美食识别————灌汤包、柿子饼

基于华为云ModelArts实现垃圾分类一、项目背景为保护环境和节约资源，国家推出垃圾分类相关政策，但目前人工进行垃圾分类仍存在很多困难，本项目是想利用华为云自动学习来实现垃圾分类。华为云自动学习华为云自动学习是帮助人们实现AI应用的低门槛、高灵活、零代码的定制化模型开发工具。自动学习功能根据标注数据自动设计模型、自动调参、自动训练、自动压缩和部署模型。开发者无需专业的开发基础和编码能力,只需上传数据,通过自动学习界面引导和简单操作即可完成模型训练和部署。运用华为云的自动学习技术针对图像分类的定制开发，可以实现垃圾分类。二、项目步骤1. 开发环境准备（1）完成华为云账号的注册，并添加凭证密钥后可准备进行下一步的开发（2）创建ModelArts图像分类项目（3）创建OBS桶，并在这个桶中创建输入输出两个文件夹（4）申请数据集资源2. 数据标注（1）上传上述获取的数据集资源，这个数据集资源中包含两个图片，一个是训练集，一个是测试集（2）训练集当中包含多种垃圾，根据不同垃圾类型对图片完成标注，如“一次性快餐盒-其他垃圾”，“易拉罐-可回收物”等（3）完成标注后即可开始自动训练（4）自动训练完成后可部署得到一个在线服务，上传测试训练集，点击预测进行预测（5）完成实验项目之后删除自动学习项目和OBS在线资源即可

如何将H264的视频进行实施图像识别

基于华为云ModelArts实现垃圾分类小项目项目目标基于ModelArts实现一个简单的垃圾分类项目, 该项目是图像分类下任务子类。ModelArts自动学习是帮助人们实现AI应用的低门槛、高灵活、零代码的定制化模型开发工具。自动学习功能根据标注数据自动设计模型、自动调参、自动训练、自动压缩和部署模型。开发者无需专业的开发基础和编码能力，只需上传数据，通过自动学习界面引导和简单操作即可完成模型训练和部署。数据集准备数据集为华为云AI Gallery上提供的数据集该数据集包含8类生活垃圾图片，分别为：厨余垃圾蛋壳、厨余垃圾水果果皮、可回收物塑料玩具、可回收物纸板箱、其他垃圾烟蒂、其他垃圾一次性餐盒、有害垃圾干电池、有害垃圾过期药物，每类图片100张数据集下载参考链接: 下载链接项目流程创建项目进入ModelArts以后点击创建项目 选择创建图像分类项目 数据标注通过ModelArts可对图片进行一键式批量添加标签，快速完成对图片的标注操作，也可以对已标注图片修改或删除标签进行重新标注 标注完毕之后。点击开始训练。则进入训练阶段模型训练点击下一步进入训练界面。点击提交 部署上线所谓部署上线，就是预测我们的模型。上一步把训练好的模型，进行预测 部署完毕之后，点击上传图片，点击预测。右侧是预测的结果 项目总结总的来说, 华为云ModelArts训练出来的垃圾分类模型是很棒的，六个字总结就是: 高效，快捷，省心

曾拿过这类比赛奖项，做过硬件Ascend一些项目，能够结合起来，来的加

这个训练一直报错，说什么调整输入输出函数

类似于对于输入的文本内容进行敏感词审核，想知道华为的敏感词库是怎么维护的？都有哪些敏感词，是不是会自学习？ 另外是否可以对这个词库进行扩充？

Hi3519DV500内置双核A55，提供高效、丰富和灵活的CPU资源，以满足客户计算和控制需求。 Hi3519DV500集成了高效的神经网络推理引擎，最高2.5Tops NN算力，支持业界主流的神经网络框架。神经网络支持完整的 API 和工具链，易于客户开发，升级 IVE 算子，支持特征点检测、周界、光流及多种计算机形态学算子；升级 DPU 算法实现双目深度图加速单元，最大分辨率 2048 x 2048，最大视差 224，处理性能 720p@30fps。Hi3519DV500芯片搭载了高性能的ISP引擎和处理器，能够实时处理高清、超高清甚至4K级别的图像数据。它支持多种图像处理算法和技术，如自动白平衡、自动曝光、降噪、边缘增强等，可以实现图像的清晰度、色彩还原度和对比度的优化。Hi3519DV500芯片采用了高度集成的设计，将多个核心组件融合在一起，减少了电路板的复杂度和体积。同时，芯片还采用了低功耗设计，在保证性能的同时，降低了能耗和发热量。这使得Hi3519DV500芯片适用于多种嵌入式图像处理应用等；

