【K210】K210学习笔记六——MaixHub在线模型训练识别数字
本文着重于如何使用MaixHub平台，在线训练模型，识别数字。MaixHub平台在近期升级了，以前只能将数据包上传训练，现在可以直接将图片上传到MaixHub平台，使用MaixHub平台打标签，然后训练模型，并且可以在MaixHub上看到识别的精准度等信息。......
VoxelNet点云检测详解
1、前言 精确的点云检测在很多三维场景的应用中都是十分重要的一环，比如家用机机器人、无人驾驶汽车等场景。然而高效且准确的点云检测在pointnet网络提出之前，一直没能取得很好的进展，因为传统的手工点云特征提取没有很好的泛化性能。所以VoxelNet是一个端到端的点云检测模型。直接使用深度学习
关于Pytorch中的train()和eval()（以及no_grad()）
这三个函数实际上很常见，先来简单看下使用方法train()是nn.Module的方法，也就是你定义了一个网络model，那么表示将该model设置为训练模式，一般在开始新epoch训练时，我们会首先执行该命令：同train()一样，其用法和含义也一样，eval()是nn.Module的方法，也就是你
如何搭建深度学习环境及复现GitHub代码
在终端进行训练的话没法看到代码的细节，因此我们可以在pycharm中进行。conda activate name-of-env（接下来运行的内容就是基于这个环境的）在base这个土壤上搭建环境（不同的小房子），因为不同的代码运行需要不同的环境才能运行。在训练自己的网络时，只需要改变datasets中
LSTM实现多变量输入多步预测(Seq2Seq多步预测)时间序列预测(PyTorch版)
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一
【FMCW雷达人体行为识别——多普勒谱提取】
主要内容为英国格拉斯哥大学公开的一个人体行为的数据集。结合示例代码进行了分析，最终构建图片数据集用于后续的识别分类。解决了伪彩图保存时遇到的白边、尺寸变化的问题，同时通过批处理的方式加快了效率。............
BLIP2-图像文本预训练论文解读
BLIP-2，基于现有的图像编码器预训练模型，大规模语言模型进行预训练视觉语言模型；BLIP-2通过轻量级两阶段预训练模型Querying Transformer缩小模态之间gap，第一阶段从冻结图像编码器学习视觉语言表征，第二阶段基于冻结语言模型，进行视觉到语言生成学习；BLIP-2在各种视觉-语
GRU时间序列数据分类预测
GRU实现
使用GRU进行天气变化的时间序列预测
一个天气时间序列数据集，它由德国耶拿的马克思 • 普朗克生物地球化学研究所的气象站记录。在这个数据集中，每 10 分钟记录 14 个不同的量（比如气温、气压、湿度、风向等），其中包含2009-2016多年的记录。数据集下载地址GRU（Gate Recurrent Unit）是循环神经网络（Recur
zero-shot, one-shot和few-shot
zero-shot, one-shot和few-shot
BartModel 源码解析
BartModel的代码真的有太多的坑了
基于PyTorch实现图像去模糊任务详细教程代码+数据
基于PyTorch实现图像去模糊任务详细教程代码+数据
改进YOLOv5系列：9.BoTNet Transformer结构的修改
目标检测小白科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
翻译: 详细图解Transformer多头自注意力机制 Attention Is All You Need
它们是用于计算和思考注意力的抽象概念。一旦你继续阅读下面的注意力是如何计算的，你就会知道几乎所有你需要知道的关于每个向量所扮演的角色。计算self-attention的第二步是计算一个分数。假设我们正在计算本例中第一个单词“Thinking”的自注意力。我们需要根据这个词对输入句子的每个词进行评分。
【代码解读】超详细，YOLOV5之build_targets函数解读。
超详细，yolov5之build_targets函数解读
yolov7损失函数源码解析（一句一句解析，）
自己做的笔记而已，仅供参考。
通过公式和源码解析 DETR 中的损失函数 & 匈牙利算法（二分图匹配）
DETR在单次通过解码器时推断一个固定大小的有N个预测的集合，其中N被设置为显著大于图像中典型的物体数量。所有真实框中的每一个框和所有预测框进行匹配，损失值最小的预测框为该真实框的最佳匹配框，当所有真实框遍历完毕后，得到所有唯一匹配的框。完成最优分配，假设有六位老师和六种课程，通过匈牙利算法进行匹配
知识蒸馏算法和代码（Pytorch）笔记分享，一个必须要了解的算法
知识蒸馏算法和代码（Pytorch）笔记分享，一个必须要了解的算法
DC-UNet：重新思考UNet架构和双通道高效CNN医学图像
DC-UNet
