Hi20240217的博客

Vortex开源GPU工具链搭建与验证 本文详细介绍了Vortex开源GPU项目的开发环境搭建流程。Vortex是基于RISC-V的GPGPU设计，支持OpenCL标准。主要内容包括： 使用Docker容器创建隔离开发环境 配置完整的仿真工具链(simx)和POCL OpenCL支持 调整Vortex配置参数(32 warps/32 threads)以满足TVM需求 通过PyOpenCL验证OpenCL设备识别 展示了TVM编译的TinyCNN模型在仿真环境中的运行 文章还涉及FPGA比特流生成的准备工作，

CUDA-BEVFusion 镜像使用摘要 本文提供了开箱即用的 Docker 镜像，简化 CUDA-BEVFusion 环境配置，包含训练和推理双容器（PyTorch 训练/TensorRT 推理）。关键特性： 预置完整依赖环境，支持模型训练、量化和部署 通过共享目录实现数据交换（/app） 提供 nuScenes 测试结果：mAP 0.8551（PyTorch），0.8517（INT8量化） 支持自定义数据集微调，mAP 提升 0.65+ 包含详细操作指南：从数据准备、模型测试到可视化结果生成 使用注意

RTX 5090 基于新的 Blackwell 架构。NVIDIA 出于对某些主板兼容性（如 IOMMU、Resizable BAR 策略）的保守考虑，**屏蔽了 5090 的 BAR1 P2P 功能**。我们需要通过 Patch 驱动源码，强制开启这一隐藏功能。开启 P2P 后，PyTorch 的集合通信算子（Multi-GPU 训练的核心）延迟显著降低，**All-Reduce 甚至降低了 60% 以上**。

本文展示了如何利用AI（以Claude Code为例）实现从需求到发布的软件开发全流程自动化。通过一个待办事项API案例，演示了AI如何自动完成代码编写、测试生成、CI/CD配置及发布部署等环节。关键步骤包括：1）在GitLab搭建基础环境；2）编写清晰AI提示词明确技术栈和功能需求；3）AI自动生成完整项目结构、文档及测试代码；4）配置GitLab Runner实现持续集成；5）最终自动打包并发布到指定服务器。该方案将开发者从重复性工作中解放，使其能专注于核心需求设计，显著提升开发效率。

文章摘要： MCP（模型上下文协议）让AI助手Claude具备连接外部工具的能力，实现新闻搜索、代码管理、笔记整理等任务。本文介绍如何通过MCP将财新新闻、GitHub仓库、Obsidian笔记、arXiv论文和浏览器控制接入Claude，只需安装对应插件并配置Token即可。例如：用财新MCP获取实时财经资讯，GitHub MCP追踪项目更新，Obsidian MCP生成笔记摘要，arXiv MCP检索学术论文，以及通过浏览器MCP实现网页自动化操作。MCP打破了AI的信息孤岛，使其成为真正的全能助手。（

本文介绍了一个开箱即用的Docker环境，用于对比测试Claude Code、Codex和OpenCode三款主流AI编程助手。该环境通过Docker容器实现隔离运行，支持本地Ollama模型或云端API调用，提供Web SSH访问和飞书机器人集成。文章详细说明了环境搭建步骤，包括Docker安装、Ollama服务配置、容器部署等，帮助开发者快速创建统一的测试平台，对比不同AI编程工具在相同任务下的表现差异，优化开发工作流。

本文介绍了一个基于Docsify搭建的Markdown在线文档库系统。该系统实现了文档集中管理、目录可视化、Markdown预览、全文搜索和用户鉴权等功能。技术方案采用Docker容器部署，整合了Docsify、Flask和docsify-generate-sidebar等工具，支持自动生成文档侧边栏导航。系统包含登录页面、文档浏览界面和搜索功能，采用响应式设计适配不同设备，并具备防爬虫和安全防护机制。详细步骤包括文档准备、Docker环境搭建、依赖安装、侧边栏生成和网站首页配置，最终实现一个安全便捷的Ma

