以 CommonMark、GFM 标准为基础进行测试。

085fe4c45764f816428d67f343f087f9be3a21abf83964ebdbe3a260b60af4e074e09d8079b337b141d464a0df242452301b320aec87a6ab2f99008ce1dd1d3210495f74ddc53dcc754d6f0d1afaa354d7ae727e8e25a811cd1e844320a8c33dd6f908649fb0e8265fb27e25ec7bb311d6d4bd09469dd70f5ede48f2f5418eebae74debc685998dbb48dd415992e25d5903753f512cf51ec1305e9fa763cce7f8db4b666faf1c025c7e0af6c5fe9e0d8a5aa6da06c2717adb0460f56d28c20c72fe1405a3475d020e22a26cdb84e1c61f5c5fe20b57a5541c1fde0cebf348cc5367508557379bcf3f6fddaa0028ac92d2ccd521473244f22c ...

前言最近在学习STM32，在通过一番搜索后决定选择HAL库开发，后因环境配置头疼不已，最终选择了Keil MDK + CubeMX + VSCode的配置方式，经过一番折腾终于配置成功，特此记录一下。闲话不多说，直接进入正题。 本教程适用于Windows系统平台 准备工作安装软件1.VSCode：代码编辑器，用于编写代码 2.Keil MDK：用于编译和烧录程序,下载时选择ARM版本即可 3.CubeMX：用于生成初始化代码,下载时选择STM32CubeMX-Win即可 准备安装的VSCode插件1.C/C++ Extension Pack：用于代码提示和调试 2.Keil Assistant：CL的那一个 配置VSCode首先先让VSCode支持C语言开发，前往Github下载MinGW-W64,下载：x86_64-xx.xx.xx-release-win32-seh-msvcrt-rt_v12-rev0。解压后，将bin目录添加到环境变量中。 然后安装VSCode插件，安装完成后重启VSCode。 该睡觉了，未完待续

从零开始训练YOLO模型引言： YOLO（You Only Look Once）是一种流行的目标检测算法，以其快速和准确的特点而闻名。本文将引导你从零开始训练一个YOLO模型，包括环境准备、数据集准备、模型训练和测试等步骤。 1. 准备环境1.1 安装CUDA 访问NVIDIA官网下载对应显卡驱动版本的CUDA Toolkit。 配置环境变量： CUDA_HOME: CUDA的安装路径（例如：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0） Path: 将%CUDA_HOME%\bin和%CUDA_HOME%\libnvvp添加到Path环境变量中。 验证CUDA是否安装成功：在命令行中输入nvcc -V，如果显示CUDA版本信息，则表示安装成功。 1.2 安装PyTorch 访问PyTorch官网，选择合适的PyTorch版本和安装方式。 注意： PyTorch版本需要与CUDA版本匹配 可以使用nvidia-smi命令查看CUDA版本 PyTorch版本应低于CUDA版本 推荐使用pip命令安装PyTorch ...