作为一名Python开发，我一直使用的是国产Deepin操作系统作为我的开发主力，而且是从工作以来唯一使用的Linux开发系统。在2018年左右使用的是deepin20.9，那时deepin还没有控制中心，侧边栏打开展示所有的系统控制。简洁的设计，现代化的UI让人眼前一亮。2023 年开始使用deepinv23的beta版本，deepin v23的整体设计更好，新增了很多原厂APP,比如邮箱就是我

mosaic 是yolov4中提出的一个数据增强的方式，通过将4张图片拼接在一起送入训练，有效提升了模型的map

yolov8 + deeposrt 的代码实现

vLLM 的性能优势并非简单的代码优化，而是源于其底层架构的革新。理解下面三个核心概念，你就能明白它为何如此高效。

yolov8 + deeposrt 的代码实现

要从检测到的行人中判断是否有特定目标人物存在，其技术流程和关键技术可以分为以下几个核心环节：整个流程可以概括为：**人脸检测 → 人脸对齐 → 特征提取 → 特征比对与识别**。

LlamaFactory是一个面向AI开发者的大模型训练与微调平台，提供从开发到部署的全流程解决方案。平台通过可视化界面和自动化工作流降低技术门槛，支持训练、导出、推理和评估等核心功能。安装使用uv工具即可完成，提供WebUI和命令行两种操作方式，支持LoRA、QLoRA等多种微调方法。平台兼容Alpaca和ShareGPT数据格式，并可通过国内镜像加速模型下载。典型工作流程包括准备模型与数据、配

Unsloth 是一个专门为 Llama 3.3、Mistral、Phi-4、Qwen 2.5 和 Gemma 等模型设计的微调加速框架。该项目由 Daniel Han 和 Michael Han 领导的团队开发，旨在为开发者提供一个高效、低内存的微调解决方案。Unsloth 支持多种模型，并且提供了免费的笔记本示例，让初学者也能轻松上手。

transformers 是 Hugging Face 提供的一个大模型推理和训练框架。transformers 配合 PEFT 微调库完成原生的大模型微调。PEFT (Parameter-Efficient Fine-Tuning) 是一个用于高效地将预训练模型适配到各种下游应用的库，无需对模型的所有参数进行微调。PEFT 方法仅微调少量（额外的）模型参数——显著降低了计算和存储成本——同时取得

自从Chatgpt横空出世以来，各种智能工具层出不穷，聊天、绘画、视频等各种工具帮助很多人高效的工作。作为一个开发者，目前常用应用包括代码自动填充，聊天助手等。这些是工具层面的使用，有没有将大模型和日常编码的前后端流程相结合使用的切入点呢？今天分享一个使用大模型自动调用api接口的示例，可以作为大模型在开发中的另一种使用场景。