登录社区云，与社区用户共同成长
邀请您加入社区
多模态中草药智能鉴别系统｜YOLO目标检测融合DeepSeek/Qwen大模型药材识别、中药教学质检一体化深度学习工程
本实践完成了基于“HarmonyOS + MindSpore Lite + YOLO”的端侧目标检测初步验证，跑通了模型加载、数据处理到 UI 渲染的完整基础链路。项目源码及转换后的yolo26n.msAiyc-02/YOLO-HarmonyOS-Vision： 基于 ArkTS 与 MindSpore Lite 的鸿蒙端侧 YOLO 目标检测引擎。
本文介绍了一个专注于跌倒行为检测的YOLO格式数据集，包含5200张高质量标注图像，覆盖居家、病房等多种真实场景。该数据集具有以下特点：1) 多样化的跌倒姿态和场景条件；2) 精准人工标注；3) 适用于各类目标检测算法。数据集支持智慧养老、病房监护等应用场景，可用于跌倒预警系统的开发和算法研究。采用标准YOLO目录结构，包含训练集、验证集和测试集，可直接用于模型训练。该资源为跌倒检测领域提供了高质
我用 Kimi、GLM、DeepSeek 三个模型，在 13 个公式修复任务上跑了一遍。最好的 模型对了 10 个错了 3 个，最差的模型 错了 7 个。思路很简单：不看代码，看数据。有些事，确定性方法做得更好——尤其是在它不知道的时候敢于说不知道。但在金融计算、医疗剂量、自动驾驶这些错不起的场景，你需要一个在不确定时主动收手的系统。另外，跪求arxiv能帮忙背书的，CS.SE方向，能否帮忙背书的
6]本系统是天然的web应用服务（有前后端，服务端默认在8501端口启动），可以部署到服务器。不同于基于pyside,pyqt之类的系统，这种系统只能在本地电脑运行，而本系统不单单是可以在本地电脑运行，还可以部署到服务器上！[hot]如果还担心按照环境配置教程配置不好，那么也可以不用配置环境，直接用免环境压缩包。注意：免环境压缩包，仅限windows系统，其余不支持，下单后可向客服索要。[1]可以
不同于基于pyside,pyqt之类的系统，这种系统只能在本地电脑运行，而本系统不单单是可以在本地电脑运行，还可以部署到服务器上！汇报，演示，交付的不二之选。[7]极简主义，全系统仅200多行代码，代码注释非常非常详细，不用担心看不懂项目逻辑，支持二次开发（比如我想要基于这个系统改为基于YOLO8的安全帽识别，只需将模型放在指定目录下即可）。系统也可以根据电脑配置的运行环境自动选择模型进行加速推理
hot]本系统是天然的web应用服务（有前后端，服务端默认在8501端口启动），可以部署到服务器。不同于基于pyside,pyqt之类的系统，这种系统只能在本地电脑运行，而系统不单单是可以在本地电脑运行，还可以部署到服务器上！如果还担心按照环境配置教程配置不好，那么也可以不用配置环境，直接用免环境压缩包。下载免环境压缩包文件，解压后即可一键启动项目，无需手动配置环境。注意：免环境压缩包，仅限win
数据集是已经标注好的，txt标注，yolo目标检测数据集。数据集已经划分好训练集（4518张图片）验证集（1168张图片），数据集涵盖小学、中学、高中、大学等课堂场景，不含任何数据增强的图片。如果还担心按照环境配置教程配置不好，那么也可以不用配置环境，直接用免环境压缩包。[6]本系统是天然的web应用服务（有前后端，服务端默认在8501端口启动），可以部署到服务器。不同于基于pyside,pyqt
服务端推送在服务器推送技术中，服务器在消息可用后立即主动向客户端发送消息。其中，有两种类型的服务器推送：SSE和 WebSocket。SSE 是一种在基于浏览器的 Web 应用程序中仅从服务器向客户端发送文本消息的技术。SSE基于 HTTP 协议中的持久连接， 具有由 W3C 标准化的网络协议和 EventSource 客户端接口，作为 HTML5 标准套件的一部分。
Reinforcement Learning for all Scenarios，二次强化学习阶段，旨在提高模型的有用性和无害性，同时优化其推理能力，对于推理数据，用基于规则的奖励来指导数学、代码和逻辑推理领域的学习过程。deepseek 方案最重要的步骤是 DeepSeek-R1-Zero，用了一个 cot 的 prompt 模板，然后一堆基于规则的 reward 模型，强化学习用的 GRPO，