本文介绍了一种通过飞书机器人实现手机端与Claude Code AI助手交互的全自动方案。主要内容包括： 方案概述：通过飞书机器人接收用户消息，Python中间件处理并转发给本地运行的Claude Code AI，再将结果返回飞书会话。 技术实现： 使用Docker容器运行Claude Code环境 配置本地AI模型服务（如Ollama） 搭建Python中间件处理消息流转 集成飞书WebSocket接收事件推送 核心功能： 手机端随时查询编程问题 AI辅助调试代码、生成文档 无需云服务的本地化部署 该方案

在深度学习中，卷积操作（Convolution）是计算机视觉任务的核心计算之一。PyTorch等框架内置的`torch.nn.functional.conv2d`已经非常高效，但为了追求极致性能，开发者有时需要手动编写**内核（Kernel）**——即直接在GPU上运行的程序。Triton是一种专门用于编写GPU内核的领域特定语言，它比CUDA更容易上手，同时能生成接近手写优化的高性能代码。然而，编写高效的Triton内核并不简单，需要深入理解GPU架构、内存访问模式、并行计算策略等。这时，大型语言模型

摘要 本教程介绍如何在Windows 11系统中将Claude Code工具与本地Ollama模型对接。主要内容包括：在Linux服务器安装Ollama并下载模型（如Qwen3.5），配置Ollama监听网络接口；在Windows 11安装Node.js和Claude Code；通过设置环境变量使Claude Code指向本地Ollama服务；修改配置文件跳过首次引导；最后测试运行效果。该方法可让用户免费使用Claude Code界面调用本地模型，既保证数据隐私又无需支付API费用。文章还提供了可选步骤，指

本文介绍了一种利用Selenium搭建免费Web搜索API服务的方法，让AI智能体能够获取实时网络信息。针对主流搜索API付费和调用限制的问题，该方案通过模拟人类浏览器操作实现"曲线救国"：使用Selenium无头模式访问Bing Copilot搜索页面，提取整理结果后通过Flask API返回。文章详细展示了服务端实现代码，包括Chrome配置、iframe处理、结果提取等关键技术点，并解释了无头模式和等待机制的必要性。该方法为个人开发者和小型项目提供了免费的实时搜索解决方案。

摘要 本文介绍使用byte_micro_perf和llmperf两款工具测试GPU性能的方法。测试分为微观算力测试和宏观推理测试两个层次：前者测试基础计算单元性能（如矩阵乘法、激活函数等），后者测试真实大语言模型的端到端性能（如吞吐量、延迟）。文中详细说明了测试环境准备、模型下载、Docker容器配置等步骤，并提供了测试结果解读方法。通过这两个工具，用户可以获取专业级的GPU性能数据，为硬件选择提供客观依据。测试结果显示各算子在特定参数下的执行耗时、内存带宽利用率等关键指标，帮助评估GPU的理论算力发挥效率

本文提出了一种基于NuScenes数据集生成BEV-Tiny-Det-Occ-Apollo模型训练所需占据网格标签的方法。该方法创新性地利用3D边界框信息直接生成占据网格标签，避免了依赖点云语义分割标注。通过多帧点云融合和体素化处理，重点关注10类动态物体，生成格式与Apollo官方数据兼容。实验表明，该方法在保持3D检测精度的同时，能有效生成占据网格标签，为自动驾驶感知系统提供了一种高效的数据生成方案。

本文介绍了一种在Docker容器中安全运行OpenClaw AI助手的方案。通过使用支持systemd的Ubuntu容器，用户可以避免直接安装到主机系统带来的安全风险，同时享受轻量化的资源占用。文章详细演示了从创建容器、安装Node.js和Chrome浏览器，到配置中文环境、设置飞书插件和火山引擎API的全过程。这种方法既保证了环境隔离性，又提供了完整的浏览器功能支持，是体验OpenClaw的理想折中方案，特别适合技术爱好者进行安全测试。

Apollo占据网格感知模型训练与部署指南提供了从环境配置到模型评估的完整流程。该指南通过Docker容器简化了复杂的训练环境搭建，预置了nuScenes mini数据集，并详细介绍了数据预处理、模型评估等关键步骤。核心亮点包括：容器化的一体化解决方案、预训练模型验证（mAP 0.3016）、以及针对自动驾驶场景的3D环境感知能力构建。该方案使开发者能够快速验证占据网格技术，为后续优化和部署奠定基础。

