在docker中挂载硬盘最近，在折腾关键点检测的东东，于是乎…生成了好多HDF5格式的数据，我的天！基本上5000张224*224的数据生成HDF5就要1GB，于是。。。我的固态炸了！！于是，就想能不能再docker上挂载电脑上的硬盘，而不仅仅只能用home/user下的内存空间~话不多说，直接上步骤：1.停止 docker 引擎systemctl stop docker.service2.编辑c

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--txt2xml脚本

YOLO算法的数据格式基本上都是VOC格式的，我在网上看了很多xml2txt的脚本，发现很多还是有一些问题的，并不能直接运行得到正确的txt文件。所以特地写一篇blog

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

解决在pycharm中opencv-python（cv2）没有自动补全的问题

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。...

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、

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