1. Cuda Toolkit版本确认： 

.\nvcc.exe --version

nvcc: NVIDIA (R) Cuda compiler driver

Copyright (c) 2005-2022 NVIDIA Corporation

Built on Tue_May__3_19:00:59_Pacific_Daylight_Time_2022

Cuda compilation tools, release 11.7, V11.7.64

Build cuda_11.7.r11.7/compiler.31294372_0

说明Cuda Toolkit已经正常安装。其版本是11.7.

2. Nvidia 显卡的Driver版本查看：

方法1：Nvidia Control Panel:

作者： Sam(甄峰) sam_code@hotmail.com

0.基础：

可变对象和不可变对象

在前面讨论可变对象和不可变对象时，有变量(Variables)和对象(Objects)两个概念。

对象(Objects)指内存中存储数据的实体。包括三个要素：  地址，类型，值。Python中所有实体都是对象。

变量(Variables)则是对象的引用或者说别名。实质上是对象的地址。 

例1： 对象有类型，变量无类型：

    val_test = 1234

    print('val_test:', val_test, 'type:', type(val_test), 'id:', id(val_test))

作者： Sam(甄峰) sam_code@hotmail.com

0. 概念：

在Python中，对象可以分为两种主要类型：可变对象和不可变对象。

可变对象：其值可以在创建后修改，包括List,dict和set.

不可变对象：其值在创建后不能被修改，包括int, float, string,bool,tuple.

这里大家就会很疑惑，平时在编程时，int,float等修改不是很常见么？这就涉及到Python对象的三个属性： 地址，类型，值。

可变对象： 当使用 = 尝试修改其内容时，对象的值发生了改变，类型和地址并没有变化。即修改的val放到此对象的原来的内存地址了。

不可变对象：当尝试使用 = 修改其内容时，内存地址发生改变，即

1. 环境相关：

1.1. 列出所有环境： conda env list

base                  *  C:\ProgramData\anaconda3

paddle_25                C:\ProgramData\anaconda3\envs\paddle_25

paddle_New               C:\ProgramData\anaconda3\envs\paddle_New

paddle_env               C:\ProgramData\anaconda3\envs\paddle_env

paddleslim_env_py36      C:\ProgramData\anaconda3\envs\paddleslim_env_py36

1.2：创建一个新环境：

conda create  -n  [list of package]

创建一个名为 env_name的环境，并安装list of package中指定的package.

作者： Sam(甄峰) sam_code@hotmail.com

0. 简介：

PaddleDetection是一个基于PaddlePaddle的目标检测开发套件。提供了从数据准备、模型训练、模型评估、模型导出到模型部署的全流程工具。

PaddleDetection将检测模型解耦成不同的模块组件，通过自定义模块组件组合，用户可以便捷高效地完成检测模型的搭建. 例如：backbone，neck，loss等。

PaddleDetection提供了兼顾精度和速度的模型和工具箱。如：

PP-YOLOE高精度目标检测模型， PP-YOLOE-R 高性能旋转框检测模型, PP-YOLOE-SOD高精度小目标检测模型， PP-PicoDet超轻量级目标检测模型，PP-Tracking实时多目标跟踪模型， PP-TinyPose人体骨骼关键点识别， PP-Human行人分析工具，PP-Vehicle实时车辆分析工具。

 0.1 模型结构：

0.1.1：模型结构配置：

PaddleDetection中的诶一中模型对应一个目录。在configs目录中，可以看到不同的模型。包括：casead

cmake -DCMAKE_BUILD_WITH_INSTALL_RPATH=ON -DANDROID_NATIVE_API_LEVEL=14 -DCMAKE_TOOLCHAIN_FILE=/opt/android-ndk-r16b/build/cmake/android.toolchain.cmake  $@ ../.. -DBUILD_SHARED_LIBS=ON   -DANDROID_NDK_REVISION=14  -DHAVE_opencv_world=ON -DBUILD_opencv_world=1  -DWITH_V4L=1  -DANDROID_ABI=armeabi-v7a -DANDROID_STL=c++_shared  -DANDROID_TOOLCHAIN_NAME=clang  -DANDROID_ARM_NEON=ON -DCMAKE_CXX_FLAGS_RELEASE=-g0 -DCMAKE_BUILD_TYPE=RELEASE -DBUILD_EXAMPLES=OFF -DBUILD_ANDROID_EXAMPLES=OFF -DBUILD_PERF_TESTS=OFF -DBUILD_TESTS=OFF -DBUILD_DOCS=OFF