摘要： 本文介绍了一种专业且免费的Windows浏览器音视频录制方法，通过虚拟音频设备（Virtual Audio Cable）将浏览器声音直接传输给FFmpeg录制工具，解决传统麦克风录制音质差、立体声混音失效等问题。操作步骤包括：安装VAC并配置浏览器音频输出至虚拟线路，使用FFmpeg命令行工具捕获屏幕及虚拟音频源，通过参数调整实现高质量录制。该方法支持无损内部音频捕获，灵活控制帧率、分辨率等参数，适用于在线课程、会议录制等场景，兼具高效与低成本优势。（149字）

本文介绍了使用Docker Compose快速部署LibreNMS网络监控系统的方法。LibreNMS是一款功能强大的开源网络监控工具，支持设备自动发现、性能监控、告警通知等功能。文章详细讲解了从环境准备、镜像拉取、配置文件修改到服务启动的全过程，并提供了网络设备扫描和Web控制台访问指南。通过Docker Compose部署可实现一键安装、环境隔离和便捷维护，适合各类网络环境监控需求。

摘要： 本文详细介绍了在纯净Docker环境中编译libwebrtc的完整流程。通过创建Ubuntu 20.04容器，配置代理和工具链，获取WebRTC源码及依赖库，最终生成定制化的libwebrtc.so。关键步骤包括：使用depot_tools同步代码、打补丁适配定制需求、通过GN配置构建参数（如启用H.264编解码）、利用Ninja完成编译，并验证生成的可执行文件。该方法解决了官方预编译库的兼容性问题，支持Linux/x64平台，适合需要深度定制或研究WebRTC核心技术的开发者。

本文介绍了在Docker容器中实现"自我克隆"的完整方法，通过将运行中的容器打包成新镜像来实现环境迁移。文章详细解释了容器克隆的概念和需求场景，对比了docker commit、docker export等不同方法的优缺点，推荐使用tar+docker import的组合方案。操作步骤包括：准备测试程序验证环境、创建原始容器、打包文件系统（排除临时目录）、导入为新镜像、验证克隆结果。该方法特别适用于深度学习等复杂环境的迁移备份，能确保开发、测试和生产环境的一致性，实现一键迁移和快速部署。

摘要 本文介绍了一种基于aiortc的私有化WebRTC部署方案，实现浏览器直接预览远程摄像头。相比传统RTSP方案，该方案具有浏览器原生支持、低延迟、P2P通信等优势。系统采用四层架构：coturn服务器实现NAT穿透，Python WebSocket信令服务器交换连接信息，HTTP服务器提供Web界面，设备端通过aiortc传输视频流。部署步骤包括：配置云服务器环境变量、安装coturn服务、开放防火墙端口、创建信令服务器脚本。该方案支持完全私有化部署，无需第三方服务，适用于物联网和安防监控场景。

本文介绍了在星图AI算力平台上训练PETRV2-BEV模型的全流程。BEV（鸟瞰图）模型是自动驾驶领域的重要技术，能够将多视角传感器数据转换为统一的俯视图。文章详细讲解了云端训练的优势，包括按需使用GPU资源、预置环境等。操作步骤涵盖：创建算力实例、连接容器环境、准备训练数据、执行模型训练和验证等关键环节，特别介绍了数据预处理、精度测试指标解读以及VisualDL可视化工具的使用技巧。通过云端平台，开发者无需本地高性能硬件即可完成复杂的BEV模型训练任务。

摘要： 本文介绍如何使用开源工具Smokeping监控公网服务器的网络延迟与质量。通过Docker快速部署Smokeping，可定期探测目标主机的延迟与丢包率，并生成可视化图表。文章以视频直播服务为例，说明网络延迟波动对业务的影响，并演示如何通过QoS优化配置解决问题。部署步骤包括安装Docker、配置探测目标、启动容器及访问监控面板。Smokeping能持续记录网络状态，帮助管理员及时发现异常，为网络优化提供数据支持。

