RuntimeError: expected scalar type Half but found Float
经过：在注意力模块中，会有较多的矩阵运算，在训练时出现了cuda和cup类型的冲突(另一篇我写的文章)；而在验证时出现了上述错误。出错的位置在torch.bmm()处，在这里进行了一次矩阵乘法运算。由于两个数据的类型不同，因此发生冲突。解决方案：仍然是用to()方法，修改数据类型为另一个数据的类型。
（Windows）半自动化标注-Label-Studio的安装和简单使用
Label Studio 是一款优秀的标注软件，覆盖图像分类、目标检测、分割等领域数据集标注的功能。SAM (Segment Anything) 是 Meta AI 推出的分割一切的模型。
7个有用的Prompt参数
本文将介绍七个关键的Prompt参数，通过这些参数可以引导模型，探索模型的能力和限制，生成不同风格或角度的内容。
YOLOV5训练时P、R、mAP等值均为0的问题
需要注意的是，P、R、mAP等指标为0并不一定意味着模型无效。训练时间太短：如果训练时间太短，则模型可能没有足够的时间来收敛到最佳状态。模型过于简单：如果模型过于简单，则很难从样本中学习到有效的特征。考虑增加网络的深度和宽度，或使用更复杂的网络结构。预处理步骤出现问题：确保数据预处理流程正确，例如确
mmsegmentation 训练自制数据集全过程
mmsegmentation训练自己的数据集，环境配置，数据集制作，训练，预测全过程
CFNet: Cascade Fusion Network for Dense Prediction
在密集预测任务中多尺度的特征融合至关重要，当前的主流的密集预测的范式是先通过BackBone提取通用特征，然后通过特征融合模块来融合BackBone中的多尺度特征，最后使用head来输出密集预测结果（检测，分割等）。作者发现BackBone的网络参数量远远大于特征融合模块，基于此发现作者提出了级联融
Windows如何更改Anaconda默认启动环境
记录工具使用。
yolov5s.pt下载
yolov5s.pt 直达下载地址
输电线路相关数据集（目标检测、图像识别等领域）
电气工程、输电线路、电网相关数据集
如何正确下载PyTorch、CUDA版本！！
因为在torch框架里经常出现NVIDIA、CUDA、PyTorch这几个不兼容，等等一些让人头疼的问题。这里总结正确下载pytorch的方法。
Nvidia GPU 最新计算能力表（CUDA Compute Capability）
Jetson ProductsGPUCompute CapabilityJetson AGX Xavier7.2Jetson Nano5.3Jetson TX26.2Jetson TX15.3Tegra X15.3GeForce and TITAN ProductsGPUCompute Capabi
2023亚马逊科技中国峰会之Amazon DeepRacer赛车比赛
在2023年6月27日至28日，亚马逊云科技准备在上海举办中国峰会，这是一年一度的盛大会议。此次会议重点活动之一就是基于强化学习的自动驾驶赛车比赛——Amazon DeepRacer。
注意力机制中的掩码详解
本文将详细介绍掩码的原理和机制。
车道线检测
目前，车道线检测技术已经相当成熟，主要应用在自动驾驶、智能交通等领域。下面列举一些当下最流行的车道线检测方法：基于图像处理的车道线检测方法。该方法是通过图像处理技术从摄像头传回的图像中提取车道线信息的一种方法，主要是利用图像处理算法进行车道线的检测和识别，并输出车道线的位置信息。基于激光雷达的车道线
AI实战营第二期 第七节 《语义分割与MMSegmentation》——笔记8
将图像按照物体的类别分割成不同的区域，或者对每个像素进行分类。
全监督，自监督，半监督，弱监督，无监督的关系和区别
全监督，自监督，半监督，弱监督，无监督的关系和区别
Could not load library libcudnn_cnn_infer.so.8.的解决方法
这篇文章主要记录一下自己在搭建Stable Diffusion WebUI中遇到的一个问题的解决方法。报错Could not load library libcudnn_cnn_infer.so.8.的解决方法。
本地部署中文LLaMA模型实战教程，民间羊驼模型
LLaMA大部分是英文语料训练的，讲中文能力很弱。如果我们想微调训练自己的LLM模型，基于一个大规模中文语料预训练的模型比较好。目前开源项目很多，理想的项目要有以下特点：模型开源、训练代码开源、代码结构简单、环境容易安装、文档清晰。经过寻找与试验，我找到了一个比较好的项目。本博文要点如下：1 实战部
如何将让模型在两个gpu上训练
如果你想让模型在两个GPU 上进行训练，你需要使用分布式训练。在PyTorch中，可以使用。这样，你就可以在两个GPU上进行训练了。注意，你需要在命令行中使用。指定每个节点使用的GPU数量。指定使用哪些GPU进行训练，指定输出设备的GPU ID。指定分布式通信的后端，指定进程组的总大小，指定当前进程
深入理解深度学习——正则化（Regularization）：作为约束的范数惩罚
Hinton尤其推荐由Srebro and Shraibman (2005) 引入的策略：约束神经网络层的权重矩阵每列的范数，而不是限制整个权重矩阵的Frobenius范数。最后，因为重投影的显式约束还对优化过程增加了一定的稳定性，所以这是另一个好处。当使用较高的学习率时，很可能进入正反馈，即大的权
