- 博客(20)
- 收藏
- 关注
RSS订阅
原创 [yolo11微调项目实战]基于VisDrone-DET的YOLO11 + CBAM + Transformer + ViT + MobileViT + TensorRT 一站式教程（含算力租赁）
本教程将带领大家完成一个基于 VisDrone-DET 数据集的 YOLO11 完整项目实战，涵盖从环境搭建、模型训练、Transformer 集成到最终利用 TensorRT 加速的全流程。考虑到训练对算力的较高要求，还会介绍算力租赁的相关操作，即使是硬件配置有限的同学也能顺利完成项目。
2025-08-06 08:54:01
1512
1
原创 简单手写Transformer：原理与代码详解
本文详细介绍了从零开始实现Transformer模型的完整过程。首先阐述了Transformer的核心架构，包括编码器、解码器及其关键组件：自注意力机制、多头注意力、位置编码和前馈网络。随后通过代码演示了数据处理、位置编码、掩码机制等模块的具体实现，并构建了编码器和解码器层。文章还提供了模型训练和预测的完整流程，使用交叉熵损失和SGD优化器进行训练，采用贪婪解码算法生成目标序列。整个过程涵盖了Transformer从理论到实践的完整实现，为理解这一重要的NLP模型提供了清晰的代码示例。
2025-08-07 20:22:08
793
原创 [yolo实战]YOLOv5模型训练：口罩检测模型训练与部署全流程
本文详细介绍了基于YOLOv5框架搭建口罩检测模型的完整流程。首先通过Anaconda创建虚拟环境并配置GPU加速的PyTorch环境。然后对YOLOv5模型进行针对性优化，包括调整锚框尺寸以适配小目标检测。文中提供了完整的训练脚本和推理脚本，包含详细的参数说明和异常处理机制。该方案支持识别"戴口罩"、"错误戴口罩"和"不戴口罩"三种状态，训练过程采用100个epoch，最终模型可实现实时检测。整套代码经过优化，适合初学者学习参考，文末还展示了实际
2025-07-31 11:55:18
1537
原创 【数据标注】详解使用 Labelimg 进行数据标注的 Conda 环境搭建与操作流程
本文介绍了使用Conda为LabelImg创建独立环境的完整流程。首先解释了独立环境能避免依赖冲突的优势，然后详细演示了从检查Conda安装、创建Python3.9环境到安装LabelImg的具体步骤。最后提供了LabelImg的基本使用教程，包括启动方法、标注操作快捷键以及PascalVOC/YOLO格式转换说明。通过这套标准化流程，开发者可以快速搭建稳定的图像标注环境，为计算机视觉项目做好准备。
2025-07-28 20:28:32
1124
原创 【语言模型训练】基于 LSTM 的古诗生成模型：从原理到实现
本项目实现了一个基于LSTM的古诗自动生成模型。通过构建字符级别的映射表，将古诗文本转换为模型可处理的数字形式。模型采用两层LSTM网络结构，能有效捕捉古诗的语言模式和韵律特征。训练过程中使用Adam优化器和学习率调度器优化模型参数。生成阶段通过温度参数控制随机性，采用Top-K采样策略提高生成质量。最终模型能够根据起始词语生成符合古诗风格的诗句，并支持调整生成结果的随机性和长度。项目完整实现了从数据处理、模型训练到古诗生成的全流程，提供了完整的Python源码，可直接运行测试。
2025-07-25 15:52:25
1523
原创 [语言模型训练]基于 PyTorch 的双向 LSTM 文本分类器实现：基于旅店的评论分类语言模型
本文介绍了使用PyTorch实现基于双向LSTM的酒店评论情感分类模型。从数据预处理（中文分词、停用词过滤、文本向量化）到模型构建（双向LSTM+池化层），详细说明了每个步骤的实现方法。模型采用交叉熵损失函数，加入学习率调度和早停机制优化训练过程。代码包含完整的训练、评估和预测流程，自动处理目录创建和数据检查，可直接运行。最终模型能对酒店评论进行正面/负面二分类，测试准确率可达较高水平。文中还提供了数据集格式示例和生成方法，方便读者快速复现实验。
2025-07-24 20:13:05
757
原创 【混淆矩阵】PyTorch 实现 MNIST 模型混淆矩阵生成:从代码到可视化全流程
本文详细介绍了使用PyTorch和MNIST数据集生成混淆矩阵的完整流程。首先定义了一个简化版LeNet网络模型，通过验证集推理获取预测结果和真实标签；然后利用sklearn.metrics计算混淆矩阵，并通过matplotlib进行可视化展示。文章提供了可直接运行的完整代码，包括模型加载、数据预处理、结果收集和可视化等步骤。混淆矩阵能有效识别模型在数字识别中的易混淆类别（如6和9），帮助定位模型弱点并指导优化方向。该方法适用于各类分类任务，为模型性能评估提供了直观可靠的工具。
