Python判断字符串是否全是数字或者字母
一、判断为数字str.isnumeric()ReturnTrueif all characters in the string are numeric characters, and there is at least one character,Falseotherwise. Numeric ch
yolov7数据集格式用于目标识别与实例分割
解释yolov7目标识别与实例分割使用的数据集格式
经典神经网络论文超详细解读（七）——SENet（注意力机制）学习笔记（翻译＋精读＋代码复现）
SENet论文（《Squeeze-and-Excitation Networks》）超详细解读。翻译＋总结。文末有代码复现
Pointpillars三维点云实时检测
实现实时检测的pointpillars
详解：yolov5中推理时置信度，设置的conf和iou_thres具体含义
详解：yolov5中推理时置信度，设置的conf和iou_thres具体含义
深入探讨YOLOv8 网络架构
我们的基准测试是在英特尔的支持下开发的，是计算机视觉从业者的基准测试，旨在为以下问题提供更好的答案：“该模型在我的自定义数据集上的表现如何？由于我们知道这个模型会不断改进，我们可以将最初的 YOLOv8 模型结果作为基线，并期待随着新迷你版本的发布而进行未来的改进。下面的箱线图告诉我们，当针对 Ro
【YOLOV5-6.x讲解】数据增强方式介绍+代码实现
数据增强的作用：分割需要在像素级别进行标签标注，一些专业领域的图像标注，依赖于专业人士的知识素养，在数据集规模很小的情况，如何提高模型的表现力迁移学习：使得具有大量标注数据的源域帮助提升模型的训练效果数据增强 学习到空间的不变形，像素级别的不变形特征都有限，利用平移，缩放，旋转，改变色调值等方法，让
【修改huggingface transformers默认缓存文件夹】
huggingface transformers; 默认缓存目录
Pytorch—模型微调（fine-tune）
对于不同的层可以设置不同的学习率，一般情况下建议，对于使用的原始数据做初始化的层设置的学习率要小于（一般可设置小于10倍）初始化的学习率，这样保证对于已经初始化的数据不会扭曲的过快，而使用初始化学习率的新层可以快速的收敛。
聊聊关于图像分割的损失函数 - BCEWithLogitsLoss
目录1. sigmoid + BCELoss2. BCEWithLogitsLoss3. gossip本篇文章是在做图像分割任务，关于损失函数的一些内容。这里需要的损失函数是：BCEWithLogitsLoss() 就是：sigmoid + BCELoss接下来通过例子来讲解，例如图像分割的时候，网
【目标检测-YOLO】YOLOv5-v5.0-yolov5s网络架构详解（第一篇）
源码：GitHub - ultralytics/yolov5 at v5.0由于YOLO v5 代码库在持续更新，如上图，有多个版本，每个版本的网络结构不尽相同。以下内容以 v5.0 为准，网络结构选用 yolov5s。为了方便画图和理解网络结构，选用可视化工具：Netron 网页版进行可视化， 然
yolo v5 环境配置（gpu版本）
yolo v5 缺陷检测项目环境创建
CLIP模型
利用文本的监督信号训练一个迁移能力强的视觉模型!这个模型有什么用呢？想象我们有一个图像分类的任务训练1000个类别，预测一张图片是这1000个类别中的哪一类现在如果加入50个新的类别的图像，试想会发生什么呢？传统的图像分类模型无法对类别进行拓展，想要保证准确率只能从头开始训练，费时费力。CLIP模型
深度学习（PyTorch）——flatten函数的用法及其与reshape函数的区别
深度学习（PyTorch）——flatten函数的用法及其与reshape函数的区别
狂肝两万字带你用pytorch搞深度学习！！！
深度学习基础知识和各种网络结构实战...一文带你用pytorch搞深度学习！！！深度学习前言一、tensor的数据类型1.1 torch.FloatTensor1.2 torch.IntTensor1.3 torch.randn1.4 torch.range1.5 torch.zeros/ones/
异构图神经网络 RGCN、RGAT、HAN、GNN-FILM + PyG实现
RGCN、RGAT、GNN-FILM代码替换十分简单，训练代码完全不用动，只要改模型代码即可，完全可以三者都尝试效果，HAN慎用，效果太吃matapath的设置，训练时间还长，不值得。
一行代码加速Pytorch推理速度6倍
PyTorch 有一个名为 PyTorch Hub 的模型存储库，它是常见模型的高质量实现的来源。我们可以从那里获得在 ImageNet 上预训练的 ResNet-50 模型。在本教程中，我们介绍了使用 Torch-TensorRT 为 ResNet-50 模型编译 TorchScript 模型的完
深入理解ECAPA-TDNN——兼谈Res2Net、ASP统计池化、SENet、Batch Normalization
ECAPA-TDNN是说话人识别中基于TDNN的神经网络，是目前最好的单体模型之一关于TDNN，可以参考深入理解TDNN（Time Delay Neural Network）——兼谈x-vector网络结构。
（pytorch进阶之路）IDDPM之diffusion实现
DM beat GANs作者改进了DDPM模型，提出了三个改进点，目的是提高在生成图像上的对数似然第一个改进点方差改成了可学习的，预测方差线性加权的权重第二个改进点将噪声方案的线性变化变成了非线性变换。
详解Inception结构：从Inception v1到Xception
详细介绍了GoogLeNet中Inception模块网络结构的发展历程，包括了Inception v1，Inception v2，Inception v3，Inception v4，Xception结构及特点。
