登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了一个基于YOLOv10的草莓成熟度检测系统，包含完整的项目实现。系统采用PyTorch框架，提供训练好的模型权重、数据集和GUI界面。GUI由PySide6开发，支持图像检测、视频实时检测等功能。项目结构清晰，包含模型训练、验证和部署全流程，并提供精确率、召回率等指标评估。核心代码展示了图像上传、目标检测和结果显示的实现。系统可快速部署，适用于PC端环境，配套详细的环境搭建教程和完整项目
本文介绍了一个基于YOLOv8的苹果缺陷检测系统，支持图像、视频和实时摄像检测。项目包含完整的代码、数据集、预训练模型权重和GUI界面，采用PyTorch框架实现。GUI界面使用PySide6设计，简洁实用。系统支持USB摄像头和笔记本摄像头输入，提供了从模型训练到应用的全流程解决方案。项目结构清晰，包含数据准备、模型训练、验证和应用四个步骤，并展示了训练过程中的各项指标。该检测系统可准确识别苹果
一个基于深度学习的场景识别系统，支持ResNet、DINOv3、Swin Transformer和FastViT四种模型架构。系统采用模块化设计，提供完整的训练到部署流程，包括多GPU分布式训练、混合精度加速、模型量化和ONNX导出等功能。项目特别注重实用性和可扩展性，支持Places365数据集的365个场景分类任务，并提供了类激活映射可视化等模型可解释性工具。
本文介绍了一个基于YOLOv10的樱桃成熟度检测系统，采用PyTorch框架实现。项目包含完整代码、数据集、预训练模型权重、训练记录和PySide6开发的GUI界面，支持图像分类、目标检测等功能。系统可通过笔记本或USB摄像头运行，提供模型训练、验证及可视化功能，包括精确率、召回率等指标评估。GUI界面简洁实用，支持图像上传、实时检测及结果展示，并显示检测时间、目标位置和置信度等信息。项目结构清晰
本文介绍了一个基于YOLOv8的苹果检测系统项目，支持图像、视频和实时摄像检测。项目采用PyTorch框架实现，包含完整代码、数据集、预训练模型权重和GUI界面。GUI界面使用PySide6开发，简洁实用。项目结构清晰，支持模型训练和验证，提供了详细的数据集样本和训练指标图表。系统功能包括图像检测、视频检测和实时摄像头检测，可外接USB摄像头或使用笔记本自带摄像头。项目配套资源齐全，包含程序代码、
本文全面解析了大模型推理中的量化技术，涵盖数学原理、数据格式对比及算法选择。量化通过将高精度浮点数转换为低比特整数（如INT8/INT4）或浮点格式（如FP8），显著降低显存需求（70B模型从140GB压缩至35GB）。关键点包括：1）量化误差与比特数成反比；2）Transformer中的离群值(Outlier)需特殊处理；3）FP8需H100硬件支持但精度更高；4）QLoRA的NF4针对权重正态
本文摘要：本文系统讲解了深度学习工程化的五大核心能力——模型构建、参数管理、自定义组件、模型持久化和GPU加速。首先介绍了层和块的模块化设计思想，详细说明了如何构建自定义神经网络组件；然后深入探讨参数管理技巧，包括访问、初始化、共享和冻结等方法；接着讲解了不带参数和带参数的自定义层实现；随后阐述了模型读写技术，对比了参数保存和完整模型保存的适用场景；最后重点讲解了GPU加速原理和实战方法，包括单G
本文系统解析了深度学习中损失函数的原理与应用。首先阐明损失函数的核心作用：衡量模型预测与真实标签的差异，指导参数优化。文章分类介绍了5种常用损失函数，重点剖析了多分类交叉熵损失的特性：自带Softmax激活、仅需原始Logits输入。通过流程图和公式详细说明其计算过程，并给出PyTorch实现代码，强调预测值无需额外Softmax处理的关键要点。最后总结工程选型建议：分类任务使用BCE/Cross
在实体识别中：使用了Bert模型，CRF模型在关系识别中：使用了Bert模型的输出与实体掩码，进行一系列变化，得到关系
