- 目录 摘要 训练 制作数据集 下载代码和权重文件 增加Mish函数 准备训练 测试 摘要 YOLOv4-large是专为云端GPU而设计的一种架构，主要目的在于获得更好的目标检测精度。作者基于前述分析设计了一个全尺寸的YOLOv4-P5并扩展得到了YOLOv4-P6和YOLOv4-P7。其对应的网络结构示意图见下... 目录 摘要 训练 制作数据集 下载代码和权重文件 增加Mish函数 准备训练 测试 摘要 YOLOv4-large是专为云端GPU而设计的一种架构，主要目的在于获得更好的目标检测精度。作者基于前述分析设计了一个全尺寸的YOLOv4-P5并扩展得到了YOLOv4-P6和YOLOv4-P7。其对应的网络结构示意图见下...
- 在这篇文章中，我们将从LSTM和GRU背后的直觉开始。然后我（Michael）将解释使LSTM和GRU表现良好的内部机制。如果你想了解这两个网络背后的机制，那么这篇文章就是为你准备的。 短期记忆 RN... 在这篇文章中，我们将从LSTM和GRU背后的直觉开始。然后我（Michael）将解释使LSTM和GRU表现良好的内部机制。如果你想了解这两个网络背后的机制，那么这篇文章就是为你准备的。 短期记忆 RN...
- segmentation_models_pytorch是一个基于PyTorch的图像分割神经网络 这个新集合由俄罗斯的程序员小哥Pavel Yakubovskiy一手打造。 github地址：https://github.com/qubvel/segmentation_models.pytorch 该库的主要功能是： ... segmentation_models_pytorch是一个基于PyTorch的图像分割神经网络 这个新集合由俄罗斯的程序员小哥Pavel Yakubovskiy一手打造。 github地址：https://github.com/qubvel/segmentation_models.pytorch 该库的主要功能是： ...
- 北京大学视觉与听觉信息处理实验室 北京邮电大学模式识别与智能系统学科 复旦大学智能信息处理开放实验室 IEEE Computer Society北京映象站点 计算机科学论坛 机器人足球赛 模式识别国家重点实验室 南京航空航天大学模式识别与神经计算实验室 - PARNEC 南京大学机器学习与数据挖掘研究所 - LAMDA 南京大学人工智能... 北京大学视觉与听觉信息处理实验室 北京邮电大学模式识别与智能系统学科 复旦大学智能信息处理开放实验室 IEEE Computer Society北京映象站点 计算机科学论坛 机器人足球赛 模式识别国家重点实验室 南京航空航天大学模式识别与神经计算实验室 - PARNEC 南京大学机器学习与数据挖掘研究所 - LAMDA 南京大学人工智能...
- 目录 摘要 新建项目 导入所需要的库 设置全局参数 图像预处理 读取数据 设置模型 设置训练和验证 验证 完整代码： 摘要 这几天学习了EfficientNetV2，对论文做了翻译，并复现了论文的代码。 论文翻译：【图像分类】 EfficientNetV2：更快、更小、更强——论文翻译_AI浩-CSDN博客 ... 目录 摘要 新建项目 导入所需要的库 设置全局参数 图像预处理 读取数据 设置模型 设置训练和验证 验证 完整代码： 摘要 这几天学习了EfficientNetV2，对论文做了翻译，并复现了论文的代码。 论文翻译：【图像分类】 EfficientNetV2：更快、更小、更强——论文翻译_AI浩-CSDN博客 ...
- 目录 摘要 导入项目使用的库 设置全局参数 图像预处理 读取数据 设置模型 设置训练和验证 验证 完整代码： 摘要 ResNet（Residual Neural Network）由微软研究院的Kaiming He等四名华人提出，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSV... 目录 摘要 导入项目使用的库 设置全局参数 图像预处理 读取数据 设置模型 设置训练和验证 验证 完整代码： 摘要 ResNet（Residual Neural Network）由微软研究院的Kaiming He等四名华人提出，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSV...
- 目录 摘要 导入项目使用的库 设置全局参数 图像预处理 读取数据 设置模型 设置训练和验证 测试 完整代码 摘要 我在前面的文章已经写了很多模型的实战，这是实战的最后一篇了。我没有加入可视化，也没有对代码做过多的装饰，只希望用最简单的方式让大家知道分类模型是怎样实现的。... 目录 摘要 导入项目使用的库 设置全局参数 图像预处理 读取数据 设置模型 设置训练和验证 测试 完整代码 摘要 我在前面的文章已经写了很多模型的实战，这是实战的最后一篇了。我没有加入可视化，也没有对代码做过多的装饰，只希望用最简单的方式让大家知道分类模型是怎样实现的。...
