ubuntu安装Anaconda和pytorch安装Anaconda下载Anaconda：免费下载 |蟒蛇 (anaconda.com)给Anaconda执行权限sudo chmod 777 Anaconda3-2023.03-1-Linux-x86_64.sh安装Anaconda./Anaconda3-2023.03-1-Linux-x86_64.sh这些设置基本上可以一直按Enter键中间会让选择一个yes or no的问题，我们肯定直接选择yes查看一下当前的环境conda -V修改环境变量nano ~/.bashrc在最后添加export PATH=/home/****/anaconda3/bin:$PATH****为用户名更新一下环境变量source ~/.bashrc查看安装是否成功conda -V可以看到Anaconda已经安装成功了问题1. ubuntu的anaconda无法激活环境CommandNotFoundError: Your shell has not been properly configured to use 'conda activate&#
ubuntu安装Nvidia驱动和cuda和cudnn安装Nvidia驱动官网下载驱动 官方驱动 | NVIDIA根据自己的显卡选择驱动。*注意：下载的驱动文件要放在英语路径中！！！*更新软件列表和安装必要软件、依赖 sudo apt-get update sudo apt-get install g++ sudo apt-get install gcc sudo apt-get install make禁用默认驱动sudo nano /etc/modprobe.d/blacklist.conf在打开的文件末尾输入并保存：blacklist nouveau options nouveau modeset=0保存退出更新一下系统的initramfs镜像文件sudo update-initramfs -u重启电脑在终端中输入lsmod | grep nouveau如果没有输出的话就说明禁用了nouveau。进入tty模式 (远程SSH可以忽略)关闭图形界面进入tty模式终端输入：sudo telinit 3输入如下命令可以重新打开图形界面
DETR：端到端的目标检测与实例分割引言目标检测和实例分割在计算机视觉中具有重要的地位，传统方法通常采用复杂的流程和大量手工设计的模块。近年来，神经网络和深度学习的发展为这些任务提供了新的解决方案。本文将介绍一篇有关端到端目标检测与实例分割的论文：DETR（Detection Transformer），该论文提出了一种全新的方法，将目标检测与实例分割问题转化为直接预测目标数量和坐标的问题。方法DETR（Detection Transformer）采用了Transformer结构，并将其应用于目标检测与实例分割任务。DETR的整体网络结构包括以下几个主要部分：BackboneDETR的backbone采用了标准的卷积神经网络，如ResNet-50。这些网络用于提取输入图像的特征表示。特征图经过降采样后，将维度展平，以便后续输入Transformer。TransformerDETR的核心是基于自注意力机制的Transformer模型。与NLP任务中的Transformer相比，DETR在编码器和解码器中增加了位置编码，以保留输入图像的空间信息。编码器接收backbone输出的特征图，并通过
R-CNNRCNN算法流程可分为4个步骤一张图像生成1K~2K个候选区域(使用Selective Search方法)对每个候选区域，使用深度网络提取特征特征送入每一类的SVM 分类器，判别是否属于该类使用回归器精细修正候选框位置候选区域的生成利用Selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体。对每个候选区域，使用深度网络提取特征将2000候选区域缩放到227227pixel，接着将候选区域输入事先训练好的AlexNet CNN网络获取4096维的特征得到20004096维矩阵特征送入每一类的SVM分类器，判定类别将2000*4096维特征与20个SVM组成的权值矩阵4096*20相乘获得2000*20维矩阵表示每个建议框是某个目标类别的得分。分别对上述2000*20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框。非极大值抑制剔除重叠建议框IoU(Intersection over Union) 表示$(A\cap B)/(A
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal NetworksFaster R-CNN :使用区域建议网络实现实时目标检测IEEE 2017-6-1摘要最先进的目标检测网络依赖于区域建议算法来假设目标位置。SPPnet [ 1 ]和Fast R-CNN [ 2 ]等技术的进步降低了这些检测网络的运行时间，使得候选区域计算成为瓶颈。在这项工作中，我们引入了一个区域建议网络( RPN )，该网络与检测网络共享全图卷积特征，从而实现了几乎无成本的区域建议。RPN是一个全卷积网络，它同时预测每个位置的对象边界和对象性分数。对RPN进行端到端的训练，生成高质量的候选区域，并由Fast R - CNN用于检测。我们进一步通过共享RPN和Fast R - CNN的卷积特征将它们合并为一个网络- -使用最近流行的具有"注意力"机制的神经网络术语，RPN组件告诉统一的网络在哪里看。对于非常深的VGG - 16模型[ 3 ]，我们的检测系统在GPU上具有5fps的(包括所有步骤)帧率，同时在PASCAL VOC
End-to-End Object Detection with Transformers使用 Transformer 进行端到端目标检测EECV -2020年摘要我们提出了一种将对象检测视为直接集预测问题的新方法。我们的方法简化了检测管道，有效地消除了对许多手动设计组件的需求，例如非最大抑制程序或锚点生成，这些组件明确编码了我们关于任务的先验知识。称为 DEtection TRAnsformer 或 DETR 的新框架的主要成分是基于集合的全局损失，它通过二分匹配强制进行独特的预测，以及一个转换器编码器-解码器架构。给定一小组固定的学习对象查询，DETR 推理对象的关系和全局图像上下文以直接并行输出最终的预测集。与许多其他现代检测器不同，新模型在概念上很简单，不需要专门的库。DETR 在具有挑战性的 COCO 对象检测数据集上展示了与完善且高度优化的 Faster RCNN 基线相当的准确性和运行时性能。此外，DETR 可以很容易地推广，以统一的方式产生全景分割。我们表明它明显优于竞争基线。DETR（Detection Transformer）是一种基于Transformer的端到端
一只胖橘