摘要：本文介绍了一个基于YOLOv10的飞机蒙皮缺陷检测系统，包含完整项目代码、数据集、预训练模型及GUI界面。系统采用PyTorch框架，支持图像/视频实时检测，提供精确率、召回率等评估指标。项目结构清晰，包含模型训练、验证和使用流程，GUI界面由PySide6开发，简洁实用。核心代码展示了图像上传、目标检测和结果显示功能。该项目开箱即用，适合在PyCharm或VSCode的Anaconda虚拟
支持主流模型：UNet、UNet++、FPN、PSPNet、DeepLabV3、DeepLabV3+ 等；丰富骨干网络：ResNet、MobileNet、EfficientNet 等，可自由搭配，兼顾精度与速度；开箱即用：预训练权重、损失函数（DiceLoss、JaccardLoss）、评价指标（IoU、F1）已封装；简洁API：一行代码定义模型，大幅降低开发成本。适用场景：医学图像分割、遥感图像
本文介绍了一个基于卷积神经网络的五谷识别系统，使用PyTorch框架实现，包含ResNet50、VGG16和ResNet34三种模型。系统采用Python+PySide6开发GUI界面，或Python+Flask+Vue开发Web前端界面。项目支持在PyCharm/Anaconda或VSCode/Anaconda虚拟环境中运行，提供了完整的训练和测试流程，可输出准确率曲线、损失曲线、混淆矩阵、热力
OpenAI计划2028年推出自研AI手机，以突破iOS/Android对AI能力的限制，实现跨应用自主执行任务。开发者应提前布局端侧模型部署、多Agent协同框架及隐私计算技术。
【摘要】本项目开发了一个基于卷积神经网络的小麦病虫害识别系统，支持ResNet50、AlexNet和MobileNet三种模型选择。系统采用PyTorch框架实现，包含完整的训练、验证和测试流程，并配备GUI界面（Python+PySide6）。主要功能包括：1) 支持自定义数据集训练；2) 输出训练过程曲线（准确率/损失值）；3) 生成分类混淆矩阵和各项评估指标；4) 可视化模型结构和特征图。项
摘要：该项目实现了一个基于卷积神经网络的天气识别系统，采用PyTorch框架开发，提供ResNet50、VGG16和ResNet34三种可选模型。系统包含GUI（PySide6）和Web（Flask+Vue）两种交互界面，支持模型训练、测试及可视化分析功能。项目完整包含代码、数据集、预训练模型及各类评估指标（准确率曲线、混淆矩阵、热力图等），可快速部署运行。开发环境支持PyCharm/Anacon
本项目基于YOLOv8语义分割模型，可用于对模型输出中指定类别的分割区域（掩膜）进行打码。该工具支持处理图片、视频（含摄像头实时流），并提供像素马赛克、单色马赛克、多色马赛克三种打码模式。
这篇文章介绍了 markdown-renderer-fix 项目如何系统解决AI应用中的编码和渲染问题。文章分析了中文乱码、SSE流中断、Markdown格式错误等典型问题的根源，提出了8方向系统排查法，并给出了三个核心难题的解决方案：tiktoken解码优化、SSE流式输出管理和工具调用过滤。项目提供了生产级解决方案，包括编码诊断脚本、完整聊天界面模板和主流框架适配代码，帮助开发者彻底解决这些问
LSTM和GRU模型对比分析 LSTM（长短时记忆网络）通过遗忘门、输入门、输出门和细胞状态结构，有效解决了RNN处理长序列时的梯度消失问题。其优点包括强大的长序列处理能力和特征捕捉能力，但存在计算复杂度高、参数量大的缺点。GRU（门控循环单元）作为LSTM的简化版本，合并了细胞状态和隐藏状态，保留了重置门和更新门，在保持相近性能的同时提高了计算效率。实际应用中，GRU更适合追求运行效率的场景，而
本文分享了作者作为Python后端开发工程师，如何利用OpenClaw AI助手和Python自动化脚本提升团队代码审查效率的实战经验。针对中型微服务集群（15万行代码，30+服务）面临的审查耗时长、规范执行难等问题，作者设计了三层AI辅助审查体系：第一层通过flake8、black等工具进行自动化检查；第二层使用OpenClaw AI进行智能逻辑分析；第三层保留人工决策。文中详细展示了Pytho
