黑群晖DSM-7.X开启NVME缓存的方法 1、群晖在控制面板-终端机与SMNP，启用SSH功能；2、在电脑的SSH工具，以root登录群晖，输入命令查看nvme的名字：ls /dev/nvme*如果只有一个nvme硬盘并且硬盘为空，一般会显示/dev/nvme0n1，如果有两个空的nvme硬盘则显示/dev/nvme0n1和/dev/nvme1n1，只需要记住这些名字就行了；如果nvme有分区了，还会显示如/dev/nvme0n1、/dev/nvme0n1p1、/dev/nvme0n1p2等，这些分区名字不用理会。3、输入命令，查看nvme硬盘的ID：udevadm info /dev/nvme0n1我们要记住自己的nvme所在的位置，比如我的就是0000:00:1d.0，这个数字一定要记下来；3、之所以NVME硬盘黑群晖的空间管理员中无法识别，是因为群晖提前设定了各个机型的NVME所在的PCI位置，这些信息保存在 /lib64/libsynonvme.so.1 这个文件中，而我们需要将这个文件中，关于DS918+机型的NVME所在的PCI位置改为自己机器实际所在的位置就能正确识别了；4、先备份一下原文件，输入命令：cp /lib64/libsynonvme.so.1 /lib64/libsynonvme.so.1.bak5、把原文件 libsynonvme.so.1 复制到一个可以供其他电脑下载的共享文件夹中，比如我将其复制到 Download 这个共享文件夹（具体以实际路径为准，请自行更改），输入命令：cp /lib64/libsynonvme.so.1 /volume1/Download/libsynonvme.so.16、在电脑访问群晖，将在Download文件中的 libsynonvme.so.1 下载到本地电脑；7、在电脑上使用 winhex 软件打开刚才下载的 libsynonvme.so.1 文件，按ctrl+F键输入DS918+搜索，在右侧找到如下图字段的原数据为0000:00:13.0和0000:00:13.1，根据第一步查到的本机NVME所在的PCI位置，修改为0000:00:1d.0，顺便把另外一个nvme插槽也该了即0000:00:1d.1，修改后保存；8、将修改后的 libsynonvme.so.1 文件，上传到群晖的 Download 共享文件夹下（以第5步使用的文件夹为准），覆盖原文件。9、返回 ssh 工具，以root账户登录群晖；10、删除群晖系统原文件：rm /lib64/libsynonvme.so.111、把修改好的文件复制到系统（把 /volume1/Download 替换为第5步实际使用的路径）：cp /volume1/Download/libsynonvme.so.1 /lib64/libsynonvme.so.112、修改文件权限：chmod 755 /lib64/libsynonvme.so.113、重启群晖，再打开存储管理器，就发现正常识别NVME并可以按照提示进行缓存的设置。上述内容原文地址：http://www.gebi1.com/thread-299964-1-1.html上面操作，博主在DS918-7.01-42218版本下亲测，是OK的。如果群晖系统型号不是DS918+，而是别的系统型号（比如DS3617xs/DS3622xs+等，除了DS3615xs以外）的DSM7.X版本，那么就不能用上面的方法，需要按照以下流程操作：1、群晖在控制面板-终端机与SMNP，启用SSH功能；2、在电脑的SSH工具，以root登录群晖，输入命令查看nvme的名字：ls /dev/nvme*如果只有一个nvme硬盘并且硬盘为空，一般会显示/dev/nvme0n1，如果有两个空的nvme硬盘则显示/dev/nvme0n1和/dev/nvme1n1，只需要记住这些名字就行了；如果nvme有分区了，还会显示如/dev/nvme0n1、/dev/nvme0n1p1、/dev/nvme0n1p2等，这些分区名字不用理会。3、输入命令，查看nvme硬盘的ID：udevadm info /dev/nvme0n1找到这个nvme硬盘的ID，比如我的就是0000:00:1d.0，这个数字一定要记下来；4、输入命令，修改文件：vi /etc.defaults/extensionPorts使文件里面的ID与实际nvme硬盘的相匹配，比如我这个要改成（以你实际的ID为准）：[PCI]pci1="0000:00:1d.0"如果有两个nvme硬盘，则改成（以你实际的ID为准）：[PCI]pci1="0000:00:1d.0"pci2="0000:00:1d.1"5、保存退出，重启群晖生效。

黑群晖DS918开启m.2 nvme固态硬盘做存储空间（支持DSM6.2X和DSM7.X） 众所周知，官方群晖DS918+可以用两条m.2 nvme固态硬盘做缓存盘，黑群晖也可以通过打补丁的方式支持用m.2 nvme固态硬盘做缓存盘。黑群晖其实还可以用m.2 nvme固态硬盘来做存储盘，在万兆网络里面可以提高内网复制文件的速度。本教程于DS918-6.2.3系统下测试通过。一、黑群晖打m.2 nvme补丁（如果已经打过补丁，此步骤跳过）1、如果DSM系统是918-6.23版本的，下载Nvme的补丁 libsynonvme.so.1（ 点我下载）到电脑 ；2、把下载的文件复制到群晖的 /usr/lib64 目录下，，并设置成可执行的权限（此步骤需要用root权限）；3、如果之前是6.22的版本，打过6.2.2的nvme补丁，需要进 /usr/local/etc/rc.d 文件夹，把 libNVMEpatch.sh 删除（如果没有打过上面的补丁，此步骤可以跳过）；4、如果DSM系统是918-7.X版本的，需要先按照《黑群晖DS918-7.X开启NVME缓存的方法》修改系统文件；5、重启群晖，重启后在存储空间管理员—hdd/ssd，查看能否正确识别nvme固态硬盘。