ROMA的入参大小限制是多少，可以改大一些吗

根据https://gitee.com/ascend/modelzoo-GPL/tree/master/built-in/ACL_Pytorch/Yolov8_for_PyTorch转yolov8s模型模型转换成功，样例demo跑不通。demo见附件诉求：能改模型结构或者与之相对应的后处理代码有吗。

算法使用市场订阅的算法:物体检测-FasterRCNN_ResNet50，数据标注已完成，在训练作业时报错。

{    "result": {        "tags": [            {                "confidence": "97.16",                "i18n_tag": {                    "en": "Rabbit",                    "zh": "兔"                },                "i18n_type": {                    "en": "Animal",                    "zh": "动物"                },                "instances": [],                "tag": "兔",                "type": "动物"            }        ]    }}

/home/ma-user/modelarts/run/utils.sh: line 100: cd: /home/ma-user/modelarts/user-job-dir/train.py: No such file or directory time="2023-08-23T22:29:25+08:00" level=info msg="training_pid: 1398" Component=ShellScripts Platform=ModelArts-Service /home/ma-user/anaconda/bin/python: can't open file '/home/ma-user/modelarts/user-job-dir/train.py/train.py': [Errno 2] No such file or directory time="2023-08-23T22:29:27+08:00" level=info msg="the run_train script is exited with 2" Component=ShellScripts Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="command is exit with 2" file="controller.go:300" Args="[bash -c bash /home/ma-user/modelarts/run/run_train_v2.sh '/home/ma-user/modelarts/user-job-dir/train.py/train.py' '--scale=0.1' '--data_url=/home/ma-user/modelarts/inputs/data_url_0/' '--train_url=/home/ma-user/modelarts/outputs/train_url_0/' '--epoch=10' ]" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service TaskID=worker-0 time="2023-08-23T22:29:27+08:00" level=info msg="run-with-backoff exit with 2" file="controller.go:258" Args="[bash -c bash /home/ma-user/modelarts/run/run_train_v2.sh '/home/ma-user/modelarts/user-job-dir/train.py/train.py' '--scale=0.1' '--data_url=/home/ma-user/modelarts/inputs/data_url_0/' '--train_url=/home/ma-user/modelarts/outputs/train_url_0/' '--epoch=10' ]" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service TaskID=worker-0 time="2023-08-23T22:29:27+08:00" level=info msg="the post-training script(ma-post-end.sh) is not found in the directory where the bootfile is located, skipping execution" file="run_train.go:881" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="post runtime info collection started" file="run_train.go:1024" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="skip collecting nfs_metrics, reason: MA_NFS_MOUNT_VOLUMES env is not found" file="collector.go:142" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="skip collecting ib_stats, reason: not an infiniband job" file="collector.go:142" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="skip collecting mountstats, reason: MA_NFS_MOUNT_VOLUMES env is not found" file="collector.go:142" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="skip collecting ib_abnormal_physical_state, reason: not an infiniband job" file="collector.go:142" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="skip collecting nvlink_status, reason: empty results" file="collector.go:146" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="skip collecting fabric_manager_status, reason: no valid prometheus metrics in response" file="collector.go:142" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="skip collecting node_ssd_usage, reason: no valid prom metrics in response" file="collector.go:142" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:27+08:00" level=info msg="skip collecting node_iowait, reason: no valid prom metrics in response" file="collector.go:142" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:28+08:00" level=info msg="post runtime info collection finished" file="run_train.go:1040" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:29+08:00" level=info msg="report event TrainingExit success" file="event.go:69" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:29+08:00" level=error msg="bootstrap is exiting with exit code 2" file="bootstrap.go:280" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:29+08:00" level=info msg="retCode 2 has been written to the retCode file /home/ma-user/modelarts/retCode" file="bootstrap.go:258" Command=bootstrap/run Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:29+08:00" level=info msg="[sidecar] training is completed" Component=ShellScripts Platform=ModelArts-Service time="2023-08-23T22:29:29+08:00" level=info msg="[sidecar] the reason for the failure of the training job is under analysis" Component=ShellScripts Platform=ModelArts-Service time="2023-08-23T22:29:29+08:00" level=warning msg="the log-preview-size parameter exceeds the limit and will be set to the default value 5242880" file="cli.go:234" Command=analyze Component=ma-training-toolkit Platform=ModelArts-Service time="2023-08-23T22:29:29+08:00" level=info msg="[sidecar] stop toolkit_obs_upload_by_channels_pid = 48 by signal SIGTERM" Component=ShellScripts Platform=ModelArts-Service time="2023-08-23T22:29:30+08:00" level=info msg="the final upload is in progress..." file="upload.go:230" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=train_url time="2023-08-23T22:29:30+08:00" level=info msg="the final upload is in progress..." file="upload.go:230" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=log_url time="2023-08-23T22:29:30+08:00" level=info msg="the final upload is in progress..." file="upload.go:230" Command=obs/upload_by_channels Component=ma-training-toolkit Platform=ModelArts-Service Task=srt_log_collection