- 1.1 KNN概述 K最近邻（k-Nearest Neighbor，KNN）分类算法是最简单的机器学习算法。 KNN算法的指导思想是“近朱者赤，近墨者黑”，由你的邻居来推断你的类型。 本质上，KNN算法就是用距离来衡量样本之间的相似度。 1.2 算法图示 从训练集中找到和新数据最接近的k条记录，然后根据多数类来决... 1.1 KNN概述 K最近邻（k-Nearest Neighbor，KNN）分类算法是最简单的机器学习算法。 KNN算法的指导思想是“近朱者赤，近墨者黑”，由你的邻居来推断你的类型。 本质上，KNN算法就是用距离来衡量样本之间的相似度。 1.2 算法图示 从训练集中找到和新数据最接近的k条记录，然后根据多数类来决...
- 文章来源于3D视觉开发者社区 ，作者王浩 1、简介 目前，目标检测领域中主流的两大类方法。 第一大类是 从非Deep时代就被广泛应用的dense detector ，例如DPM，YOLO，Retin... 文章来源于3D视觉开发者社区 ，作者王浩 1、简介 目前，目标检测领域中主流的两大类方法。 第一大类是 从非Deep时代就被广泛应用的dense detector ，例如DPM，YOLO，Retin...
- 赛题：全球人工智能技术创新大赛赛道一: 医学影像报告异常检测 赛题背景 影像科医生在工作时会观察医学影像（如CT、核磁共振影像），并对其作出描述，这些描述中包含了大量医学信息，对医疗AI具有重要意义。本任务需要参赛队伍根据医生对CT的影像描述文本数据，判断身体若干目标区域是否有异常以及异常的类型。初赛阶段仅需判断各区域是否有异常，复... 赛题：全球人工智能技术创新大赛赛道一: 医学影像报告异常检测 赛题背景 影像科医生在工作时会观察医学影像（如CT、核磁共振影像），并对其作出描述，这些描述中包含了大量医学信息，对医疗AI具有重要意义。本任务需要参赛队伍根据医生对CT的影像描述文本数据，判断身体若干目标区域是否有异常以及异常的类型。初赛阶段仅需判断各区域是否有异常，复...
- 摘要 在头条上有很多人做股市的分析，分析每天大盘的涨跌，我观察了几位，预测的都不理想，我一直想着用AI去预测大盘的涨跌。股市数据是个时间序列数据，用RNN再合适不过了，今天我用GRU手把手教大家实现这一... 摘要 在头条上有很多人做股市的分析，分析每天大盘的涨跌，我观察了几位，预测的都不理想，我一直想着用AI去预测大盘的涨跌。股市数据是个时间序列数据，用RNN再合适不过了，今天我用GRU手把手教大家实现这一...
- 一直使用fate上传数据，但是不知道数据存放的位置，今天找到了，做个记录： 路径是：/data/projects/fate/eggroll/data/LMDB，这里面包含了上传的数据和训练时输出的数据。点... 一直使用fate上传数据，但是不知道数据存放的位置，今天找到了，做个记录： 路径是：/data/projects/fate/eggroll/data/LMDB，这里面包含了上传的数据和训练时输出的数据。点...
- 目录 一、什么是one-hot编码？ 二、为什么要用onehot 三、什么情况下使用onehot 四、使用举例： 一、什么是one-hot编码？ One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。 One-Hot编码是分类变量作... 目录 一、什么是one-hot编码？ 二、为什么要用onehot 三、什么情况下使用onehot 四、使用举例： 一、什么是one-hot编码？ One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。 One-Hot编码是分类变量作...
- 深度学习和 Python 开始 摘要 使用 Keras 训练您的第一个简单神经网络不需要很多代码，但我们将开始缓慢，一步一步地进行，确保您了解如何在自己的自定义数据集中培训网络的过程。 我们今天将涵... 深度学习和 Python 开始 摘要 使用 Keras 训练您的第一个简单神经网络不需要很多代码，但我们将开始缓慢，一步一步地进行，确保您了解如何在自己的自定义数据集中培训网络的过程。 我们今天将涵...
- 目录 摘要 训练 下载代码 下载权重文件 制作数据集 安装运行需要的包 修改类别 修改配置文件cfg.py 修改models.py 修改train.py文件 测试 摘要 YOLOV4在coco上面达到了43.5%AP ，在Tesla V100 上达到了65FP... 目录 摘要 训练 下载代码 下载权重文件 制作数据集 安装运行需要的包 修改类别 修改配置文件cfg.py 修改models.py 修改train.py文件 测试 摘要 YOLOV4在coco上面达到了43.5%AP ，在Tesla V100 上达到了65FP...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签