口（如-p 8000:8000），然后通过http://localhost:8000访问。若需局域网访问，还需绑定宿主机真实IP。这是Docker容器访问的标准方式，解决了容器网络隔离带来的连接问题。
2025-08-27 17:26:01
1046
原创 Docker 镜像重命名【打上新的标签】
查看镜像ID或旧名称。docker tag <旧名称或ID> <新名称:标签>创建新标签。(可选)docker rmi <旧名称:标签>删除旧标签以保持整洁。使用验证结果。这是一个安全、高效且标准的 Docker 镜像管理操作。
2025-08-27 17:04:00
2510
原创 从零到能跑 YOLOv8 的 Docker 镜像的完整可执行步骤和命令【尽量把镜像做小】
其实 Dockerfile 就是一个“制作镜像的食谱”，它告诉 Docker 怎么从一个基础镜像开始，把你的依赖、代码、环境一步步放进容器里。
2025-08-27 15:48:21
1499
原创 把一个过大的文件夹分成若干个 ZIP 分卷
可以先把整个目录流式压成一个 ZIP，然后用。（3.0 及以上）自带了分卷功能，直接用。Windows 自带的资源管理器和压缩工具。完成后，你就会在当前目录下看到生成的。然后双击或右键“解压全部”即可。会自动读取并合并所有。
2025-05-07 16:15:29
2543
原创 【Linux 下的 bash 无法正常解析, Windows 的 CRLF 换行符问题导致的】
Windows 和 Linux 换行符不同，脚本是 Windows 风格，Linux 执行会报错。即可完美解决！🎯需要帮你检查一下的内容，看看是否还有别的隐患吗？
2025-03-22 17:00:49
813
原创 【Linux服务器挂载磁盘】Linux服务器重启了之后没有挂载到磁盘，之前的文件夹都没有了。
sudo blkid /dev/sda1 # 获取UUIDsudo nano /etc/fstab # 编辑并添加sudo mount -a # 验证。
2025-03-21 16:16:45
1469
原创 【YOLO】批次大小会影响学习效果，会影响三大率
批次大小影响学习率影响收敛速率影响泛化能力小批次（batch < 32）学习率要小训练更慢泛化能力好大批次（batch > 128）学习率可以大训练更快泛化能力可能下降如果你不确定 batch size 选多少，可以从32~64开始，然后调整学习率，观察 loss 变化。
2025-03-11 16:32:41
2698
原创 四期书生大模型实战营（【进阶岛】- 第3关 | LMDeploy 量化部署进阶实践）
使用结合W4A16量化与kv cache量化的internlm2_5-1_8b-chat模型封装本地API并与大模型进行一次对话，作业截图需包括显存占用情况与大模型回复，参考4.1 API开发，请注意2.2.3节与4.1节应使用作业版本命令。使用Function call功能让大模型完成一次简单的"加"与"乘"函数调用，作业截图需包括大模型回复的工具调用情况，参考4.2 Function call(选做)
2024-12-31 17:40:31
1127
原创 四期书生大模型实战营（【进阶岛】- 第4关 | InternVL 多模态模型部署微调实践）
理解多模态大模型的常见设计模式，可以大概讲出多模态大模型的工作原理。了解InternVL2的设计模式，可以大概描述InternVL2的模型架构和训练流程。了解LMDeploy部署多模态大模型的核心代码，并运行提供的gradio代码，在UI界面体验与InternVL2的对话。了解XTuner，并利用给定数据集微调InternVL2-2B后，再次启动UI界面，体验模型美食鉴赏能力的变化。将训练好的模型上传到。
2024-12-31 14:01:04
1051
原创 四期书生大模型实战营（【进阶岛】- 第6关 | MindSearch 快速部署）
闯关任务需要在关键步骤当中截图！任务描述部署MindSearch到 hugging face Spaces上部署MindSearch到 hugging face Spaces上 在官方的MindSearch页面复制Spaces应用到自己的Spaces下，Space 名称中需要包含 MindSearch 关键词，请在必要的步骤以及成功的对话测试结果当中请将作业发布到知乎、CSDN等任一社交媒体，将作业链接提交到以下问卷，助教老师批改后将获得 100 算力点奖励！！！
2024-12-30 17:53:44
1262
原创 四期书生大模型实战营（【进阶岛】- 第1关 | 探索书生大模型能力边界）
在书生·浦语 Chat Web 中使用任务一，InternThinker 挑战LeetCode：在 LeetCode 使用 InternThinker 刷 5 道算法题：使用 InternThinker 生成答案提交至 100% 通过。
2024-12-28 14:30:10
1026
原创 第四期书生大模型实战营（【基础岛】- 第4关 | InternLM + LlamaIndex RAG 实践）
任务要求1（必做，参考readme_api.md）：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 浦语 API 不会回答，借助 LlamaIndex 后 浦语 API 具备回答 A 的能力，截图保存。注意：写博客提交作业时切记不要泄漏自己 api_key！任务要求2（可选，参考readme.md）
2024-12-10 11:01:59
1028
