weixin_43217276的博客

说着玩的，打开app.py，查看最后一行，查找gradio官方文档找到gradio_app.launch，一顿学习，打开。下面（还原原来的结构），然后把jiameslahm文件夹整个放入yolov10的根目录下面，打开。下次有空说说如何训练自己的数据集得出模型文件，如何部署自己的模型文件，进入yolov10目录，使用Anaconda创建环境并安装所需依赖项。进入yolov10目录，跑一个demo试试实力，注意缩进，保存退出，再次运行。直接崩溃，不学了，！回车，能够得到界面如下。注意缩进，保存退出。

这里使用windows的Anaconda环境测试项目，首先克隆项目，下载到主文件夹下（也就是文件夹下）。google上能搜索到，解压后名字改为。

在之前的文章中，我们已经得到了经过我们微调的大语言模型，不管是在本地部署使用或者是用OpenWebUI界面部署在服务器上达到和chatGPT界面类似的效果，使用Ollama部署一定是最好的选择。以下均为在Ubuntu系统（Linux）上的测试。

其中./your_hf_model_file为你的hf或者gguf格式的模型文件文件夹地址，llama.cpp还支持多种模型格式转换方法，可以去github项目地址自行查看，其中./mymodel/yourmodel.gguf是输出文件夹的地址和输出的gguf格式文件名称，记得一定要以.gguf结尾。在之前的教程中，我们提到了unsloth微调的办法，那时候保存的模型直接为.safetensors格式的，所以我们要先将其转换为gguf FP16格式格式。

5.设置权限 chmod +x Anaconda3-5.3.0-Linux-x86_64.sh。1.找到自己需要的版本在网站https://repo.anaconda.com/archive/2.添加路径 export PATH=/home/anaconda3/bin:$PATH。6.运行 ./Anaconda3-5.3.0-Linux-x86_64.sh。import os // 设置环境变量，下载器就会使用镜像站。七、cuda12.1的anaconda 的pytorch。

这里我选择huggingface上的数据集下载下来：Seikaijyu/Beautiful-Chinese,也可以自定义自己的数据集，只要是json格式的就行，可以使用以下chatGPT的插件Alpaca Dataset制作自己的数据集，将模型文件和数据集都放到unsloth根目录中，其中的fine-tuning.py为微调脚本，在我们之前设置的环境中运行，出现的lora_model文件夹就是生成的lora模型，output文件夹中为微调的大模型。从huggingface（

在120枚外观相同的硬币中，有一枚是假币，并且已知假币与真币的重量不同，但不知道假币与真币相比较轻还是较重。可以通过一架天平来任意比较两组硬币，最坏情况下，能不能只比较5次就检测出这枚假币？