二、创建nvme存储盘（以下操作，都需要用root权限）1、输入命令查看NVME硬盘状态ls /dev/nvme*此时会显示所有的nvme固态硬盘，第一个为nvme0n1；2、查看第一个nvme固态硬盘信息fdisk -l /dev/nvme0n13、创建分区synopartition --part /dev/nvme0n1 12在第一块NVME的上创建分区输入“Y”，确认4、查看刚刚创建的分区fdisk -l /dev/nvme0n1查看第一块NVME的分区布局，没有问题5、查看当前储存池情况，记一下最后一个存储池的数字（比如我的是md2）cat /proc/mdstat6、创建NVME存储池mdadm --create /dev/md3 --level=1 --raid-devices=1 --force /dev/nvme0n1p3需要注意的是：需要在上一步骤显示的储存池数字基础上加1，作为nvme的存储池（所以是md3）输入“y”确认7、创建储存空间，btrfs格式和ext4格式，只能二选一：创建ext4格式请输入以下命令mkfs.ext4 -F /dev/md3创建btrfs格式请输入以下命令mkfs.btrfs -f /dev/md38、重启群晖；三、存储空间2就是nvme固态硬盘了，搞定！特别说明：如果你的群晖版本是DSM7.X版本，需要先按照《黑群晖DS918-7.X开启NVME缓存的方法》教程识别到nvme，才可以敲命令建立存储。

[AI]我的影子，我的自由 以下均为AI生成的虚假内容{lamp/}我有一个影子，它总是跟在我身后，无论我走到哪里，它都不会离开我。有时候，我觉得它很可爱，就像一个忠实的朋友，陪伴着我。有时候，我觉得它很烦人，就像一个拖油瓶，限制着我。我想要摆脱它，但是我做不到。它是我的影子，也是我的枷锁。我曾经问过我的影子，你为什么要跟着我？你有没有自己的想法和意志？你不觉得这样很无聊吗？我的影子沉默了一会儿，然后说：我是因为有所依赖才是这样的。我依赖你的身体和光线的角度，才能形成这样的形状和大小。如果没有你，我就不存在了。我所依赖的东西又有所依赖，你依赖空气和食物，光线依赖太阳和月亮。我们都是有所依赖的，没有谁能够完全自由。你问我有没有自己的想法和意志，其实我也不知道。我只是按照自然的规律而行动，没有刻意去思考或选择。或许这就是我的想法和意志吧。你说这样很无聊，其实我也不觉得。我觉得这样很安稳，没有什么风险和困难。我不需要担心未来或后悔过去，只需要顺应当下。听了我的影子的话，我感到很惊讶，也很困惑。原来我的影子也有自己的思想，虽然和我不一样。它对自己的状态很满意，也很理解自己的局限。它没有抱怨或反抗，也没有渴望或追求。它只是简单地存在着，跟随着我。而我呢？我对自己的状态并不满意，也不理解自己的局限。我常常抱怨或反抗，也常常渴望或追求。我想要更多的自由和选择，想要掌控自己的命运。但是这样做有什么意义呢？难道我就能比我的影子更自由吗？难道我就能摆脱所有的依赖吗？难道我就能找到真正的幸福吗？庄子在《齐物论》中讲了一个有趣又值得深思的故事。这个故事就是罔两问影。罔两是影子的影子。一天，影子的影子诘问影子：“影子啊！你看你，一会儿动一动，一会儿又不动；一会儿坐着，一会儿又站着。你能不能有独立的操守啊？”影子若有所思，它也很疑惑。它回答说：“这是怎么回事呢？我是因为有所依赖才是这样的吗？那我有所依赖的东西又有所依赖才是这样的吗？那我所依赖的像什么呢？是不是像蛇要游走需要依赖它的腹鳞，蝉要飞翔需要依赖它的翅膀吗？我分不清了。谁能告诉我？我怎能知道为什么会这样，又怎能知道为什么不会这样呢？”这个故事让我想起了我和我的影子的对话，也让我思考了什么是“不由自主”。我觉得“不由自主”并不是一种消极或被动的状态，而是一种顺应或认同的态度。我们都是在一定的条件和环境下生活，我们都有我们的依赖和局限，我们都不能完全控制自己的一切。但是我们可以选择如何看待自己的处境，如何对待自己的影子。我们可以把它们当作负担或敌人，也可以把它们当作伙伴或朋友。我们可以把它们视为障碍或困扰，也可以把它们视为机遇或启示。我们可以因为它们而感到沮丧或绝望，也可以因为它们而感到欣慰或感恩。我们可以试图摆脱或改变它们，也可以试图接受或理解它们。这就是我们的自由，也是我们的操守。我想，我的影子其实很聪明，它知道自己的本质和位置，它不会做超出自己能力和范围的事情，它也不会期待超出自己现实和理想的事情。它只是做好自己的本分，跟随着我。而我呢？我是否也能做到这样呢？我是否也能找到自己的本质和位置呢？我是否也能做好自己的本分，跟随着自然呢？我想，这就是我要学习的地方，也是我要追求的目标。我要学习我的影子，我的自由。

yolov8訓練時如何通過回調函數獲取map和loss值 您可以使用Ultralytics YOLOv8中的回调函数来获取训练过程中的mAP和loss值。具体来说，您可以使用以下代码来添加回调函数： from ultralytics.yolo.v8 import * from ultralytics.yolo.v8.utils.loss import YOLOv8Loss # 定义回调函数 class LogCallback(Callback): def __init__(self): super().