vscode 打开 *.go文件的时候提示安装扩展, 点击install 或者 install all的时候 安装失败
打开一个终端执行如下语句
GOPROXY=https://proxy.golang.org,direct关闭vscode ,重新打开
分类： Code
Faceswap运行gui时提示“UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb2 in position 6: invalid start byte”
运行faceswap faceswap.py gui 的时候提示
File "D:\XX\faceswap\lib\gui\menu.py", line 271, in _get_branches
retcode, stdout.decode().strip().replace("\n", " - "))
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb2 in position 6: invalid start byte
05/28/2022 21:00:14 CRITICAL An unexpected crash has occurred. Crash report written to 'D:\XX\faceswap\crash_report.2022.xx.xx.xxxxx052.log'. You MUST provide this file if seeking assistance. Please verify you are running the latest version of faceswap before reporting提示文件menu.py line271行错误，
可能是因为我的是中文环境操作系统，所以报错，
找到源文件 faceswap/lib/gui/menu.py，修改271行内容
retcode, stdout.decode().strip().replace("\n", " - "))为
retcode, stdout.decode("utf8","ignore").strip().replace("\n", " - "))如图所示
修改完成后再次运行 faceswap faceswap.py gui即可正常打开
python配置环境变量
有时候设置好环境变量可以起到很大作用，比如把python安装到非系统盘，并且把模块安装到python文件夹里面，这样一个是方便管理，一个是即使系统重新安装了，环境还在，在新系统添加下环境变量即可使用，免去了再次安装模块的步骤。
下面是把python安装到 D:/ 盘，
模块 安装到python目录下面的 site-pakages。
通过pip install 进行安装的时候模块就会安装到python文件夹下。
设置python环境变量
设置python的环境变量
设置模块路径 pythonpath
设置好后，打开命令行，输入下面命令验证
python --version
pip list
pip show 模块名 
AI爆头-使用YOLOv5玩CSGO
闲来无聊，看到有的AI大神通过图像识别玩fps游戏 ，检测头部或者其他肢体来完成射击，突然来了兴趣，想自己弄一个，于是乎，参照其中一个改了下，原版本是用的是YOLOv5-v5版本，经过自己修改，目前在yolov5-v6.0版本下面正常运行
原始版本 项目地址
再次精简后的版本 项目地址（推荐）
本机实测正常环境：
python 3.8.10
yolov5的v6.0
pywin32 302
cuda Build cuda_11.6.r11.6
pytorch 1.10.0+cu113
torchvision 0.11.1+cu113
硬件：
AMD 5800H
RTX3060
16G内存
三星980 1T固态
在上面的平台，平均检测到射击的时间为15-20 ms，大约一帧的时间
在 8G内存，gtx 1070上面也测试通过，平均检测到射击时间为60ms
AI爆头-使用MoveNet玩FPS游戏CSGO
前段时间出于兴趣，弄了个yolo v5 训练游戏中目标并进行射击的小程序，后面看到movenet，也想尝试下，我是一个初学者，也没找到其他和fps相关的项目来做参考，就参照movenet给的项目代码改了一下，后面测了下还行，当然也有需要改进的地方，不足之处欢迎指正
代码总共100多行，借助于tensorflow框架，方便很多，实际使用过程中，中近距离没有问题，但是远距离识别率有点低，后期考虑再训练下模型
识别对比和后期功能完善：
1、检测时间，yolov5在3-8ms左右，movenet在10-15ms，
2、使用pyautogui或mss进行截图，然后截取区域进行检测，时间大约在10-35ms不等，考虑其他更快的截图方式
3、yolov5 通过GitHub给的模型训练自己的模型比较方便，labelimg 进行标注然后进行训练即可，比较方便快捷。movenet模型训练方法还在学习和寻找
movenet 项目介绍和使用都比较详细，安装tensorflow2.0框架后，调用和使用都比较方便
movenet 官网项目地址
基于原代码删减后，只保留了检测和显示两个函数，添加了截图和鼠标自动瞄准
★ GitHub项目地址
环境搭建可以参考另外一篇文章
movenet环境搭建
YOLO v5项目地址
FPSGame-autoshot
TensorFlow设置GPU显存大小
tensorflow默认情况下是使用所有GPU和显存，有时候我们需要分配显卡资源，需要手动设置，
常用代码
显示gpu或cpu块数
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus, cpus)
使用下标为0，1的两块显卡
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
tf.config.experimental.set_visible_devices(devices=gpus[0:2], device_type='GPU')
两种设置显存使用策略
1、按需申请
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
for gpu in gpus:
tf.config.experimental.set_memory_growth(device=gpu, enable=True)
2、固定分配，分配4G显存
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