AI ISP通过抽取噪声和有效信号的模型，以及大量的数据训练，形成智能AI网络。AI算法能够在光照条件非常差的情况下区分出小信号和噪声，从而进行噪声消除。 基于价值目标进行场景识别自适应多重曝光，对不同曝光时间的长帧、中帧、短帧的图像数据，通过智能算法进行融合，使图像获得暗、亮区域的完美整合，亮处不过曝、暗部细节不丢失。SD3403+2110方案全黑场景测试_最低照度无限接近于0https://www.zhihu.com/zvideo/1669344292786122752

本帖源于AidLux面向众多开发者的AIGC训练营，目的在于实现使用stablediffusion生成图片传输到AidLux端实现目标检测。分享部分传输检测代码及其实现视频如下：视频链接：AIGC与AidLux互联应用—Aidlux端AIGC测评_哔哩哔哩_bilibiliimport socketimport cv2import numpy as npimport timeimport sys ### 本代码主要是客户端代码，aidlux上的Socket_fuwuduan.py是匹配的服务端代码，当服务端代码启动时，由本代码读取一张图片，推送过去 def recvall(sock, count): buf = b'' # buf是一个byte类型 while count: newbuf = sock.recv(count) if not newbuf: return None buf += newbuf count -= len(newbuf) return buf def SendAIGC(): # 建立sock连接 # address要连接的aidlux服务器IP地址和端口号 address = ('192.168.137.116', 9023) try: # 建立socket对象 # socket.AF_INET：服务器之间网络通信 # socket.SOCK_STREAM：流式socket , for TCP sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM) # 开启连接 sock.connect(address) except socket.error as msg: print(msg) sys.exit(1) ###########传送AIGC图片################# ## 如果本地没有GPU if 1: frame = cv2.imread("car.png") # # 压缩参数，后面cv2.imencode将会用到，对于jpeg来说，15代表图像质量，越高代表图像质量越好为 0-100，默认95 encode_param = [int(cv2.IMWRITE_JPEG_QUALITY), 95] # cv2.imencode将图片格式转换(编码)成流数据，赋值到内存缓存中;主要用于图像数据格式的压缩，方便网络传输 # '.jpg'表示将图片按照jpg格式编码。 result, imgencode = cv2.imencode('.jpg', frame, encode_param) # 建立矩阵 data = np.array(imgencode) # 将numpy矩阵转换成字符形式，以便在网络中传输 stringData = data.tostring() # 先发送要发送的数据的长度 # ljust() 方法返回一个原字符串左对齐,并使用空格填充至指定长度的新字符串 sock.send(str.encode(str(len(stringData)).ljust(16))) # 发送数据 sock.send(stringData) ### 如果本地有GPU # if 0: # ### 本地生成AIGC图片 ### # ## 添加AIGC代码 ## # ##################### # frame = cv2.imread("car.png") # # # 压缩参数，后面cv2.imencode将会用到，对于jpeg来说，15代表图像质量，越高代表图像质量越好为 0-100，默认95 # encode_param = [int(cv2.IMWRITE_JPEG_QUALITY), 95] # # cv2.imencode将图片格式转换(编码)成流数据，赋值到内存缓存中;主要用于图像数据格式的压缩，方便网络传输 # # '.jpg'表示将图片按照jpg格式编码。 # result, imgencode = cv2.imencode('.jpg', frame, encode_param) # # 建立矩阵 # data = np.array(imgencode) # # 将numpy矩阵转换成字符形式，以便在网络中传输 # stringData = data.tostring() # # 先发送要发送的数据的长度 # # ljust() 方法返回一个原字符串左对齐,并使用空格填充至指定长度的新字符串 # sock.send(str.encode(str(len(stringData)).ljust(16))) # # 发送数据 # sock.send(stringData) # 读取服务器返回值 receive = sock.recv(1000) receive1 = sock.recv(1000) receive2 = sock.recv(1000) i = 0 if len(receive): print("图片发送成功") print("检测类别及其数目：") print(str(receive, encoding='utf-8'),str(receive1, encoding='utf-8')) # print(str(receive2, encoding='utf-8')) ### 之前接受的帧率数据，现在换成image流数据 sock.close() if __name__ == '__main__': SendAIGC()该部分代码用于传输生成的图片到Aidlux端，并且接受返回的回馈信息。