2025-07-21 19:33:21
662
原创 【计算机视觉模型训练】基于 SE 注意力机制的 GoogleNet模型训练【识别蝴蝶数据集】【6500张图片75分类】
本文提出一种融合SE注意力机制的改进GoogleNet模型，用于蝴蝶种类识别任务。该模型结合GoogleNet的多尺度特征提取能力和SE通道注意力机制，通过SE模块动态学习特征通道权重，增强关键特征抑制噪声。具体实现包括：1)构建SEBlock模块，通过全局平均池化和全连接层学习通道权重；2)将SE机制嵌入Inception模块，形成多分支并行结构；3)采用迁移学习策略初始化模型权重，冻结底层参数提升训练效率。实验结果表明，该模型在蝴蝶分类任务中表现优异，准确率显著提升。文章提供了完整代码实现，涵盖数据加载
2025-07-21 15:42:07
1410
原创 [释放磁盘空间利器]SpaceSniffer 的下载与使用![2025年7月][清理c盘]
SpaceSniffer是一款免费的磁盘空间分析工具，通过可视化界面直观展示文件占用情况（方块大小与占用空间成正比），帮助用户快速定位大文件和文件夹。支持按文件类型、大小筛选，适合磁盘清理和管理。下载步骤：访问官网→点击下载→解压到指定文件夹→运行程序选择磁盘即可查看空间使用情况。操作简单，能有效解决磁盘空间不足问题。
2025-07-17 19:58:43
694
原创 【模型转换】PyTorch 模型转 ONNX 并部署推理全流程[以数字识别模型为例]
本文介绍了将PyTorch模型转换为ONNX格式的完整流程。以LeNet-5结构的MNIST手写数字识别模型为例，详细说明了模型定义、格式转换和推理验证三个关键步骤。重点讲解了如何使用torch.onnx.export进行模型转换，包括输入示例设置、动态维度配置等注意事项，并演示了通过ONNXRuntime进行推理验证的方法。该转换过程使模型能够在不同深度学习框架和平台间实现互操作，为模型部署提供了便利。文章还提供了完整的Python实现代码和相关环境配置说明。
2025-07-17 16:28:07
704
原创 [TensorBoard]PyTorch 中 TensorBoard 的全方位使用指南：从入门到实战（附完整 MNIST 代码案例）
本文介绍了TensorBoard可视化工具在PyTorch框架下的应用，通过MNIST数字识别案例演示了其核心功能。主要内容包括：1）通过SummaryWriter记录训练日志；2）使用add_graph可视化模型结构；3）利用add_image展示训练样本；4）通过add_scalars跟踪损失和准确率等指标。文章提供了完整的可运行代码，包含数据预处理、模型训练、验证和测试流程，并自动创建项目目录结构。案例展示了如何利用TensorBoard监控训练过程、分析模型性能，帮助开发者更直观地理解模型行为和数据
2025-07-16 16:26:14
889
原创 [模型训练]基于 PyTorch 实现 MNIST 手写数字识别（附完整代码与详解）
摘要：本文基于PyTorch框架实现了一个类似LeNet-5的卷积神经网络(CNN)用于MNIST手写数字识别任务。模型采用"卷积层+池化层+全连接层"结构，包含两个卷积块(5x5卷积核)和三个全连接层。训练过程使用Adam优化器和交叉熵损失函数，10轮训练后准确率达98%以上。测试阶段通过预处理(灰度转换、尺寸调整和背景反转)确保输入数据与训练分布一致，并关闭梯度计算加速推理。代码自动下载MNIST数据集并创建目录，包含完整的训练、测试流程和模型保存功能，适合深度学习初学者实践参考。
2025-07-15 17:17:49
1439
1
原创 [模型训练]PyTorch CNN实例训练
本文基于PyTorch框架实现了一个轻量级CNN模型AppleNet，用于青苹果和红苹果的二分类任务。模型采用两层卷积+两层全连接结构，包含数据增强、训练评估全流程。通过ImageFolder加载数据，使用交叉熵损失和Adam优化器进行训练，并实现学习率动态调整。测试结果显示模型能有效区分两类苹果，代码完整展示了从数据处理到模型部署的深度学习流程，适合入门者学习参考。项目涵盖GPU内存优化、模型保存等实用技巧，参数仅约61万，具有轻量化特点。
2025-07-14 17:29:18
466