本文详细记录了YOLOv5从环境配置到模型训练的完整流程。主要内容包括：1. 克隆YOLOv5官方仓库并配置Conda虚拟环境；2. 解决国内pip安装SSL报错问题；3. 准备自定义数据集并创建配置文件；4. 训练模型及常见警告处理方法；5. 使用训练好的模型进行目标检测。文章提供了详细的操作命令和参数说明，特别适合新手按步骤操作，最终完成从数据准备到模型应用的完整闭环。
不要试图复现 AutoSOTA 的完整 8-agent 系统（工程量太大，且核心代码未开源）重点投资 Claude Code 的 Skills 设计——这是你的「执行自动化」核心用 Kimi 做论文理解和策略制定——利用其长上下文优势用 Codex 做精准代码编辑——辅助 Claude Code 的批量操作从 AutoSOTA 的 105 篇优化报告中学习技巧——直接看那些，里面全是真实的改进案例
当ChatGPT自动补全代码、MidJourney生成产品原型、AI助手优化工作流程时，人工智能早已走出实验室，渗透到程序员的IDE、职场人的办公场景，甚至普通人的日常生活中。但很多零基础朋友，无论是刚入行的开发小白，还是想借AI提效的职场人，都被“需要高深数学”“必须精通代码”的标签吓住，总觉得AI门槛高不可攀。作为深耕AI领域多年的开发者，我可以负责任地说：如今的AI入门难度，早已低到“会用工
在这里，我写了一个jupyter文件，将Image Encoder和 Mask Decoder分别导出为sam_encoder_lora.onnx 和 sam_decoder_lora.onnx。首先，我们先加载基础模型和LoRA微调后的权重，然后调用merge_lora_parameters函数，进行合并。下面分别是待分割图像、原SAM模型转为onnx分割结果，以及SAM+Lora微调模型转为o
本文介绍了如何在PyTorch中使用TensorBoard进行深度学习训练可视化。主要内容包括：1）通过SummaryWriter创建日志记录器；2）使用add_scalar记录损失和准确率等标量指标；3）用add_image记录图像样本；4）通过add_graph可视化模型结构；5）利用add_histogram分析参数分布；6）使用add_hparams记录超参数实验；7）通过add_embe
本项目开发了一个基于卷积神经网络的小麦病虫害识别系统，使用PyTorch框架实现了ResNet50、AlexNet和MobileNet三种模型。系统提供GUI界面（Python+PySide6+OpenCV），支持模型训练、验证和测试功能，可输出训练过程曲线、分类混淆矩阵、热力图等评估指标。项目包含完整代码、预训练模型和数据集，支持在PyCharm/Anaconda或VSCode/Anaconda
摘要：本文介绍了一个基于YOLOv8的飞机蒙皮缺陷检测系统，采用PyTorch框架实现。项目包含完整代码、数据集、预训练模型和PySide6开发的GUI界面，支持图像、视频及实时摄像头检测。系统提供清晰的训练流程指引，包含数据准备、模型训练、验证及使用等步骤。GUI界面简洁实用，支持USB摄像头接入。项目提供完整的开发环境配置指南，包含PyCharm/Anaconda和VSCode/Anacond
摘要：该项目基于YOLOv10实现飞机蒙皮缺陷检测系统，包含完整代码、数据集、预训练模型及GUI界面。系统支持图像/视频实时检测，采用PySide6+OpenCV技术栈开发，界面简洁实用。项目提供详细训练流程：数据集配置、模型训练验证及GUI应用部署。核心功能包括缺陷定位、分类及置信度显示，检测速度达毫秒级。项目结构完整，开箱即用，配套B站演示视频和详细环境配置教程，适合快速部署应用。
PyTorch介绍PyTorch是一个基于Torch的Python开源机器学习库和深度学习库，用于图像处理、自然语言处理等应用程序。PyTorch的前身是Torch,但因Torch采用了小众的编程语言是Lua，所以流行度不高，这也就有了PyTorch的出现PyTorch主要由Facebook的人工智能小组开发PyTorch的安装PyTorch的安装分为CPU版本与GPU版本两种方式CPU版本安装。
