shinuone的博客

PyQt是Python编程语言的一个GUI（图形用户界面）工具包，它允许开发人员使用Python语言创建桌面应用程序。PyQt是基于Qt库的Python封装，Qt是一个流行的C++框架，用于开发跨平台的应用程序。

主要汇总了深度学习不同领域的实战项目，每个项目都附有详细的算法分析、数据集以及源代码。

Yolo (You Only Look Once) 是目标检测 one-state 的神经网络模型，可以在图像中找出特定物体, 并识别种类和位置。

备注：以下源码均可运行，不同项目涉及的函数均有详细分析说明。

详细介绍Pytorch的数据处理工具箱、神经网络工具箱、Tensor基础、Numpy基础。PyTorch 是一个由 Facebook 团队于 2017 年发布的深度学习框架，是 Torch 框架在 Python 上的衍生。

OpenNMT是一个开源的神经机器翻译框架，支持本地部署和自定义模型训练，适用于科研和工业应用。它提供PyTorch和TensorFlow两种实现版本，支持Transformer、LSTM等模型架构，但不提供预训练模型。与Google Translate等云端工具不同，OpenNMT强调模型的可定制性和离线使用。用户可通过Hugging Face获取MarianMT等预训练模型进行本地翻译，或自行训练模型。该工具适合研究人员和企业用户，需要一定的技术基础配置使用环境。

小波变换是一种重要的图像多尺度分析工具，能够有效分离图像的时频信息。

实战演示了调用预训练YOLOv8n模型进行目标检测的完整代码示例，包含环境配置、模型加载、推理和结果可视化步骤，同时记录了各环节耗时情况。

Microsoft Azure（读作：阿-朱-儿）：是微软推出的全球云计算平台，就像 " 云上的超级电脑工厂 " ，能让你几分钟内在网上创建服务器、网站、数据库、AI 模型等。

大模型后训练技术概述 大语言模型的生命周期分为预训练、后训练及推理部署三个阶段。后训练阶段通过五大范式实现模型优化：1）监督微调（SFT）利用标注数据适应特定任务；2）指令调优使模型理解人类指令；3）RLHF结合人类反馈优化输出；4）领域适配增强专业场景能力；5）参数高效微调（PEFT）通过LoRA等方法降低计算成本。这些技术使模型从通用知识库进化为智能助手，广泛应用于对话、医疗、金融等领域。

计算机视觉（CV）在大模型时代并未失去价值，而是逐步融入"图像+语言+多模态"的AI架构体系。当前市场需要既精通传统图像处理，又掌握大模型融合逻辑的复合型人才。热门方向包括CV工程师、医学影像算法、工业视觉、多模态算法等。

图像熵是一种基于信息论的度量指标，用于评估图像灰度分布的复杂性和信息含量。

图像信噪比（SNR）是评价图像质量的关键指标，衡量有用信号与噪声的相对强度。SNR计算公式为信号能量与噪声能量的对数比值，单位为分贝（dB），值越高表示图像质量越好。

图像质量评价（IQA）是衡量图像在主观感受或客观性能上的量化标准，广泛应用于图像处理任务的效果评估。

公钥和私钥是成对的加密密钥，公钥可公开分发（存放于服务器），私钥需严格保密（用于身份验证）。

本文提出了一种基于统计特征与机器学习的图像过暗检测系统，用于自动化检测工业显微成像中的低质量图像。系统采用统计特征（灰度均值、标准差、信息熵、暗像素比例）结合逻辑回归模型，实现高效准确的过暗检测。核心方法包括特征提取、模型训练与离线预测三个模块，支持批量处理和单张图像检测。

图像对比滑块是一种交互式展示工具，通过滑动控件直观对比两张图片的差异。

本文介绍了多模态RAG（检索增强生成）框架，它通过整合跨模态数据（文本、音频、图像、视频）来提升信息检索与生成能力。核心流程包括：1）将多模态数据编码为向量；2）使用双塔编码结构检索语义相关片段；3）结合原始查询与检索结果生成准确回答。

多模态大模型（Multimodal Large Model）是指具备大规模参数量与预训练能力，能够同时感知、理解、融合与生成来自多种模态数据（如：视觉模态〔图像/视频〕、语言模态〔文本/语音〕、传感模态〔激光雷达、深度图、红外线等〕）的人工智能模型。

