本文介绍了工业巡检场景中AI边缘计算的部署实践。系统采用三层架构：巡检平台、边缘计算节点和检测模型，通过将YOLO模型部署在本地边缘节点，解决了传统云端处理存在的网络延迟和数据安全问题。文章详细说明了基于FastAPI的HTTP接口设计，包括请求参数和响应数据的结构化定义，并提供了本地测试、跨机器联调和内网穿透测试的具体实现方法。该方案通过接口化封装模型推理过程，使业务平台只需关注结构化结果，实现

yolo3的Pytorch实现，yolov3采用的主干网络是darknet53，借鉴了yolov2中的网络darknet19结构，相较于后者，前者加入了大量的残差模块，并且使用了步长为2，卷积核大小为3×3卷积层Conv2D替代池化层Maxpooling2D，在imagenet上分类测试上，darknet53在保证准确率的同时极大地提升了网络的运行速度，证明了darknet53在特征提取能力上的有

本文介绍了如何从零开始如何搭建深度学习环境的过程。先是介绍了Anaconda的安装，这是一个用于创建Python虚拟环境的工具，使环境管理更加便捷。接下来是PyCharm的安装，这是一个Python集成开发环境，适用于编码和项目管理。同时请关注显卡驱动、Python版本、深度学习框架版本和CuDNN版本之间的兼容性，还介绍了Jupyter Notebook，一种交互式编程环境，用于实验和笔记，并且

定义数据集一般是创建一个class继承torch.utils.data.Dataset，在这个class里面要定义三个函数，分别是init、len、getitem。init一般用于数据集的初始化，预处理等操作；len函数要输出这个数据集有多少条数据，按理来说我们这个测试数据是动态生成的，理论上来说有无穷多条，但在这样还是要给pytorch一个明确的数量；getitem函数是要根据序号i来获取一条数

首先，这里主要是能够建立一个神经网络，不免会用到torch.nn，所以涉及到的会有讲解，没有用到的就我也不是很了解的。当然在这里我提供了链接，方便进行学习。​​​。

本文介绍了如何从零开始如何搭建深度学习环境的过程。先是介绍了Anaconda的安装，这是一个用于创建Python虚拟环境的工具，使环境管理更加便捷。接下来是PyCharm的安装，这是一个Python集成开发环境，适用于编码和项目管理。同时请关注显卡驱动、Python版本、深度学习框架版本和CuDNN版本之间的兼容性，还介绍了Jupyter Notebook，一种交互式编程环境，用于实验和笔记，并且

支持向量机（SVM）是一类按监督学习的方式对数据进行二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。SVM的学习策略是间隔最大化，可形式化为求解一个凸二次规划问题，也等价于正则化的合页损失函数的最小化问题。线性可分支持向量机、线性支持向量机以及非线性支持向量机。当训练数据可分时，通过硬间隔支持向量

最近换新笔记本了，要重新安装软件，以前本来是想要写这个教程的，但当时由于截图不全还要懒得再下载重装，就放弃了，到后面又搁置了，而现在还要重新配置环境，所幸我有机会把这个教程写完整。CUDA（Compute Unified Device Architecture）中文名为统一计算设备架构，是显卡厂商NVDIV推出的运算平台，可以帮助GPU处理图形相关的计算问题。我们可以通过在命令行输入以下命令来查看

因为这些是属于我们项目小组的，我也不清楚是不是有什么不能公开的，我就截取了一小部分，原本是用lambelme来修改的，但由于xml文件似乎读不进去，所以只有手动修改，将water改为blue（重要的是一个一个用记事本打开，手动修改），这时候我的第一生产力产生了，because I am lazy。我查了，是因为编码的问题，可以把XML文件的格式用记事本另存为ANSI就可以了（我不知道怎么另存为，可

我们主要简单的介绍下图像，以及一个重要的库PIL，本章主要是一个过渡篇章，下一单元，我将会写有关于matplotlib的博客