如果没有加 -g0.

可以：

/opt/android-ndk-r20/toolchains/arm-linux-androideabi-4.9/prebuilt/linux-x86_64/arm-linux-androideabi/bin/strip  libopencv_world.so -s -o libopencv_strip.so

作者： Sam(甄峰) sam_code@hotmail.com

ppcls\arch\backbone\legendary_models中是各种backbone的定义点。

ppcls\data\preprocess\ops是对图像进行预处理的定义点。

Sam希望增加一个数据增强的方法：

在ppcls\data\preprocess\ops\operators.py中：

class RandColorImage(object):

    ''' random color image

        brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5

    '''

    def __init__(self, brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5):

        self.brightness = brightness

        self.contrast = contrast

        self.saturation = saturation

    &

作者： Sam(甄峰) sam_code@hotmail.com

0. 简介：

PaddleDetection是一个基于PaddlePaddle的目标检测开发套件。提供了从数据准备、模型训练、模型评估、模型导出到模型部署的全流程工具。

PaddleDetection将检测模型解耦成不同的模块组件，通过自定义模块组件组合，用户可以便捷高效地完成检测模型的搭建. 例如：backbone，neck，loss等。

PaddleDetection提供了兼顾精度和速度的模型和工具箱。如：

PP-YOLOE高精度目标检测模型， PP-YOLOE-R 高性能旋转框检测模型, PP-YOLOE-SOD高精度小目标检测模型， PP-PicoDet超轻量级目标检测模型，PP-Tracking实时多目标跟踪模型， PP-TinyPose人体骨骼关键点识别， PP-Human行人分析工具，PP-Vehicle实时车辆分析工具。

 0.1 模型结构：

PaddleDetection中的诶一中模型对应一个目录。在configs目录中，可以看到不同的模型。包括：caseade_rcnn, centernet, convnext...ppyolo, ppyoloe,picodet等。

以Picodet为例：

作者： Sam(甄峰) sam_code@hotmail.com

PP-PicoDet是PaddleDetection中提出的全新轻量级系列模型。在移动端具有卓越性能。

PaddleDetection download后。可以直接训练之。

python tools/train.py -c configs/picodet/picodet_s_320_coco_lcnet.yml --eval

在yml中，指出网络结构：

'_base_/picodet_v2.yml'

在picodet_v2_yml中，定义了模型的backbone, neck,head.

PicoDet:

  backbone: LCNet

  neck: LCPAN

  head: PicoHeadV2

LCNet: ppdet\modeling\backbones\lcnet.py

PicoHeadV2在：ppdet\modeling\heads\pico_head.py

LCPAN在：ppdet\modeling\necks\lc_pan.py

作者： Sam(甄峰) sam_code@hotmail.com

0. 命名空间(Namespace):

0.1：Namespace定义：

A namespace is a mapping from names to objects.Most namespaces are currently implemented as Python dictionaries。

一个Namespace就是一个名字和对象映射的区块或者说一张映射表。通过名字就可以找到对应的object. 提供了在项目中避免名字冲突的一种方法。各个NameSpace是独立的，不同Namespace的名字之间没有任何关联，所以一个Namespace内不能有重名，但不同的Namespace是可以有重名而没有任何影响的。

Python中常见的Namespace有：

A. 内置名称(built-in names). Python的内置名称。如函数名，异常名等。可以认为是Python内置函数映射表。