ConvNext目标检测部分的代码，作者仅提供了部分python文件，如果想将该部分代码正常跑起来，会涉及ConvNext、Swin-Transformer-Object-Detection和Mmdetection多个仓库。本篇文章分享了本人组装好的一个用于object detection的ConvNext仓库，方便目标检测领域的读者直接安装、使用。

【pipeline实践】基于mmocr和文本合成器快速训练一个自己的文本识别器。

程序是对现实世界/需求的映射，pytorch也不例外。在深度学习领域中，一般所需要的三种变量及pytorch中对应的三种tensor总结如下

随着大语言模型规模不断增长，高效、稳定、低成本的推理部署逐渐成为 LLM 应用落地的关键环节。从模型加载、推理执行，到 KV Cache、Batching、并行计算与服务化部署，一套完整的推理系统背后涉及大量工程优化。本文将围绕当前主流的 LLM 推理生态，介绍 Hugging Face Transformers、vLLM、SGLang 和 TokenSpeed 等工具的核心定位、设计思路与适用场

最近，正赶上某一个DDL, 大家都在开足马力使用显卡疯狂跑实验，突然发现原先的实验配置在相同的4090机器上训练速度要慢2~3倍，一次实验的时长来到了9天，这有点难以接收。幸好有小伙伴帮忙搞到了一台4卡的A100资源，可以用。欣喜之余，也遇到了问题：如果我启一个任务，那么训练速度是正常的；如果在两张显卡上起分别起两个训练实验，则这两个训练实验的训练时长都会加倍，显然是两个实验出现了互相影响。也不能

1. 引言  本篇文章是介绍ＤarkNet的第三篇文章。第一篇文章主要是介绍ＤarkNet的使用，重点在于熟悉ＤarkNet训练集的数据标签形式和相关的使用指令。第二篇文章主要是介绍ＤarkNet的test线的源码：包括List数据结构;网络多链的实现;回调函数机制和检测的前向后处理。本文是第三篇文章，按照设计，ＤarkNet就会以这三篇文章作为主脉络，后续若再有相关的关于ＤarkNet的文章，也

目标检测－ＤarkNet使用引言１. ＤarkNet的安装2. Ｙolo的介绍2.1 与Ｆocal Loss相比，性能领先2.2 以极低的代价实现速度与精度的trade-off2.3 产业界的广泛应用功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创

目标检测－ＤarkNet源码解读DarkNet源码解读1.一些思考 1.1 DarkNet的本质 1.2 深度学习分为两条线 1.3 检测任务的步骤2.代码走读 2.1 程序入口 2.2 步骤1 加载网络 2.2 加载图片 2.3 前向 2.4 后处理3.一些细节 3.1 双向链表来存储网络 3.2 回调函数来模拟虚函数 3.3 分类阈值与nms操作到底是怎么操作的4.回头看 4.1 Yolov3

1. 论文1.1 文章讲了什么  目前目标检测领域的做法分为两大类：anchor-based(one-stage vs two-stage)和anchor-free(keypoint-based vs center-based)。anchor-based系列的文章有例如R-CNN系列和YOLO系列。而anchor-free系列的文章是由于FPN和Focal loss的出现，也变得流行起来（大概在2

[内涵]VIT源码解读]中介绍了目前在LLM/VLLM领域已经占据主流地位的VIT。但是在VIT中将不同分辨率强行resize到同一个size的方式，显然直觉上有点生硬。在QWenvl系列中，采用的是VIT的改进版本，支持任意分辨率图像输入的NaVIT。