登录社区云，与社区用户共同成长
邀请您加入社区
数据分类分级平台正经历从 "规则扫描器" 到 "智能数据资产理解引擎" 的跃迁。大模型重构的不只是识别准确率，而是把过去依赖专家经验的语义理解、定级判断、标签维护，变成可规模化、可私有化、可持续学习的平台能力。但这并不意味着人被替代 —— 行业分级标准的把握、误分级的风险承担、业务部门的协同推进，仍然需要专业服务团队深度参与。
本文针对制造企业老板在AI转型中的焦虑，提出了一个“三维坐标系”来帮助企业分类分级应用AI技术。文章首先阐述了AI从“单点工具”向“全局大脑”的进化趋势，接着介绍了X轴（智能制造生命周期）、Y轴（制造业系统层级）和Z轴（AI技术应用）的分类方法，最后按照技术成熟度和商业价值将应用划分为基础级、先进级和卓越级三个段位，帮助企业在AI转型中找准定位，量力而行。2026年，是“人工智能+制造”规模化落地
针对多角色学习伴侣中记忆共享隐私缺失、检索单一及幻觉问题，提出分层记忆检索与反幻觉方法：构建learning/casual/emotional三级可见性模型，实现跨角色共享与隐私隔离；设计融合相似度、重要度、时间衰减与模式加权的排序机制，结合低分阈值拒绝无关查询；引入反幻觉约束。在408考研合成数据集上，Recall@5达0.91，无关查询全拒（6/6），私密记忆泄漏降至0，误引率由40.0%降至
2026年，AI编程主要分为四大范式：AI编程助手（如GitHub Copilot）、自然语言转代码（NL2Code）、VibeCoding与自主代码生成（AgenticCoding）。按形态分，主流为IDE插件型（占63%），其次为独立AI原生IDE（如Cursor、QoderCN）、命令行工具（如ClaudeCode）及云端平台。技术演进从“辅助补全”迈向“全流程自动化”，开发模式转向深度协作
本文以2026年10月31日为截面，系统统计中国生成式AI备案突破1100款，形成豆包、通义千问、DeepSeek、GLM、Kimi头部梯队与文心、混元、MiniMax等强项梯队，呈现"通用+垂类""开源+闭源"双轨格局。国家实验室体系以鹏城云脑Ⅲ万P国产算力、之江三体计算星座、上海AI实验室万亿参数科学模型、智源Emu3.5与Brainμ、临港元生、怀柔算电协同为支柱，构成"底座算力—通用大模型
12 月起，ChatGPT 与 Codex 将共用一个额度，Instant 聊天不占额度，Fast 模式按 2.5 倍消耗。额度变紧后，最费额度的用法往往也是效果最差的用法。本文总结改论文时最费额度的 4 个习惯及改法，并附一份可直接照抄的论文项目 AGENTS.md 模板。
本文介绍了一个基于EfficientNetB3的猴痘皮肤病变识别项目。项目使用包含228张原始图像（102张猴痘、126张其他）的Kaggle数据集，通过数据增强扩充样本量。采用Python 3.9和TensorFlow搭建深度学习模型，对EfficientNetB3进行微调，添加Dropout层防止过拟合。实验结果显示模型测试准确率达95.56%，精确率、召回率和F1分数均超过0.95。该模型能
本文清理“真/伪猜想”与“版本”两重混淆：猜想只有定理、假命题、未决三态，“真/伪猜想”系自相矛盾的语言构造，欧拉猜想被证伪后仍称猜想即为判据；贾子猜想定义唯一——n=3m>5、k=n、两两互异、正整数、无解，偏离即非本命题。n=3m系生成论锚点与模3、模16闭合死锁的唯一格点。本文区分费马大定理的可压缩结构与贾子猜想的不可归约问题族：前者无穷指数坍缩为单一模性障碍，后者项数随指数同步增长、跨层归
本文基于MindSpore框架，以ResNet-50为例，完整演示了在昇腾Ascend 910B硬件上进行图像分类训练的全流程。通过数据下沉、混合精度、自动并行等技术，显著提升单卡与多卡训练效率，解决显存不足、吞吐低等问题。提供可运行代码，涵盖环境部署、数据处理、模型训练、精度验证及调优排错，助力开发者高效落地大模型训练。
本文基于昇思MindSpore与昇腾NPU，全流程演示大模型在中文关系抽取中的落地实践。通过指令微调+LoRA低秩适配，实现高效微调与部署，涵盖数据处理、模型训练、推理验证及Gradio可视化，并支持MindIR导出与线上服务部署，助力知识图谱、RAG等场景快速构建结构化关系三元组。
本文整理了两道McKinsey OA真题解法：一是数组成本优化题，通过分析插入整数对相邻元素差平方和的影响，找出使成本最小的插入位置，关键在于局部优化与整数约束处理；二是机器人分类题，需完成数据清洗、特征选择、随机森林建模及评估，强调全流程数据处理与模型性能分析。备考建议涵盖算法思维、数据预处理、模型应用与限时练习，突出理解题意与边界条件的重要性。
本文基于昇思MindSpore与昇腾NPU，以CIFAR-10和ResNet50为例，系统演示图像分类全流程：涵盖数据增强、网络构建、训练调优、评估推理及部署。通过MindData实现高效数据流水线，利用Model高阶API简化开发，结合图模式与分布式训练释放硬件性能。重点介绍昇腾平台调优要点：启用图模式、合理设置batch size、使用预训练模型迁移学习，并规避归一化错误、数据泄露等常见问题，