__init__() def on_train_batch_end(self, trainer, pl_module, outputs, batch, batch_idx, dataloader_idx): # 获取mAP和loss值 loss, loss_items = outputs['loss'], outputs['loss_items'] mAP = outputs['mAP'] # 打印mAP和loss值 print(f"mAP: {mAP:.2f}, loss: {loss:.2f}, loss_items: {loss_items}") # 创建模型 model = Model(cfg='yolov5s.yaml') # 创建训练器 trainer = DetectionTrainer(model=model, train_cfg='train.yaml', val_cfg='val.yaml', callbacks=[LogCallback()]) # 开始训练 trainer.train() 在上面的代码中，我们定义了一个名为LogCallback的回调函数，并在创建训练器时将其添加到回调列表中。在 on_train_batch_end方法中，我们可以获取训练过程中的mAP和loss值，并将其打印出来。需要注意的是，要获取mAP值，您需要在训练配置文件中设置val数据集的路径。此外，如果您想要获取更多的训练信息，可以在回调函数中添加相应的代码。{lamp/}在Ultralytics YOLOv8的训练过程中，outputs字典包含了许多有用的信息，其中包括以下几个关键字：loss: 训练过程中的总损失值。loss_items: 训练过程中的各个损失项的值，以字典的形式存储。mAP: 训练过程中的平均精度值。lr: 当前的学习率。step: 当前的训练步数。epoch: 当前的训练轮数。

使用gapi的传统推理的简单示例 https://forum.opencv.org/t/simple-example-of-traditional-inference-using-gapi/2872 #include "opencv2/imgcodecs.hpp" #include "opencv2/imgproc.hpp" #include "opencv2/gapi.hpp" #include "opencv2/gapi/core.hpp" #include "opencv2/gapi/imgproc.hpp" #include "opencv2/gapi/infer.hpp" #include "opencv2/gapi/infer/ie.hpp" #include "opencv2/gapi/cpu/gcpukernel.hpp" #include "opencv2/gapi/streaming/cap.hpp" // 命令行参数 const std::string about = "This is an OpenCV-based version of Security Barrier Camera example"; const std::string keys = "{ h help | | print this help message }" "{ input | | Path to an input img file }" "{ fdm | | IE face detection model IR }" "{ fdw | | IE face detection model weights }" "{ fdd | | IE face detection device }"; namespace custom { //! [G_API_NET] // 面部检测器：接受一个Mat，返回另一个Mat G_API_NET(Faces, <cv::GMat(cv::GMat)>, "face-detector"); // SSD后处理函数 - 这不是网络而是内核。 // 内核体单独声明，这只是一个接口。 // 此操作接受两个Mats（检测结果和源图像）， // 并返回ROI的向量（由默认阈值过滤）。 // 阈值（或要选择的类）可能成为参数，但由于 // 此内核是自定义的，因此没有太大意义。 G_API_OP(PostProc, <cv::GArray<cv::Rect>(cv::GMat, cv::GMat)>, "custom.fd_postproc") { static cv::GArrayDesc outMeta(const cv::GMatDesc &, const cv::GMatDesc &) { // 此函数需要由G-API引擎确定 // 给定输入参数时输出格式是什么。 // 由于输出是数组（具有特定类型）， // 因此没有什么可描述的。 return cv::empty_array_desc(); } }; // 上述内核的基于OpenCV的实现。 GAPI_OCV_KERNEL(OCVPostProc, PostProc) { static void run(const cv::Mat &in_ssd_result, const cv::Mat &in_frame, std::vector<cv::Rect> &out_faces) { const int MAX_PROPOSALS = 200; const int OBJECT_SIZE = 7; const cv::Size upscale = in_frame.size(); const cv::Rect surface({0,0}, upscale); out_faces.clear(); const float *data = in_ssd_result.ptr<float>(); for (int i = 0; i < MAX_PROPOSALS; i++) { const float image_id = data[i * OBJECT_SIZE + 0]; // batch id const float