本文介绍了一个用于管理大模型训练/推理配置的Python数据类BaseModelArguments。它通过@dataclass装饰器自动生成常用方法，包含以下核心功能： 模型加载配置：必填的模型路径、适配器路径、缓存目录等 分词器设置：快速分词选项、特殊token处理等 性能优化：支持FlashAttention、Unsloth等加速技术 显存管理：梯度检查点等内存优化选项 高级功能：支持MoD、

在实际工程中，我们一般会先用少量的数据集进行人工标注，然后训练一个简单的深度学习网络模型，然后基于该网络模型进行预测，对剩余大量测试图片进行初步标注，然后基于机器标注之后的结果进行人工微调标注框，这样即省时又省力。这篇blog主要就讲讲基于训练好的YOLO v5模型实现自动辅助标注。...

YOLO系列 --- YOLOV7算法（六）：YOLO V7算法onnx模型部署

目标检测之NMS代码实现（python）思路分析非极大值抑制(Non-Maximum Suppression,NMS)，顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。是目标检测中常用的一种精修bounding box的方式。上面就很好的展示了NMS的运行效果~1.首先输入图片中包括很多目标种类（人，马，狗，汽车）。2.可以通过各式各样的候选框生成方法，可以得到右上角图中众多候选框（目前

神经网络的更新过程（正向与反向）在tf代码框架中，肯定少不了一个loss和优化器的构建~那么到底是如何进行更新参数的呢？这篇blog举个实例来说明其中的更新过程~~思路神经网络的一种求解W的算法，分为信号“正向传播(FP)”求损失，“反向传播(BP)”回传误差；根据误差值修改每层的权重，继续迭代，直到参数更新到固定值的时候，预测值与真实值的误差最小。下面随便举一个栗子来说明~假设有一个样本数据，它

在实际工程中，我们一般会先用少量的数据集进行人工标注，然后训练一个简单的深度学习网络模型，然后基于该网络模型进行预测，对剩余大量测试图片进行初步标注，然后基于机器标注之后的结果进行人工微调标注框，这样即省时又省力。这篇blog主要就讲讲基于训练好的YOLO v5模型实现自动辅助标注。...

NVIDIA-SMI详解最重要的就是Volatile GPU-Util，表示的是你GPU的利用情况（已经用绿框标注）ps：如果想实时查看GPU的使用情况(每1s刷新一次)：watch -n 1 nvidia-smi

YOLO系列 --- YOLOV7算法（四）：YOLO V7算法网络结构解析

Tensorflow—训练过程中学习率（learning_rate）的设定在深度学习中，如果训练想要训练，那么必须就要有学习率~它决定着学习参数更新的快慢。如下：上图是w参数的更新公式，其中α就是学习率，α过大或过小，都会导致参数更新的不够好，模型可能会陷入局部最优解或者是无法收敛等情况。一、学习率的类型上图列举了我们常用的5种学习率设置的方法~1.固定学习率optimizer = tf.trai

ERROR: Failed building wheel for pycocotools解决办法问题：在下载安装pycocotools时候出现一下问题：解决办法1.第一种方法：在终端中直接输入：pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI这个方法是在目前网上最常见的解决方法，但是