在当今互联网中，HTTPS几乎已经成为所有网站的标配安全协议。当你在浏览器地址栏看到那个小锁图标时，就意味着你与该网站之间的通信是加密的。这种加密保护了我们的隐私，但同时也给网络分析带来了挑战。那么，当我们确实需要分析HTTPS流量时（比如调试API、排查网络问题或安全审计），该如何绕过这层加密呢？

本文介绍了一种在CloudCompare软件中高效精准选择点云特征点的方法。针对相机与激光雷达联合标定时需要在密集点云中选取特定特征点的难题，提出"裁剪与过滤"策略：首先通过高度裁剪移除天花板干扰，再用空间裁剪清除车辆等障碍物，最后利用回归反射材料的高强度值(接近255)属性进行精准过滤。该方法通过"先做减法，再做选择"的分步处理，将原始点云层层剥离，最终只保留目标特征点，大幅提升了选点精度和工作效率。文中还提供了详细的操作步骤截图，包括视图设置、裁剪工具使用、强度值

相机标定难题常源于镜头畸变模型选择不当。本文通过一个真实案例，展示了如何诊断和解决因畸变导致的图像-点云对齐问题。当实测视场角(FOV)比理论值大15%以上时，表明存在严重畸变，需改用鱼眼相机模型。解决方案包括：重新采集标定数据、实现鱼眼标定器、处理去畸变黑边、调整内参矩阵并重新联合标定。关键是通过计算理论FOV差异和可视化畸变影响，准确判断畸变程度，从而选择正确的相机模型。该方法可有效解决图像边缘特征对齐不准确的问题。

摘要： 相机与激光雷达联合标定是多传感器融合的关键环节。研究发现，不同材料的反射特性对标定效果影响显著：镜面反射（如梳妆镜）因回波不稳定几乎不可用，漫反射（如白墙）效果一般，而回归反射材料（如反光车牌、交通锥条纹）在点云中会形成高亮度、稳定的特征点簇，显著提升标定精度。建议选用红白反光胶带、警示标识等回归反射材料制作标定板，通过其独特的微棱镜结构实现精准特征匹配，从而优化标定流程与结果。该方案将光学原理与工程实践结合，解决了传统标定方法中特征点选取不准确的痛点。

本文介绍了使用RoadRunner制作Apollo高精地图的全流程。高精地图是为自动驾驶设计的厘米级精度地图，包含车道边界、交通标志等丰富信息。制作流程包括：1）进入Apollo开发环境；2）启动坐标变换服务统一各传感器坐标系；3）创建工作目录；4）生成激光雷达与GPS的变换矩阵；5）提取点云数据；6）导入RoadRunner绘制道路元素；7）导出Apollo格式地图并进行验证。该地图为自动驾驶提供精准定位、路径规划和安全决策支持。

本文介绍了SensorsCalibration项目中lidar2camera模块的环境搭建方法。主要内容包括：1）通过SSH X11 Forwarding验证图形显示；2）使用预构建的Docker镜像快速部署环境，该镜像已优化UI显示和参数保存功能；3）基于ubuntu:18.04从零开始构建环境的详细步骤，包括安装Pangolin 0.6、PCL 1.9.1等依赖库，最后编译安装lidar2camera校准工具。文中提供了完整的Docker命令和安装脚本，支持图形界面显示和参数持久化保存功能。

CARLA是一个开源的自动驾驶仿真平台，基于虚幻引擎构建，提供逼真的虚拟环境用于自动驾驶系统开发。本文介绍了CARLA的特点、环境搭建方法（包括Ubuntu和Windows系统）以及DEMO程序实现。DEMO程序通过6个摄像头和1个激光雷达模拟环视系统，实现车辆和行人检测、3D边界框投影等功能。环境搭建推荐使用Docker方式，包含详细的参数说明和代码示例。该平台解决了真实道路测试中的安全风险、成本高等问题，为自动驾驶研究提供了安全可控的开发环境。

文章摘要 本文介绍了一种高质量录制浏览器音频的技术方案。针对直接录音存在的噪音问题，采用虚拟音频线(VAC)技术实现浏览器音频的无损采集。主要内容包括：1)安装配置VAC软件；2)设置音频路由将浏览器输出重定向到虚拟设备；3)使用Python编写音频采集脚本，通过PyAudio库从虚拟设备捕获音频数据并保存为WAV文件。该方法避免了环境噪音干扰，绕过了流媒体下载限制，适用于课程录制、会议记录等场景。文中详细提供了从软件安装到代码实现的完整操作步骤，并解释了技术原理。