原创 [深度学习]神经网络权重初始化方法详解：从原理到 PyTorch 实现
本文探讨了深度学习模型训练中的权重初始化方法及其重要性。合适的初始化策略能够加速收敛、提升性能并避免梯度问题。文章介绍了三种主流初始化方法：基础随机初始化（均匀/正态分布）、针对Sigmoid/Tanh的Xavier初始化，以及专为ReLU设计的Kaiming初始化，并提供了PyTorch实现示例。通过对比分析，文中指出应根据网络结构和激活函数类型选择初始化方法：Sigmoid/Tanh适用Xavier，ReLU适用Kaiming。合理的初始化策略是改善模型训练效果和加速收敛的关键步骤。
2025-07-10 18:58:31
575
2
原创 深度学习利用 PyTorch 导入构建图像数据集
本文介绍了PyTorch处理图像数据的两种方法。第一种是自定义数据集类，通过继承Dataset类实现数据的灵活读取与预处理，适合特殊需求场景，但代码量较大。第二种是使用ImageFolder工具，能快速加载按类别分文件夹存放的图像数据，自动处理标签分配，代码简洁但灵活性有限。两种方法各有优势，开发者可根据实际需求选择合适的数据加载方式。文章通过代码示例详细展示了两种方法的实现过程及其适用场景。
2025-07-09 17:22:29
447
原创 深度学习基于PyTorch 实现线性回归：从手动梯度下降到框架 API
本文介绍了使用PyTorch实现线性回归的两种方法。第一种是手动实现梯度下降优化，包括数据准备、参数初始化、训练循环（前向传播、损失计算、反向传播和参数更新）的完整流程。第二种方法利用PyTorch内置API，通过nn.Linear定义模型、nn.MSELoss计算损失、optim.SGD优化参数，简化了实现过程。两种方案都成功拟合了y=2x+1的线性关系，验证了PyTorch在机器学习基础模型实现中的高效性和灵活性。
2025-07-08 19:06:19
513
原创 Android 智能聊天应用开发：基于讯飞星火 API 的实时对话实现
摘要：本文介绍了一个基于讯飞星火API的Android聊天应用实现方案。该应用具备用户输入、AI流式响应、消息区分展示等核心功能，采用WebSocket进行实时交互。系统架构包含消息数据模型(Message)、适配器(MessageAdapter)、主活动(MainActivity)和API交互类(SparkApiHelper)四大模块。关键技术包括：1)流式响应处理实现打字效果；2)HMAC-SHA256签名确保API安全；3)多层错误处理机制。项目采用RecyclerView展示消息，通过差异化布局区分
2025-07-02 19:37:35
1310
原创 纯干货，无废话CUDA、cuDNN、 PyTorch 环境搭建教程
本文详细介绍了深度学习开发环境的配置步骤。首先通过nvidia-smi命令查看显卡支持的CUDA版本并安装对应版本，然后下载匹配的cuDNN。接着安装Anaconda并创建Python环境，最后安装与CUDA版本兼容的PyTorch（如CUDA 12.9对应cu121）。最终通过运行测试代码验证环境是否配置成功，检查PyTorch版本、CUDA可用性及cuDNN版本是否正确。该指南帮助开发者快速搭建完整的深度学习开发环境。
2025-07-02 09:15:18
566
原创 Python 使用 OpenCV 实现图像水印添加
本文介绍了使用Python和OpenCV实现图像水印添加的方法。通过读取logo和背景图像，先将logo转换为灰度并进行二值化处理，生成黑白两种掩码。然后调整掩码尺寸与背景区域匹配，使用按位与操作分别提取logo的白色部分和背景的黑色区域，最后将两者叠加生成水印效果。该方法可以有效保护图像版权，代码展示了完整的图像处理流程，包括图像读取、灰度转换、阈值处理、掩码操作及结果展示等关键步骤。
2025-06-30 20:10:50
394
原创 Python基于 OpenCV 的视频与图片互转实现
本文介绍了使用OpenCV和Python实现视频与帧图片相互转换的技术。视频转帧功能可设定保存间隔，将视频逐帧或按间隔保存为图片；帧图片转视频则可将图片序列合成为视频。文章提供了详细的核心函数定义和使用示例，包括路径参数设置和间隔帧数控制，完整解析了两种转换的实现方法，为计算机视觉和视频处理领域的基础操作提供了实用解决方案。
2025-06-30 19:23:05
219
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人