Yolov5_v6.2训练数据集进行预测
Yolov5_v6.2环境部署，并在云端训练自己的数据集
跟着AI学AI(1): 线性回归模型
在线性回归中，我们的目标是找到一条直线，使得所有数据点到该直线的距离之和最小。因此，我们的目标是最小化平方误差。具体来说，我们计算损失函数对w和b的偏导数，然后将其乘以学习率并从当前w和b的值中减去。在线性回归模型中，我们使用梯度下降来找到最小化平方误差的最佳拟合直线。具体来说，我们计算损失函数对每
HyperLPR3车牌识别-五分钟搞定: 中文车牌识别光速部署与使用
基于深度学习高性能中文车牌识别 High Performance Chinese License Plate Recognition Framework.快速上手教程
盘点5种最频繁使用的检测异常值的方法（附Python代码）
在统计学中，异常值是指不属于某一特定群体的数据点。它是一个与其他数值大不相同的异常观测值，与良好构成的数据组相背离。例如，你可以清楚地看到这个列表里的异常值：[20, 24, 22, 19, 29, 18, 4300, 30, 18].当观测值仅仅是一堆数字并且是一维时，很容易识别出异常值。但是，当
基于opencv的边缘检测方法
介绍6种基于opencv的边缘检测的方法
Kaggle，上传，GPU，下载
Kaggle的基本使用
在pycharm新建项目时配置anaconda环境
在pycharm新建项目时配置anaconda环境的解决办法
10个最频繁用于解释机器学习模型的 Python 库
XAI，Explainable AI是指可以为人工智能（AI）决策过程和预测提供清晰易懂的解释的系统或策略。XAI 的目标是为他们的行为和决策提供有意义的解释，这有助于增加信任、提供问责制和模型决策的透明度。XAI 不仅限于解释，还以一种使推理更容易为用户提取和解释的方式进行 ML 实验。在实践中，
LDA模型构建与可视化
隐含狄利克雷分布（Latent Dirichlet Allocation，LDA），是一种主题模型（topic model），典型的词袋模型，即它认为一篇文档是由一组词构成的一个集合，词与词之间没有顺序以及先后的关系。一篇文档可以包含多个主题，文档中每一个词都由其中的一个主题生成。它可以将文档集中每
YOLOv5图像分割--SegmentationModel类代码详解
SegmentationModel类DetectionModel类推理阶段DetectionModel--forward()BaseModel--forward() Segment类Detect--forward 定义model将会调用models/yolo.py中的类SegmentationMo
疑问搞懂，python中文词频统计，让你真能学会
* Python中文词频统计知识点 + 分词：需要对中文文本进行分词，分词的目的是将文本分解为独立的词语，便于后续的词频统计。 + 字典：使用字典存储每个词的词频。字典的键为词语，值为词频。 + 遍历：遍历分词后的结果，统计每个词出现的次数。 + 排序：对字典按照词频排序，以得到词频最高的词
要点初见：Stable Diffusion NovelAI模型优质文字Tag汇总与实践【魔咒汇总】
本文聚焦于基于NovelAI模型的二次元图像生成，整理网友们实践过的成套TAG，并在自己的1060 6G上出图验一验效果。
AI画图_stable-diffusion-webui安装使用指南（1）
Stable Diffusion webui本地部署
OpenMV的单颜色识别讲解
OpenMV的单颜色识别示例详解
基于opencv的人脸识别
对于同一层来说，他们提取特征的方式是一样的，第三层的神经元都是用来提取“眼睛”的特征，因此，需要计算的参数是一样的。,w100]，这就是权值共享。容易得出，无论有多少神经网络层，输出都是输入的线性组合，与没有隐层的效果是一样的，这就是最原始的感知机了。在初次尝试进行模型训练时，没有对图片进行细节处理
Python深度学习-第一章、什么是深度学习
深度学习基本概念定义机器学习简史
如何训练一个属于自己的AI模型
同时，您需要对领域有较强的了解，对数据有很好的理解，并了解您使用的深度学习框架。学习使用机器学习和深度学习框架，如 TensorFlow、PyTorch、scikit-learn等，来构建和训练模型。使用深度学习平台：可以使用深度学习平台如 TensorFlow，PyTorch等，进而提高模型构建和
OpenCV基础操作_视频读取
本文介绍了利用OpenCV来读取视频文件和IPC设备，给出示例。并分享了一些在项目中，遇到的摄像头延时的分析和处理心得，供大家参考。
【亲测可用】BEV Fusion (MIT) 环境配置
BEV Fusion踩坑血泪记录
