选择最佳机器学习模型的10步指南
机器学习可以用来解决广泛的问题。但是有很多多不同的模型可以选择，要知道哪一个适合是一个非常麻烦的事情。本文的总结将帮助你选择最适合需求的机器学习模型。
ChatGPT持续“狂飙“,有这么人工智能吗？
ChatGPT持续"狂飙",有这么人工智能吗？
yolov5增加iou loss，无痛涨点trick
如果需要应用对应的IoU loss的变体，即可将Focal设置为True，并将对应的IoU也设置为True，如CIoU=True，Focal=True时为Focal-CIoU，此时可以调整gamma，默认设置为0.5。本文将在yolov5的基础上增加SIoU，EIoU，Focal-XIoU（X为C,
ChatGPT：“抢走你工作的不会是 AI ，而是先掌握 AI 能力的人”
ChatGPT："抢走你工作的不会是 AI ，而是先掌握 AI 能力的人"
机器学习--数据清理、数据变换、特征工程
看看数据长什么样子，找其他的规则，从数据中提起有弱噪音的标号，也是可以用来训练模型的】没有的话就去收集数据【发掘在哪里找数据；生成自己需要的数据；3、数据预处理：看看数据长什么样子；通常来说数据是有很多噪音的，要对数据清洗；将数据变成我们需要的格式；数据质量：数据的多样性：产品所关心的方方面面都要考
YOLOV7改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU
在YoloV7中添加EIoU,SIoU,AlphaIoU,FocalEIoU的保姆级教程。一看就会！
Paddle入门实战系列（四）：中文场景文字识别
本项目为基于PaddleOCR的中文场景文字识别，项目主要以CRNN网络为基础框架，结合数据增强及模型微调，采用ResNet34和MobileNetV3模型作为骨干网络，进行训练及预测。以准确度为评价指标，最终生成的预测文件为work中的result.txt文件。本比赛提供的数据训练集（train_
YOLOv8 深度详解！一文看懂，快速上手
本文详细分析和总结了最新的 YOLOv8 算法，从整体设计到模型结构、Loss 计算、训练数据增强、训练策略和推理过程进行了详细的说明，并提供了大量的示意图供大家方便理解。
导数与微分总复习——“高等数学”
导数与微分噢
Wise-IoU 作者导读：基于动态非单调聚焦机制的边界框损失
目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地
YOLO-V4经典物体检测算法介绍
YOLO-V4经典物体检测算法介绍
Tensorflow-gpu安装教程（详细）！！！
在安装过程中呢，最重要的莫过于tensorflow，python及其依赖项的版本对应了，如果安装了版本不对应的cuda或者cudnn，可能会导致一系列的问题而最终不能正常地调用设备的GPU进行工作了。所以我们在安装的时候必须时刻注意它们之间的版本对应关系，如果说在安装过程中出现了与之前安装的tens
PyTorch 并行训练 DistributedDataParallel完整代码示例
使用大型数据集训练大型深度神经网络 (DNN) 的问题是深度学习领域的主要挑战。在本文中我们将演示使用 PyTorch 的数据并行性和模型并行性。
关于 ChatGPT 必看的 10 篇论文
2022年11月，OpenAI推出人工智能聊天原型ChatGPT，再次赚足眼球，为AI界引发了类似AIGC让艺术家失业的大讨论。ChatGPT 是一种专注于对话生成的语言模型。它能够根据用户的文本输入，产生相应的智能回答。这个回答可以是简短的词语，也可以是长篇大论。其中 GPT 是 Generati
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，超实用
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，套用简单
Transformer与看图说话
Transformer与看图说话
YOLO_V8训练自己的数据集
YOLO_V8训练自己的数据集
计算机视觉框架OpenMMLab开源学习（六）：语义分割基础
本系列第六篇文章主要介绍语义分割知识，了解计算机视觉框架OpenMMLab的MMSegmentation工具基本原理及使用，为后续语义分割实战做铺垫。
YOLOv5-7.0实例分割训练自己的数据，切分mask图并摆正
1、YOLOv5-7.0实例分割训练自己的数据2、取出分割的mask图并旋转摆正
23年 yolov5车辆识别+行人识别+车牌识别+车速检测代码（python）
行人识别yolov5和v7对比yolo车距yolo车距1。
