基于yolov5框架实现人流统计（目标检测算法、目标追踪算法以及越界识别功能）+手机获取统计人数
基于yolov5框架实现人流统计（主要AI算法包括：目标检测算法、目标追踪算法以及越界识别功能）+手机获取统计人数（喵提醒）
手把手带你玩转Spark机器学习-深度学习在Spark上的应用
本文将介绍深度学习在Spark上的应用，我们将聚焦于深度学习Pipelines库，并讲解使用DL Pipelines的方式。我们将讲解如何通过Pipelines实现Transfer Learning，同时通过预训练模型实现来处理少量数据并实现预测。本文主要介绍深度学习在Spark上的应用，以花卉图片
PyTorch中的多GPU训练：DistributedDataParallel
本文将介绍DistributedDataParallel，DDP 基于使用多进程而不是使用多线程的 DP，可以扩充到多机多卡的环境，所以他是分布式多GPU训练的首选。
改进YOLOv5系列：增加Swin-Transformer小目标检测头
增加一个SwinTransformer检测头结构
从0基础文科生到全国亚军，我的人工智能学习路径
绝对不是标题党，第一张图就是真相，3000字零基础长文，主要讲3部分内容：一、我为什么要转型搞人工智能？二、我的人工智能自学方法三、对同样有转型想法的人的建议
基于深度学习的Deepfake检测综述
在过去的几年里已经进行了数百项研究，发明和优化各种使用 AI 的 Deepfake 检测，本文主要就是讨论如何对 Deepfake 进行检测
Pytorch+Python实现人体关键点检测
用Python+Pytorch工程代码对人体进行关键点检测和骨架提取，并实现可视化。
12个常用的图像数据增强技术总结
扩展用于训练模型的数据量的过程称为数据增强。通过训练具有多种数据类型的模型，我们可以获得更“泛化”的模型。
图像处理黑科技—破解文档识别难题（PS检测、弯曲拉平、切边切片、摩尔纹）
我们把 OCR 比做 AI 技术的一双慧眼，帮助人工智能看清所有需要处理的文字内容、符号信息，然而目前低质文档图像的识别问题似乎已经成为 AI 技术落地中的瓶颈，文档图像作为一种非结构化数据，其分析识别面临一些技术难点。
最新｜全新风格原创YOLOv7、YOLOv5和YOLOX网络结构解析图
分享一下绘制的全新风格 YOLOv5网络结构图、YOLOv7网络结构图和YOLOX网络结构图
深度学习visio作图技巧
不显示跨线：设计→连接线，取消显示 跨线的勾选。
图卷积神经网络GCN及其Pytorch实现
ICLR作为机器学习方向的顶会，最近看了ICLR2023 Openreview的论文投稿分析，通过2022和2023年论文关键词、标题高频词等信息的可视化比较。根据前十的关键词频率排名频率来看，基本上和去年保持一致，大火的领域依旧大火。但是可以明显看到前五名关键词的频率差距逐渐减少。有意思的是这一关
最新CUDA/cuDNN与Pytorch保姆级图文安装教程(速查字典版)
最新CUDA/cuDNN与Pytorch保姆级图文安装教程：CUDA下载、安装、多版本切换、卸载；解析CUDA、cuDNN、NVIDIA驱动、Pytorch间的版本对应关系
RoboCom机器人大赛使用yolov5抽取20个随机图片进行人群识别
YOLOv5是一个在COCO数据集上预训练的物体检测架构和模型系列，它代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使得其速度与精度都得
Bishop 模式识别与机器学习读书笔记_ch1.1 机器学习概述
Bishop著作 《Pattern Recognition and Machine Learning》 读书笔记
【自然语言处理（NLP）】基于PaddleNLP的短文本相似度计算
【自然语言处理（NLP）】基于PaddleNLP的短文本相似度计算，基于百度飞桨开发，参考于《自然语言处理实践》所作。
AI：ModelScope(一站式开源的模型即服务共享平台)的简介、安装、使用方法之详细攻略
ModelScope旨在打造下一代开源的模型即服务共享平台，汇集了行业领先的预训练模型，减少了开发者的重复研发成本。个人认为，相比于AI公司经常卖一款软件产品或者卖一个算法需求，而ModelScope更偏向于某种功能(model端到端)实现，初级AI从业者也能很容易实现大模型，有点低代码的感觉。当前
AI 杀疯了，NovelAI开源教程
NovelAI杀疯了，安装教程安排！
谷歌AudioLM :通过歌曲片段生成后续的音乐
AudioLM 是 Google 的新模型，能够生成与提示风格相同的音乐。该模型还能够生成复杂的声音，例如钢琴音乐或人的对话。结果是它似乎与原版没有区别，这是十分让人惊讶的。
持续学习常用6种方法总结：使ML模型适应新数据的同时保持旧数据的性能
持续学习是指在不忘记从前面的任务中获得的知识的情况下，按顺序学习大量任务的模型。