本文介绍了一个基于PyTorch框架的农作物病虫害识别系统，采用ResNet50、VGG16和ResNet34三种卷积神经网络模型。系统提供GUI（PySide6）和Web（Flask+Vue）两种界面，支持模型训练、验证和测试功能。项目包含完整代码、预训练模型、数据集及可视化工具，可输出训练曲线、混淆矩阵、热力图等评估指标。系统支持自定义数据集训练，通过简单配置即可运行，适合农业病虫害识别研究与
2016年，康奈尔大学、清华大学与Facebook FAIR的研究团队合作提出了DenseNet（Densely Connected Convolutional Networks），论文一举斩获CVPR 2017最佳论文奖。要理解DenseNet的动机，需要先回到我们上一节介绍的ResNet的成功与局限。何恺明在提出ResNet时做了一个关键假设：如果对某一网络中增添一些可以学到恒等映射的层，那么
model.fc = nn.Linear(512, num_classes)# 修改分类头# 加载预训练权重，跳过不匹配的层的作用：模型中有但权重字典中没有的 key（如新的fc层） → 保持随机初始化权重字典中有但模型中没有的 key（如旧的fc.weight） → 忽略控制台会打印警告（Missing / Unexpected keys），这是正常现象，不必惊慌。# 加载标准结构（不加载权
YOLOv8 是 Ultralytics 推出的最新一代目标检测模型，在速度和精度上均有显著提升。本文将带你从零开始完成一个完整的 YOLOv8 实战项目：数据集准备、模型训练、推理优化，以及常见踩坑记录。适合有一定 PyTorch 基础的中级开发者阅读。dataset/images/train/ # 800 张val/ # 200 张labels/train/val/CUDA OOM：调小 ba
本文详细介绍了使用PyTorch搭建极简全连接神经网络（3→3→2→2结构）的全流程。对比传统机器学习，深度学习通过自动特征提取简化了预处理和特征工程步骤。文章拆解了参数计算（共26个参数）、环境配置（安装torchsummary）和代码实现（类定义、初始化、前向传播），并强调激活函数与初始化方法的匹配（如Sigmoid+Xavier、ReLU+Kaiming）。通过torchsummary工具可
本文介绍了一个基于深度学习的蔬菜识别系统，使用PyTorch框架实现了ResNet50、VGG16和ResNet34三种卷积神经网络模型。系统提供GUI界面（PySide6）和Web前端界面（Flask+Vue）两种操作方式，支持模型训练、验证和测试全流程。项目包含完整的数据集、代码和预训练模型，可输出训练过程曲线、分类混淆矩阵、热力图等可视化结果，并计算准确率、精确率等评估指标。系统支持自定义数
【摘要】该项目基于PyTorch框架开发了一个鲜茶叶等级识别系统，提供ResNet50、VGG16、ResNet34三种卷积神经网络模型可选。系统包含GUI（PySide6）和Web（Flask+Vue）双界面，支持图像分类、模型训练与验证功能。核心功能包括：1）完整的训练流程，输出准确率曲线、损失曲线和分类混淆矩阵；2）可视化模型结构与热力图；3）提供模型评估指标（准确率、精确率等）。项目附带完
本文总结了PyTorch开发中的常见故障及解决方案，涵盖环境配置、代码调试和梯度计算三大类问题。65%开发者反映超过30%时间用于调试，主要问题包括：CUDA版本冲突、张量设备不匹配、梯度异常等。文章提供了Docker配置、conda环境示例和20+高频错误对照表，重点解析了设备切换、原地操作等典型问题，并推荐使用torchsnooper、ipdb等工具进行高效调试。通过统一设备管理、规范张量操作
pytorch
——pytorch
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
AtomGit AI 社区
CANN开发者社区
