logo
publist
写文章

简介

擅长机器学习,图像处理,深度学习相关算法

擅长的技术栈

pythonpytorchOpenCVC++matlab

可提供的服务

技术咨询,算法开发,算法可行性分析

AI 模型部署实战:ONNX Runtime、LibTorch 与 TensorRT 全方位对比与选型指南

本文对比分析三种主流AI模型上位机部署方案:ONNX Runtime、LibTorch和TensorRT。ONNX Runtime具有跨平台优势但需手动实现前后处理;LibTorch与PyTorch无缝对接但体积庞大;TensorRT在NVIDIA GPU上性能最优但生态受限。文章详细解析各方案技术特点,提供实现路径,并给出决策指南:ONNX Runtime适合大多数生产环境,LibTorch适合

文章图片
#人工智能#深度学习
U-Net++ 模型部署,脱离 PyTorch 依赖

本文介绍了将U-Net++模型从PyTorch环境部署到生产环境的完整流程。通过ONNX Runtime方案实现轻量化推理,摆脱对PyTorch的依赖。主要内容包括: 模型转换:使用torch.onnx.export将PyTorch模型转为ONNX格式 环境配置:创建独立Python环境并安装ONNX Runtime等依赖 推理实现: 加载ONNX模型创建会话 图像预处理(尺寸调整、归一化、格式转

文章图片
#pytorch#人工智能#python +1
C/C++动态链接库的封装和调用

本文介绍了C++里面动态链接库封装和调用的详细步骤以及注意事项

文章图片
#c++#开发语言
一文掌握Python四大核心数据结构:变量、结构体、类与枚举

本文对比了Python中的基础变量、结构体、类和枚举四种核心数据类型。基础变量用于存储单个数据,操作简单;结构体(通过namedtuple或dataclass实现)组织相关数据项;类封装数据和行为,支持继承和多态;枚举定义命名常量集合,提高代码可读性。选用原则取决于封装层次和可变性需求:基础变量适合简单数据,结构体组织轻量级数据,类建模复杂实体,枚举表示固定选项。掌握这些概念有助于编写清晰、高效的

文章图片
#python#数据结构#开发语言
压力传感器选型

介绍了一下压力传感器、压力传感器的选型步骤、选型的一些经验之谈。

#自动驾驶#学习
目标检测中的非极大值抑制(NMS):原理、实现与调优指南

NMS作为目标检测中不可或缺的后处理步骤,其重要性不言而喻。虽然传统NMS存在一些局限性,但通过理解其原理并根据具体任务进行调优,仍能获得良好效果。随着研究的深入,各种改进的NMS方法不断涌现,为不同场景提供了更优的选择。阈值选择是关键:IOU阈值需要在漏检和多检间找到平衡场景适应性:不同检测任务需要不同的NMS策略性能与精度权衡:在实时应用中需考虑计算效率持续演进:从传统NMS到Soft-NMS

文章图片
#目标检测#目标跟踪#人工智能
图像分割三原色:区域生长、活动轮廓与分水岭的哲学对话

本文系统解析了图像分割中的三种经典算法:区域生长、活动轮廓和分水岭。区域生长通过种子点扩张实现同质区域分割,活动轮廓利用能量最小化收缩至目标边界,分水岭则模拟地形淹没过程分离接触物体。文章对比了三者的核心思想、关键要素和应用场景:区域生长适合内部均匀的目标,活动轮廓适合边界清晰的物体,分水岭擅长处理相互接触的对象。三种方法各具特色又相互补充,为图像分割提供了不同的解决思路。

文章图片
#图像处理#opencv
活动轮廓算法:图像分割的智能“橡皮筋”

活动轮廓算法(又称蛇模型)是一种基于能量最小化的图像分割技术,通过初始轮廓曲线在内力(平滑约束)和图像外力(边缘吸引)作用下自动贴合目标边界。该算法分为参数活动轮廓和几何活动轮廓两类实现方式,广泛应用于医学图像分析、目标跟踪等领域。Python实战演示了使用scikit-image库的Snake算法分割细胞图像过程。优点包括高精度和抗噪性,但对初始位置敏感且参数需调整。作为经典分割工具,活动轮廓算

文章图片
#算法#图像处理
二分法求根算法:原理、步骤与Python实现

摘要:二分法是一种基于区间套定理的数值解法,用于求解单变量连续函数的实数根。其核心思想是通过不断缩小区间范围逼近方程的根,要求函数在区间两端值异号。算法步骤包括确定有根区间和迭代求近似解,每次迭代区间长度减半,误差指数级减小。以求解x³-x-1=0为例,Python代码实现显示经20次迭代得到近似根1.32471759,验证了方法的有效性。二分法简单稳定,但收敛较慢,适用于工程、物理等领域,需注意

文章图片
#python#机器学习
深度学习训练三要素:Epoch、Batch Size与Iterations的完全指南

本文解析了深度学习训练中的三个核心超参数:Epoch(训练轮次)、BatchSize(批次大小)和迭代次数。Epoch代表完整遍历训练集的次数,BatchSize决定每次参数更新的样本量,迭代次数则与二者相关。三者协同影响训练效率:BatchSize增大需调整学习率,Epoch过多可能导致过拟合。实用调参指南建议初始BatchSize取32-64,学习率1e-3,Epoch约20轮,后续根据验证曲

文章图片
#深度学习#人工智能#pytorch
    共 136 条
  • 1
  • 2
  • 3
  • 14
  • 请选择