深度学习之YOLOv5实践应用（3-1）人头检测模型
参考：基于yolov5训练人头检测模型 - 知乎一、数据集下载地址：链接：四、模型训练1. 数据集目录配置在data文件夹下创建head.yaml，此文件设置类别数量，类别名称以及数据集的路径。内容如下图所示：head.yaml2. 预训练模型从 yolov5 github 源码地址下载预训练 y
YOLOv5量化调优
YOLOv5量化调优经验
【ChatGPT】AI 2.0 时代：拥抱先进的生产力
未来50年将是一个充满机遇和挑战的时代，我们需要不断学习和创新，积极投资和参与，与时俱进，抢占自己的生态位，成为新时代的领军人才和创新者。
【手撕Transformer】Transformer输入输出细节以及代码实现（pytorch）
文章目录举例讲解transformer的输入输出细节encoderpaddingPadding MaskPositional EmbeddingattentionFeedForwardadd/Normencoder输入输出decoderSequence Mask测试Transformer pyto
基于Vision Transformer的图像去雾算法研究与实现(附源码)
基于Vision Transformer的图像去雾算法研究与实现
人工智能大模型多场景应用原理解析
生成式人工智能是一种基于深度学习的AI技术，其通过学习海量数据中的规律和模式，能够生成新的数据、图像、语言等内容。这种技术在各个行业的应用都能够带来巨大的商业价值作为一个普通人我们应该如何把握住这次技术变革的浪潮呢？
GitHub推出 “AI程序员” 代码补全利器 [Copilot ] VS Code 和Idea都可以使用
GitHub Copilot 是在数十亿行公共代码上训练的，由 OpenAI 开发的全新 AI 系统 OpenAI Codex 提供支持。可以在 VS Code，Idea编辑器中自动完成代码片段。相比于市面上一些编程辅助工具，Copilot 的上下文理解能力要强大得多。无论是在文档字符串、注释、函数
时间序列模型SCINet模型（自定义项目）
时间序列模型SCINet模型如何自定义项目，并在kaggle上使用，以及如何进行参数调节
TransFuse跑自己的数据集
基于Transformer的语义分割
学习率设置
本篇主要学习神经网络超参数学习率的设置，包括人工调整和策略调整学习率。在模型优化中，常用到的几种学习率衰减方法有：分段常数衰减、多项式衰减、指数衰减、自然指数衰减、余弦衰减、线性余弦衰减、噪声线性余弦衰减。......
最新CUDA环境配置(Win10 + CUDA 11.6 + VS2019)
本文介绍如何在win10系统中搭建CUDA + VS2019的开发环境CUDA是目前做人工智能, 深度学习等方向的必备工具库. 由CUDA衍生出的加速工具很多, 如: cuDNN, TensorRT, cuBLAS等HPC加速库, 或者涉及最新的元宇宙概念中的Omniverse等.
MAE：视觉自监督2021（原理+代码）
MAE论文「Masked Autoencoders Are Scalable Vision Learners」证明了 masked autoencoders（MAE） 是一种可扩展的计算机视觉自监督学习方法。遮住95%的像素后，仍能还原出物体的轮廓，效果如图：本文提出了一种掩膜自编码器 (MAE)架
详解机器人标定
这里是机器人在取料之前，先把自己的角度补正到与 物料当前角度一致，到(X’,Y’)位置处，然后移动 CDx,Cdy，与物料位置也重合，然后去取料。可以使用实物标定，机器人抓住工件摆放9个位置，得到9个机械坐标，相机也得到9个像素坐标，（机器人每次需要回到固定位置拍照），然后标定。(X0,Y0)为旋转
【OpenCV】红绿灯识别 轮廓识别 C++ OpenCV 案例实现
本文以实现行车过程当中的红绿灯识别为目标，核心的内容包括：OpenCV轮廓识别原理以及OpenCV红绿灯识别的实现具体步骤
语义分割系列25-BiSeNetV2（pytorch实现）
本文介绍了BiSeNetV2的论文思路和模型结构，给出了BiSeNetv2的模型代码实现，在Camvid数据集上进行测试，所有代码都基于pytorch框架。
机器学习线性回归——实验报告
机器学习实验报告3：线性回归
用PyTorch构建基于卷积神经网络的手写数字识别模型
MINST数据库是机器学习领域非常经典的一个数据集，其由Yann提供的手写数字数据集构成，包含了0-9共10类手写数字图片，每张图片都做了尺寸归一化，都是28x28大小的灰度图。每张图片中像素值大小在0-255之间，其中0是黑色背景，255是白色前景。
人工智能的发展史
人工智能经过 60 多年的发展已取得了重大进展，但总体上还处于初级阶段；它既具有巨大的理论与技术创新空间，也具有广阔的应用前景；中国目前已经处列全球人工智能开发第一梯队，假以时日定能在这一领域独领风骚！......
【数据挖掘实战】——基于水色图像的水质评价(LM神经网络和决策树)
背景和挖掘目标1、问题背景从事渔业生产有经验的从业者可通过观察水色变化调控水质，用来维持养殖水体生态系统中浮游植物、微生物类、浮游动物等合理的动态平衡。由于这些多是通过经验和肉眼观察进行判断，存在主观性引起的观察性偏倚，使观察结果的可比性、可重复性降低，不易推广应用。当前，数字图像处理技术为计算机监
基于Pytorch的可视化工具
通过文本输出myConvNet网络的网络结构得到上面的输出结果，但这并不容易让读者理解在网络中层与层之间的连接方式，所以需要将PyTorch搭建的深度学习网络进行可视化，通过图像来帮助读者理解网络层与层之间的连接方式。而网络训练过程的可视化，通常用于监督网络的训练过程或呈现网络的训练效果。当使用Py