原创 GroundingDINO微调训练_训练日志解释
这些日志输出帮助我们追踪训练过程中的模型表现，包括学习率、损失、梯度、内存使用等。训练损失由多个部分组成，每个部分表示不同任务的损失，例如分类、边框回归和 IoU。如果损失变化较大，可能需要调整模型结构、学习率、数据预处理等因素。如果你需要进一步优化训练或分析训练过程，可以使用这些信息来判断哪些方面的损失较大，从而调整模型或训练参数。
2024-12-09 16:44:27
2910
2
原创 在 Linux 中，重启命令reboot
在中，reboot是一个用于重启系统的命令。它会关闭所有进程、同步磁盘、更改系统状态，并重新启动计算机。
2024-11-21 09:48:43
1340
原创 在 Linux 中，`du`（Disk Usage）命令
（Disk Usage）命令用于显示文件和目录的磁盘使用情况。：显示指定目录及其子目录中文件和文件夹的磁盘使用情况，以人类可读的格式。：以人类可读的格式显示磁盘使用情况（例如，KB、MB、GB）。：仅显示指定目录的总磁盘使用量，而不列出其中的每个子目录。：仅显示当前文件系统的磁盘使用情况，不跨越挂载点。：限制输出的目录深度为 N 级。只显示最多两级子目录的磁盘使用情况。会显示总计且以人类可读格式输出。：在输出的最后添加总计信息。这些选项可以组合使用，例如，在 Linux 中，
2024-11-13 14:26:58
584
原创 第四期书生大模型实战营（【基础岛】- 第2关 | 玩转书生「多模态对话」与「AI搜索」产品）
玩转书生「多模态对话」与「AI搜索」产品 - 任务。
2024-11-10 11:20:00
876
原创 四期书生大模型实战营（【基础岛】- 第1关 | 书生·浦语大模型开源开放体系）
书生浦语全链路开源体系通过提供从数据构建到模型应用的全套工具，显著降低了大模型研发和应用的门槛，为人工智能开发提供了更广泛的支持。此生态系统不仅帮助企业更快速地部署大模型，还加速了通用人工智能技术的落地应用。
2024-11-09 13:40:03
1061
原创 【格式化查看JSON文件】coco的json文件内容都在一行如何按照json格式查看
json如果COCO的JSON文件内容在一行显示，这通常意味着文件被压缩或者是在传输过程中出现了问题。
2024-11-04 16:23:48
1396
原创 四期书生大模型实战营（【基础岛】- 第3关 | 浦语提示词工程实践）
背景问题：近期相关研究指出，在处理特定文本分析任务时，语言模型的表现有时会遇到挑战，例如在分析单词内部的具体字母数量时可能会出现错误。任务要求：利用对提示词的精确设计，引导语言模型正确回答出“strawberry”中有几个字母“r”。完成正确的问答交互并提交截图作为完成凭证。参考答案 （能正确得到答案 3 即可）
2024-11-02 18:43:14
1196
原创 四期书生大模型实战营（【入门岛】- 第4关 | 玩转HF/魔搭/魔乐社区）
闯关任务需要在关键步骤当中截图！任务描述时间模型下载使用Hugging Face平台、魔搭社区平台（可选）和魔乐社区平台（可选）下载文档中提到的模型（至少需要下载config.json文件、odel.safetensors.index.json文件），请在必要的步骤以及结果当中截图。20min模型上传（可选）将我们下载好的config.json文件（也自行添加其他模型相关文件）上传到对应HF平台和魔搭社区平台，并截图。10minSpace上传（可选）
2024-10-27 22:05:02
875
原创 第四期书生大模型实战营（【入门岛】- 第1关 | Linux基础知识）
任务描述完成所需时间闯关任务完成SSH连接与端口映射并运行hello_world.py10min可选任务 1将Linux基础命令在开发机上完成一遍10min可选任务 2使用 VSCODE 远程连接开发机并创建一个conda环境10min可选任务 3创建并运行test.sh文件10min请将作业发布到知乎、CSDN等任一社交媒体，将作业链接提交到以下问卷，助教老师批改后将获得 50 算力点奖励！！！
2024-10-27 20:32:01
916
原创 第四期书生大模型实战营（【入门岛】- 第2关 | Python 基础知识 ）
任务概览任务类型任务内容预计耗时闯关任务Leetcode 383(笔记中提交代码与leetcode提交通过截图)15mins闯关任务Vscode连接InternStudio debug笔记15mins闯关作业总共分为两个任务，两个任务均完成视作闯关成功。请将作业发布到知乎、CSDN等任一社交媒体，将作业链接提交到以下问卷，助教老师批改后将获得 50 算力点奖励！！！任务一完成, 笔记中提交代码与leetcode提交通过截图任务二。
2024-10-26 21:57:02
1182
1
原创 第四期书生大模型实战营（【入门岛】- 第3关 | Git 基础知识 ）
目标每位参与者提交一份自我介绍。提交地址：https://github.com/InternLM/Tutorial 的 class 分支～要求命名格式为 .md，其中 是您的报名问卷UID。文件路径应为 ./icamp4/。【大家可以叫我】内容可以是 GitHub 昵称、微信昵称或其他网名。在 GitHub 上创建一个 Pull Request，提供对应的 PR 链接。Fork创建一个新的分支，相当与创建了一个副本在自己的仓库下。
2024-10-26 14:22:51
1171
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人