tf.config.experimental.set_virtual_device_configuration(gpus[0],
[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=4096)])
3、固定分配，分配60%的GPU显存
config = tf.compat.v1.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.6
tf.compat.v1.Session(config=config)
模拟多GPU，建立2个2G 显存的虚拟GPU，可以让多GPU环境代码在单GPU环境运行
gpus = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_virtual_device_configuration(gpus[0],
[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=2048),
tf.config.experimental.VirtualDeviceConfiguration(memory_limit=2048)])
参考：
MoveNet环境手把手搭建TensorFlow+cuda+cudnn+zlib
movenet需要使用tensorflow框架和显卡驱动的支持，环境的搭建可以通过anacanda一键搭建，但对于我这个初学者，比较喜欢需要什么安装什么来一步步搭建
环境主要需要这么几个：
movenet模型（可在线下载）
opencv-python
tensorflow
tensorflow-gpu
tensorflow_docs
tensorflow_hub
cuda
cudnn
zlib
1、movenet介绍和使用示例
MoveNet: Ultra fast and accurate pose detection model
2、opencv-python , tensorflow , tensorflow-gpu , tensorflow_docs , tensorflow_hub 都可以通过pip进行安装
pip install opencv-python tensorflow tensorflow-gpu tensorflow_docs tensorflow_hub
如需安装特定版本可以在模块后面加上== ，比如 tensorflow==2.7.1
如需查看现在安装的模块信息，可以通过 pip show 模块名 进行查看，比如 pip show tensorflow
3、cuda toolkit 下载地址
https://developer.nvidia.com/cuda-toolkit-archive
根据自己的系统下载，比如Windows10，cuda11.6.2
安装的话一路默认即可
4、cuDNN下载，可能需要登录和验证
developer.nvidia.com/rdp/cudnn-archive
下载后是压缩包，需要把压缩包里面的文件解压到cuda安装路径的对应目录，一般默认在
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA
5、zlib下载和安装
zlib下载地址
www.winimage.com/zLibDll/zlib123dllx64.zip
安装zlib，下载后解压到一个目录，然后把目录添加到系统path环境变量中，cuDNN也可以用同样的方法
6、cuDNN和cuda安装和说明文档
https://docs.nvidia.com/deeplearning/cudnn/
总结：
1、python ,tensorflow,opencv ,cuda等的版本
可以用新的，不必要非要用老的或者指定版本，通过pip安装默认版本即可
2、not found cudnn_ops_infer64_8.dll 或者not found cudnn_cnn_infer64_8.dll
一般原因是没有安装cudnn或者没有设置cudnn环境变量
3、could not load library cudnn_cnn_infer64_8.dll error code 126或者
could not load library cudnn_cnn_infer64_8.dll error code 193
原因是zlib没有安装或者没有设置zlib目录环境变量，
通过如上一些步骤，基础环境算是部署好了，现在可以测试下movenet是否正常
使用vscode 打开movenet提供的代码，
www.tensorflow.org/hub/tutorials/movenet
这里为了验证做了精简
图片路径和模型路径可根据自己的实际情况修改，模型为手动下载到本地加载，在线加载模型会出错
效果如图
安装pytorch
直接通过pip安装pytorch，cuda版本为11.3
pip3 install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio==0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html
其他安装方法参照官网
Kali-Linux多Python版本设置
有时候需要python2 有时候要使用python3，kali上面可以通过update-alternatives来进行设置
首先查看系统python有哪些版本
ls /usr/bin/python*
然后进行python版本的添加
update-alternatives --install /usr/bin/python python /usr/bin/python3 150
update-alternatives --install /usr/bin/python python /usr/bin/python2 100
update-alternatives --config python
切换对应的python版本
python --verison 查看当前的python版本
Labelimg用法
labelimg 图片目录 分类文件 标签目录
labelimg .\images2\ .\classes.txt .\labels\
==================
labelimg -h
usage: labelImg [-h] [image_dir] [class_file] [save_dir]
positional arguments:
image_dir
class_file
save_dir
optional arguments:
-h, --help show this help message and exit