很多管理者发现，AMR 只接管了搬运和上下架，仓库总人力却大幅下降。答案不在机器人本身，而在用工结构：AMR 替人扛住了岗位峰值，让人从“多面手流转”切换到“专人专岗、流水线作业”。精工智能以 WMS 与 AGV 调度协同，把这一逻辑落到仓储现场。
智慧昆虫分类识别数据集 昆虫识别数据集农作物害虫分类数据集 蛾子数据集蜜蜂图像数据集 yolo分类10297期
【代码】用Weisfeiler-Lehman 图核 计算solidworks零件的拓扑相似度。
针对 100 余张口罩检测数据集（二分类：带口罩 / 不带口罩），基于 Windows 平台 + 消费级 GPU 完成 YOLOv5.2 模型训练，最终模型训练 100 轮达到 0.8左右 mAP，适配小数据集 + RTX3050 的实战场景。
该柑橘病害数据集包含训练集和测试集，分为新鲜柑橘和三种病害类型（溃疡病、黑斑病、绿化病）。训练集中：黑斑病206张、溃疡病201张、新鲜388张、绿化病369张。测试集中：黑斑病138张、溃疡病148张、新鲜164张、绿化病176张。总计训练集1164张，测试集626张图像，可用于柑橘病害分类研究。
在工业设计领域，SolidWorks与Creo的对决从未停歇。前者以易用性圈粉中小企业，后者凭强参数化深耕高端制造。2025年技术迭代后，两者差距是否进一步拉大？
编程语言: Python;数据集来自网络mushrooms_9，其中包括6714张蘑菇图片，分9类，依次为伞菌属(Agaricus)、鹅膏属(Amanita)、牛肝菌属(Boletus)、丝膜菌属(Cortinarius)、粉褶蕈属(Entoloma)、蜡伞科(Hygrocybe)、乳菇属(Lactarius)、红菇属(Russula)、乳牛肝菌属(Suillus)；
有时目标检测由于数据集类别不均衡，类别自身分类难易度差距，以及数据集自身标注问题的缘由，导致有的类别能很快收敛，而有的类别迟迟难以收敛，可能出现有的类别已经过拟合而有的类别仍欠拟合的现象。直接改为focal loss难例挖掘又由于标注自身的问题往往不见得有更好的效果。同时由于一般检测时对于不同类别重视程度不同，所以可手动根据类别的重要性和实际的识别效果对分类损失bceloss进行加权，调整难分类别
【完整源码+数据集+部署教程】烟叶植株计数与分类系统源码和数据集：改进yolo11-TADDH
【完整源码+数据集+部署教程】人员异常行为识别检测系统源码和数据集：改进yolo11-CSP-EDLAN
【完整源码+数据集+部署教程】 落叶植物叶片分类系统源码和数据集：改进yolo11-LVMB
视频演示：【鲲码园Python】基于pytorch的猫咪品种分类系统_演示飞书文档：classification_of_cats_breeds_based_on_pytorch
比如我只想从数据集中取手机的图像，来用于我的训练，懒得自己一张一张标注，方法如下。
通过这条曲线，可以评估模型在目标检测任务中的整体性能，并找到合适的置信度阈值，以在精确率和召回率之间做出最佳平衡。PR 曲线越接近右上角，模型性能越好，曲线下方的面积越大，说明模型在不同置信度下的表现越稳定。通过这条曲线，可以选择合适的置信度阈值，以优化模型的检测结果，平衡精确率和召回率。图中的曲线为Precision-Recall Curve（精确度-召回率曲线），展示了不同阈值下分类器的精确度
PyTorch中常见模型可分为三类： 架构分类：CNN（处理图像，如ResNet）、RNN/LSTM（序列数据）、Transformer（长序列建模，如BERT）、GAN（生成数据，如StyleGAN）； 任务分类：图像分类（CNN/ViT）、文本分类（LSTM/Transformer）、结构化数据（MLP）； 功能扩展：预训练模型（微调适配）、轻量化模型（MobileNet剪枝/量化）。 选择建
导入单图后，点击识别按钮进行识别，右侧展示识别结果，根据识别的类别结果展示类别名，数据集中对应类别的随机图片比对，以及中药材的简介；
狗品种识别数据集助力AI精准识别宠物品种。随着宠物经济发展，准确识别数百种外形相似的犬种成为刚需。该数据集包含1257张图像，覆盖6大犬种，采用yolo格式标注。数据经过多源采集、严格筛选和质量控制，包括分辨率筛选、样本均衡和隐私处理，确保数据多样性、清晰度和平衡性，为训练高精度AI识别模型提供可靠基础。
导入单图后，点击识别按钮进行识别，右侧展示识别结果，根据识别的类别结果展示中英文类别名，数据集中对应类别的随机图片比对，以及果蔬的简介；
【代码】按yolo格式标签分类图像。
分类
——分类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
北京朝阳AI社区
AtomGit AI 社区
DAMO开发者矩阵
openEuler 社区
人工智能6S服务平台
乐奇 Rokid 开放社区