在人工智能和机器学习项目中，高质量的数据集是模型成功的基石。对于自动驾驶、机器人感知等领域，我们经常需要处理包含多种传感器数据的复杂数据集。下面介绍如何从Xtreme1标注平台下载这样的数据集。

本文介绍了将百度Apollo自动驾驶平台的Record数据转换为Xtreme1标注格式的方法。主要内容包括：1) Apollo Record和Xtreme1格式的特点与差异；2) 转换所需的相机标定参数获取；3) 核心转换步骤：录制传感器数据、解析相机参数生成配置文件、提取并转换传感器数据。通过Python脚本实现数据格式转换，使Apollo采集的真实道路数据能够在Xtreme1平台上进行高效标注，为自动驾驶模型训练提供高质量标注数据。

摘要：本文介绍了将NuScenes自动驾驶数据集转换为Xtreme1标注平台兼容格式的方法。NuScenes数据集包含多传感器数据和3D标注，而Xtreme1平台有其特定的数据组织要求。转换过程包括：1)数据结构映射，建立相机索引对应关系；2)坐标系转换，实现激光雷达与相机数据的对齐；3)点云格式从.bin转为.pcd；4)3D标注信息格式转换。通过Python脚本自动完成这些转换步骤，使用户能够在Xtreme1平台上高效标注NuScenes数据，支持2D/3D融合标注工作。

通过Squid代理在Tailscale中共享L2TP访问权限-改进版本

摘要：本文介绍了SUSTechPoints标注工具的部署及使用方法。部署过程通过Docker镜像完成，包括拉取镜像、启动容器和运行服务三个步骤。使用指南包含操作视频演示，用户可通过浏览器访问指定端口使用该工具。该工具为科研数据标注提供了便捷的解决方案。

本文介绍了xtreme1半自动标注平台的部署及使用流程。主要内容包括：1)安装CUDA驱动和Docker环境配置；2)下载xtreme1-v0.9.1软件包；3)拉取所需Docker镜像；4)创建docker-compose.yml文件配置服务(包含nginx、mysql、redis、minio等组件)；5)平台启动及健康检查设置。部署完成后可通过端口8190访问平台，实现半自动标注功能。文中提供了详细的操作命令和配置示例，适用于Ubuntu 20.04系统环境。

摘要：本文介绍如何通过Squid代理在Tailscale网络中共享L2TP访问权限。该方案解决多设备访问总部私有网络的问题，仅需一台网关设备建立L2TP连接，其他设备通过Tailscale虚拟网络和Squid代理间接访问总部资源。详细步骤包括L2TP配置、Squid代理设置及路由策略优化，确保HTTP/HTTPS流量安全转发。测试验证表明，该方案能有效实现跨地域网络访问需求。（149字）

摘要 本文介绍了通过透明代理实现NTRIP转发的方法，解决无人设备在无网络区域接入千寻RTK服务的问题。RTK技术通过NTRIP协议传输校正数据，但设备可能因网络限制无法直接连接服务。透明代理服务器作为中转站，无需修改客户端配置即可转发数据。操作步骤包括：注册千寻账号获取NTRIP信息、配置GNSS接收机、部署代理服务器并修改设备配置指向代理。文章还提供了代理服务器的Python源码，支持TCP/UDP协议转发，实现设备与RTK服务之间的无缝连接。

通过SSH转发访问局域网设备

本文详细介绍了在Ubuntu系统中克隆硬件序列号的方法，适用于软件授权迁移、测试环境复制等场景。操作步骤包括：1）在源设备备份设备树和固件信息；2）在目标设备覆盖设备树和固件信息；3）验证克隆效果。该方法通过挂载伪造的硬件信息实现序列号克隆，但存在重启失效、内核版本依赖等限制。文章还特别说明了Docker容器中的特殊处理方式，帮助用户在虚拟化环境中实现硬件指纹克隆。