Tracktor代码win10上的环境配置

本文介绍了如何在Windows 10上使用conda创建新环境,并详细讲述了在安装Tracktor过程中遇到的lap、lapsolver、sacred等依赖库的安装问题及其解决方案,包括从不同源下载安装包、处理import sacred错误,以及配置git以解决python调用git的问题。此外,还提到了在virtualenv和PyCharm中运行Tracktor的相关设置调整。
摘要由CSDN通过智能技术生成
  1. conda中创建新环境
  2. 按照requirements.txt安装包,遇到错误的先删掉
    安装lap和lapsolver时遇到错误
 ERROR: Could not find a version that satisfies the requirement pytest-runner (from versions: none)
 ERROR: No matching distribution found for pytest-runner

lap用conda清华源安装了,lapsolver从pypi网站下载whl的win32版本pip安装好了
4. import sacred 出错

ImportError: Failed to initialize: Bad git executable.
The git executable must be specified in one of the following ways:
    - be included in your $PATH
    - be set via $GIT_PYTHON_GIT_EXECUTABLE
    - explicitly set via git.refresh()

All git commands will error until this is rectified.

This initial warning can be silenced or aggravated in the future by setting the
$GIT_PYTHON_REFRESH environment variable. Use one of the following values:
    - quiet|q|silence|s|none|n|0: for no warning or exception
    - warn|w|warning|1: for a printed warning
    - error|e|raise|r|2: for a raised exception

Exam
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而高性能,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。  本课程的YOLOv5使用ultralytics/yolov5,在Windows和Ubuntu系统上分别做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集(自动划分训练集和验证集)、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 除本课程《YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)》外,本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接:https://edu.csdn.net/course/detail/35209 《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.csdn.net/course/detail/35284  
可编程拖拉机比赛,通常是指一种寓教于乐的编程挑战活动,参与者利用Python或其他编程语言,编写控制虚拟或真实的拖拉机进行任务完成的比赛。这些比赛旨在提高编程技能,理解控制算法,并可能涉及到机器学习或物联网技术,让参赛者设计并实现对拖拉机行为的策略。 例如,比赛可能包含以下步骤: 1. **环境理解**:使用Python库(如pygame或pyglet)创建一个2D或3D的游戏引擎,模拟农田环境和拖拉机模型。 2. **传感器模拟**:编程拖拉机接收传感器输入(如GPS、土壤湿度传感器),模拟实际的农田数据。 3. **路径规划**:设计算法来规划拖拉机的行驶路线,比如根据作物需求、地形变化或目标位置。 4. **操作控制**:编写控制代码,使拖拉机执行诸如播种、施肥、犁地等动作。 5. **性能优化**:考虑效率和资源管理,比如减少能耗、避免碰撞等。 以下是一个简单的Python代码示例,展示了如何创建一个基本的拖拉机类和基本的移动方法: ```python class Tractor: def __init__(self, x, y): self.x = x self.y = y self.speed = 0.5 def move_forward(self, distance): self.x += self.speed * distance def move_backward(self, distance): self.x -= self.speed * distance def move_left(self, distance): self.y -= self.speed * distance def move_right(self, distance): self.y += self.speed * distance # 创建拖拉机实例并演示移动 tractor = Tractor(0, 0) tractor.move_forward(10) # 拖拉机向前移动10单位 tractor.move_left(5) # 左转5单位 # 假设这是在一个游戏循环中 while True: # 获取玩家指令,更新拖拉机位置 user_input = get_user_command() # 这部分需要根据具体比赛规则实现 tractor.move_forward(user_input['distance']) tractor.move_left(user_input['turn']) ```
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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