支持前后端同时开发；项目文件夹结构可视化；环境自托管，自动安装依赖（如 Vite、Next.js 等）；运行 Node.js 服务器，从部署到生产Bolt.new的目标是，让更多人都能完成 web应用开发，即便是编程小白，也能通过简单的自然语言实现创意。官方已将项目开源：https://github.com/stackblitz/bolt.new不过，官方开源的 bolt.new 支持模型有限，国
本文介绍了如何利用星图GPU平台自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像，构建智能图像检索系统。该系统通过结合目标检测与语义理解，能精准响应如“适合夏天穿的白色连衣裙”等复杂查询，显著提升电商、安防等场景下的图像检索准确率与用户体验。
本文介绍了如何在星图GPU平台上一键自动化部署【ollama】GLM-4.7-Flash镜像，并将其作为YOLOv11目标检测的智能辅助分析工具。该组合方案能实时理解检测结果背后的场景语义，典型应用于安防监控中的异常行为识别和自动驾驶中的交通场景推理，大幅提升视觉系统的认知与决策能力。
在前面的专栏实战中，我们先后完成了AI水体智能提取NDVI植被覆盖度反演两大生态遥感核心项目，掌握了遥感AI解译、地物统计、时序分析的标准化落地流程。本期正式进入城镇人工地物遥感实战高精度建筑物提取 + 多年城市建成区扩张动态分析。建筑物是城市遥感的核心骨架，建成区范围、建筑密度、新增建设用地规模，是衡量城镇化进程、城市扩张、国土空间变化的核心指标。传统建筑提取手段弊端显著：传统阈值分割极易与裸土
本文介绍了如何在星图GPU平台自动化部署【ollama】GLM-4.7-Flash镜像，并分析其与YOLOv5在目标检测任务中的性能差异。该多模态大模型能够通过文本描述实现目标检测与场景理解，适用于需要结合视觉和语义分析的应用场景，如智能图像内容分析。
本文介绍了如何在星图GPU平台上一键自动化部署GLM-4-9B-Chat-1M镜像，快速构建智能监控分析系统。该系统结合YOLOv8实时视觉识别与GLM-4大模型的长文本理解能力，可智能分析监控场景中的行为模式，自动生成安防报告与运营建议，广泛应用于商场客流分析、小区安全管理等场景。
本文介绍了如何在星图GPU平台上自动化部署🎨 Qwen-Image-2512极速文生图创作室镜像，用于生成高质量训练图像以提升YOLOv11目标检测模型的准确性。该镜像可快速生成逼真场景图像，应用于智能交通、工业质检等领域的视觉分析任务，有效解决数据稀缺问题。
本文介绍了如何在星图GPU平台自动化部署🍄超级千问：语音设计世界（Super Qwen Voice World）镜像，构建智能安防语音报警系统。该系统结合YOLOv5实时检测异常事件，并自动生成多语言语音报警，广泛应用于办公园区、工厂等场所的实时安全监控与预警。
本文介绍了如何在星图GPU平台上自动化部署Qwen-Image-Edit - 本地极速图像编辑系统镜像，结合YOLOv8实现智能图像局部编辑。通过目标检测精准定位人物或商品区域，可高效完成电商商品图换装、背景替换等典型任务，显著提升视觉内容生产效率。
本文介绍了如何在星图GPU平台自动化部署千问图像生成 16Bit (Qwen-Turbo-BF16)镜像，实现智能图像分析与目标检测。该方案结合YOLOv8进行快速目标定位，并利用Qwen-Turbo-BF16进行深度场景理解，可应用于工业质检、智能监控等场景，提升自动化分析与决策能力。
本文介绍了如何在星图GPU平台自动化部署【ollama】GLM-4.7-Flash镜像，并将其与YOLOv5结合，为目标检测系统注入强大的场景理解与智能决策能力。该方案可广泛应用于智能安防监控，系统不仅能检测物体，还能分析场景风险并提供处理建议，显著提升自动化水平与响应效率。
真的受不了现在的测速和 IP 查询网站了，十个里面九个半全是广告。昨天想测个服务器 Ping，打开某知名测速站，先弹个 “您的电脑存在风险” 的假提示，关了又弹游戏广告，侧边栏还飘着 flash 弹窗，我点输入框都差点点错进广告页。查个 IP 更离谱，有的网站结果页一半是广告，关键信息藏在最下面，眼神不好都找不到。今天翻收藏夹翻到之前存的 kk.yun，用了一下午，舒服到想回来安利。就一个字：干净
