上一篇文章已经介绍了opencv和PIL怎么去读图和他们两者的区别，那它们两个还有啥别的能力吗，不能就只会读个图吧，当然不会，他们还可以对图像做一些处理。这些处理可以我统称为augmentation，高大上的一个单词吧，讲这么多其实只是为了深度学习做准备，augmentation可以增加样本的数量和复杂程度，提高模型的鲁棒性，我是这么理解的，所谓见多识广，计算机视觉也是这样的，只是它看到的东西和我

兄弟们，我杀疯了，一日两更。推理片已经写好了，请查收先给大家一下整个项目的链接：链接：https://pan.baidu.com/s/1hwWF4-rfpiUBGUAZfWIgTQ提取码：qlwo项目的文件结构是这样的：model文件夹中，提供了一个我训练好的模型，因为deeplabv3+的模型还是比较大的，大概210M，所以建议开个百度云会员（这里也建议百度云给我点广告费，或者免除我的会员费）D

时隔这么久，还是决定继续把这个博客写下去，之前介绍了非监督学习和分类网络，那么剩下的只有目标检测方面的内容了，这50篇感觉也写不完啊，退堂鼓先打一下，目标检测我觉得可以分成两类，一类是yolo和ssd这样的用于回归出框的坐标的定位，一类是类似FCN，Deeplabel这样的segmentation网络，个人感觉而言，yolo理解起来相对比较复杂繁琐一些，所以我感觉还是从segmentation开始

兄弟萌，我咕里个咚今天又杀回来了，有几天时间可以不用驻场了，喜大普奔，终于可以在有网的地方码代码了，最近驻场也是又热又心累啊，抓紧这几天，再更新一点的新东西。今天主要讲一下非监督学习，你可能要问了，什么是非监督学习，我的理解就是不会给样本标签的，它本质上是一个统计手段，在没有标签的数据里可以发现潜在的一些结构的一种训练方式。这个可以用来干什么，举个例子，在工业场景瑕疵检测的运用中，由于良品的数量远

又是时隔多日不更新了，总觉得写了没人看，看了没人点赞，同时也觉得自己写的有点太简单了，可能大家都懂，所以，这是就不跟新的理由，那为什么又更新了呢，咱也不知道，可能是因为无聊了吧，人一无聊就浑身难受。还是把脑袋用起来比较好，不然后会有愧疚感。好了好了，话不多说，开整。GAN的全称为Generative Adversarial Networks，所以我们其实可以很容易的从字面上去理解：1.Genera

可能看过看过我上两篇GAN和CGAN的朋友们都认为，mnist数据太简单了，也不太适合拿出去show，所以我们来一个复杂一点的，这次难度比之前两篇的难度又有所提升了，所以，请大家不要慌张，紧跟脚步，我们来开整。3.PIX2PIX3.1PIX2PIX的网络结构可以看到仍然是两个网络：生成器和判别器不同的是：1.生成器这次变样子了，它变成了一个全卷积网络，且类似于一个U-NET网络的结构，我们一共进行

本来GAN这系列我只打算说到pix2pix的，但是情况有变，因为有人再看(感谢各位老铁支持)所以决定再来一篇难度更大的GAN----cycleGAN，这次我们来个莫奈画生成，上强度！！4.CycleGAN4.1 cycleGAN的模型结构仍旧是：生成器+判别器好了，这次肯定有人要说了，这哪里变难了，感觉比之前的都简单。其实并不是的，cycle这个单词就是循环，弯弯绕绕的意思，你看你一会晕不晕。希望

兄弟们，我杀疯了，一日两更。推理片已经写好了，请查收先给大家一下整个项目的链接：链接：https://pan.baidu.com/s/1hwWF4-rfpiUBGUAZfWIgTQ提取码：qlwo项目的文件结构是这样的：model文件夹中，提供了一个我训练好的模型，因为deeplabv3+的模型还是比较大的，大概210M，所以建议开个百度云会员（这里也建议百度云给我点广告费，或者免除我的会员费）D

兄弟们，朋友们，为期两周的驻场生活结束了，没准说不定啥时候有要去，所以抓紧把YOLO篇搞定，驻场可是太累了，早6晚9，这和早9晚6可是一个天上一个地下啊，好了，废话不多说，今天进入YOLO中最难理解的部分。2.dataset 数据准备和创建标签先上代码吧，我们一点一点来讲from torch.utils.data import Dataset, DataLoaderfrom torchvision

本文详细记录了使用Gradio和ModelScope创建并部署MCP算命服务的完整流程。