介绍了聚类的基本概念及其在图像处理中的应用场景，随后详细对比了划分聚类、密度聚类、层次聚类、模型聚类和图聚类五类传统方法的特性与适用条件。

本文梳理了风格迁移模型的发展脉络与技术特点。

OpenAI API

本文介绍了Python代码自动规范化的常用工具及使用方法，重点推荐了Black格式化工具。Black采用"无配置"理念，统一处理缩进、空格、换行、引号等格式问题，强调风格一致性。

win32com.client是Windows平台Python实现COM自动化的核心模块，可控制支持COM接口的设备和软件。它支持Office自动化、科研仪器控制、工业设备管理等，但仅限Windows使用。

通过Auto平台与VScode搭建远程开发环境，可实现本地代码编辑与远程服务器资源的高效协同。

本文总结了在autoDL远程服务器上使用VS Code进行开发的常用Linux和Python命令：文件操作；Python开发；系统管理；文件传输。特别提示：长期开发建议使用conda管理环境，避免混用不同环境管理工具。

RCAN的核心思想是通过构建非常深的卷积神经网络，结合残差中的残差（RIR）结构和通道注意力（CA）机制，自适应地学习更多有用的通道特征。

组织透明化技术以及通过光片荧光显微镜的高分辨率体成像技术，结合适当的荧光标记，能够提供整个器官中感兴趣细胞的全面信息，如细胞类型，形状，状态和分布情况。

pyautogui：是一个GUI自动化工具，可以用程序自动控制鼠标和键盘操作，多平台支持（Windows，OS X，Linux）

将16-bit图像转换为8-bit图像是图像处理中的常见操作，目的是将原图像的像素值压缩至0-255范围。这种转换有助于减少存储空间、适应常见显示设备，并压缩动态范围。

（1）卷积（Convolution）：是一种通过滑动窗口（卷积核）遍历整个图像，对每个像素进行加权求和的操作。（2） 反卷积（Deconvolution）：是卷积的逆运算，旨在通过迭代优化方法从模糊图像中恢复原始图像，减少模糊和失真。

Richardson-Lucy（RL）反卷积算法：是一种基于最大似然估计（Maximum Likelihood Estimation, MLE）的图像去卷积方法，常用于去模糊和图像增强。通过不断地更新图像估计值，来最小化模糊图像和恢复图像之间的误差，逐步消除模糊，最终接近真实的原始图像，每次迭代都会根据当前估计的图像来修正下次迭代的结果。

电脑硬件包括CPU、HDD、SSD等，CPU为核心，HDD和SSD为存储设备，SSD速度快但价格高，其他组件有内存、显卡、主板等。

核函数（Kernel） 是用于图像处理的一种小型矩阵，通常用于卷积操作，以执行滤波、边缘检测、形态学变换等任务。核函数通过滑动窗口的方式作用于图像的像素区域，并计算加权和，从而实现不同的图像处理效果。

基于FFT（快速傅里叶变换）的去条纹算法是一种常用的图像处理方法，适用于去除图像中的周期性条纹噪声。这种算法在自然图像和荧光图像中都有广泛应用，特别是在荧光显微镜图像中，条纹噪声（如干涉条纹或扫描线噪声）较为常见。

在物体成像过程中，由于高像素分辨率的需求，采用N倍放大倍率会导致成像尺寸过大，而相机的视野有限，无法一次性捕捉整个物体。为了解决这一问题，可以采用图像切块和图像拼接的方式。然而，这种方法可能会引入光学上的暗角问题。

图像拼接（Image Stitching）：是一项计算机视觉技术，它将多张重叠的图像合并为一张更大、无缝的全景图或广角视图。该技术广泛应用于全景摄影、地图制作、医学影像处理、计算机视觉及增强现实（AR）等领域。

在 C++ 中，extern "C" 关键字：用于告诉编译器按照 C 语言的命名规则 对函数进行编译和链接，，而不是按照 C++ 的名称修饰（Name Mangling）规则，从而使得 C++ 代码能够与 C 代码进行互操作。

在图像处理领域，噪声（Noise） 是影响图像质量的重要因素之一，它通常由成像设备的物理特性、传输过程中的干扰或后期处理中的量化误差引入。为了研究图像去噪算法的性能，常常需要在实验中人为添加模拟噪声。模拟噪声的类型多种多样，不同的噪声模型反映了不同的噪声来源。

CuPy：是一个基于 NVIDIA CUDA 的高效数组处理库，它提供了与 NumPy 类似的 API，但能够利用 GPU 的强大计算能力来加速数组计算。通过将数据加载到 GPU 中，CuPy 可以显著提升一些数值计算、线性代数、傅里叶变换等操作的速度。