在通过创建全新虚拟环境条件下，使用方式安装VLLM后，遇到了VLLM使用方面的异常，经过多种方式尝试解决，最终无果。仔细查看官方文档后，发现其中有2段话尤为重要:1.如果使用的是不同的CUDA版本，或者想要使用现有的PyTorch安装，则需要从源代码构建vLLM。2.vLLM的二进制文件默认使用CUDA 12.1和公共PyTorch发行版本进行编译。另外还提供使用CUDA 11.8和公共PyTor
本文介绍了在WSL环境下使用llama-factory进行大模型训练的完整流程。主要包括：1）安装WSL和Ubuntu；2）下载llama-factory项目；3）通过conda创建Python3.10运行环境；4）安装llama-factory及其依赖项；5）使用Qwen1.5-0.5B模型和内置数据集进行简单训练演示。文中详细说明了各步骤的具体操作命令和注意事项，特别针对安装过程中的常见问题提
本文介绍了如何在星图GPU平台上自动化部署DAMOYOLO-高性能通用检测模型-S镜像，并结合ChatGPT构建多模态AI应用。该方案利用DAMOYOLO-S作为“视觉专家”精准识别图像中的物体，再通过提示词工程驱动ChatGPT生成自然语言描述，可广泛应用于电商图片自动配文、内容创作及辅助工具开发等场景。
本文介绍了如何在星图GPU平台自动化部署【ollama】GLM-4.7-Flash镜像，并将其与YOLOv5目标检测模型结合，通过智能数据增强、误检过滤和语义优化，显著提升检测精度和场景理解能力，适用于自动驾驶、智能安防等对检测质量要求高的领域。
本文介绍了如何在星图GPU平台上自动化部署GME多模态向量-Qwen2-VL-2B镜像，构建一个端到端的智能视觉理解流水线。该方案结合YOLOv11目标检测，能对图像中的目标进行精准定位与裁剪，并利用Qwen2-VL-2B模型自动生成自然语言描述，典型应用于智能安防场景，实现从“检测到人”到“描述人物行为与状态”的升级。
本文介绍了如何在星图GPU平台上自动化部署GME多模态向量-Qwen2-VL-2B镜像，构建一个“目标检测+精细化描述”的协同工作流。该工作流首先利用YOLOv11快速定位图像中的目标，随后通过GME模型对每个目标子图进行自动化、精细化的自然语言描述，可广泛应用于智能安防、内容自动标注等需要深度理解视觉场景的领域。
本文介绍了星图GPU平台如何自动化部署🎨 弦音墨影 | Chord - Ink & Shadow镜像，并对比了其与传统YOLOv8在复杂光影下的目标检测精度。该镜像基于Qwen2.5-VL多模态架构，在视频分析中能有效处理动态光影、遮挡和模糊场景，显著提升复杂环境下的定位准确性和鲁棒性，适用于安防监控、自动驾驶等需要高精度视觉识别的领域。
本文介绍了如何在星图GPU平台自动化部署Qwen3-Reranker-0.6B语义重排序服务部署镜像，构建智能图像检索系统。该系统结合YOLOv8的目标检测能力与Qwen3-Reranker的语义理解优势，可精准实现电商商品检索、智能相册管理等应用场景，大幅提升图像检索的准确性和智能化水平。
本文介绍了如何在星图GPU平台上自动化部署Qwen2.5-32B-Instruct镜像，并将其与YOLOv5目标检测系统集成，实现智能场景分析。通过该方案，用户可快速构建能够自动识别图像中的物体并利用大语言模型进行深度推理（如安防监控中的风险识别）的应用，提升视觉项目的智能化水平。
本文解析了视觉语言模型Qwen/Qwen3-VL-2B-Instruct的能力边界，明确其虽不能提供精确边界框坐标，但具备强大的视觉理解与图文对话能力。用户可在星图GPU平台上自动化部署该镜像，快速搭建智能视觉问答服务，典型应用于智能客服场景，例如根据用户上传的商品图片自动描述其颜色、特征等。
本文介绍了如何在星图GPU平台上自动化部署DAMOYOLO-高性能通用检测模型-S镜像，快速构建本地化AI应用。该方案结合视觉检测与语言模型，可应用于智能内容创作，例如自动分析产品图片并生成包含物体识别结果的描述文案，实现高效、安全的离线处理。
目标检测
——目标检测
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AI Agent技术社区
人工智能6S服务平台
AtomGit开源社区
openEuler 社区
AI编程社区
2048 AI社区
智能体开发者社区
DeepSeek技术社区
AMD开发者中国社区
龙虾开发者社区
MCP技术社区