confidence = data[i * OBJECT_SIZE + 2]; const float rc_left = data[i * OBJECT_SIZE + 3]; const float rc_top = data[i * OBJECT_SIZE + 4]; const float rc_right = data[i * OBJECT_SIZE + 5]; const float rc_bottom = data[i * OBJECT_SIZE + 6]; if (image_id < 0.f) { // indicates end of detections break; } if (confidence < 0.5f) { // a hard-coded snapshot continue; } // 将浮点坐标转换为绝对图像 // 帧坐标；剪切源图像边界。 cv::Rect rc; rc.x = static_cast<int>(rc_left * upscale.width); rc.y = static_cast<int>(rc_top * upscale.height); rc.width = static_cast<int>(rc_right * upscale.width) - rc.x; rc.height = static_cast<int>(rc_bottom * upscale.height) - rc.y; out_faces.push_back(rc & surface); } } }; //! [Postproc] } // namespace custom int main(int argc, char *argv[]) { cv::CommandLineParser cmd(argc, argv, keys); cmd.about(about); if (cmd.has("help")) { cmd.printMessage(); return 0; } const std::string input = cmd.get<std::string>("input"); // 表达我们的处理管道。使用基于lambda的构造函数 // 用于在专用作用域中保留所有临时对象。 //! [GComputation] cv::GComputation pp([]() { // 声明一个空的GMat - 管道的开端。 cv::GMat in; // 在输入帧上运行面部检测。结果是一个单独的GMat， // 在内部表示1x1x200x7 SSD输出。 // 这是infer的单补丁版本： // - 推理在整个输入图像上运行； // - 图像自动转换并调整为网络预期的格式。 cv::GMat detections = cv::gapi::infer<custom::Faces>(in); // 使用自定义内核解析SSD输出到ROI（矩形）列表。 // 注意：解析SSD可能成为“标准”内核。 cv::GArray<cv::Rect> faces = custom::PostProc::on(detections, in); // 现在指定计算的边界 - 我们的管道消耗 // 一个图像并产生一个输出。 return cv::GComputation(cv::GIn(in), cv::GOut(faces)); }); //! [GComputation] // 注意：此时加载尺寸可能非常有用！ // 在我们的计算定义之后，指定它应如何执行。 // 执行由我们用于编译管道（这是不同步骤）的推理后端和内核后端定义。 // 声明FaceDetection网络的IE参数。注意这里custom::Face // 是我们先前在GAPI_NETWORK()中指定的类型名称。 // cv::gapi::ie::Params<>是通用配置描述，它是 // 针对我们使用的每个特定网络进行专门化。 // // OpenCV DNN后端将具有其自己的带有设置的参数结构 // 与OpenCV DNN模块相关。其他可能的推理也适用 // 后端... //! [Param_Cfg] auto det_net = cv::gapi::ie::Params<custom::Faces> { cmd.get<std::string>("fdm"), // read cmd args: path to topology IR cmd.get<std::string>("fdw"), // read cmd args: path to weights cmd.get<std::string>("fdd"), // read cmd args: device specifier }; // 形成一个内核包（带有我们的单个基于OpenCV的后处理实现） // 和一个网络包（持有我们的三个网络）。 auto kernels = cv::gapi::kernels<custom::OCVPostProc>(); auto networks = cv::gapi::networks(det_net); { // inference ! // 声明我们将从管道接收的数据对象。 cv::Mat in_frame = cv::imread("input"); // the input ! // 捕获到的帧本身 std::vector<cv::Rect> faces; // 检测到的面部数组 pp.apply(cv::gin(in_frame), cv::gout(faces), cv::compile_args(kernels, networks)); // do something with the face rects } return 0; }