如果图中没有提示词物品, 可能会强行安利一个不能处理太长的句子, 会超出理解范围提示词很重要, 检测不到的物品, 可能换个表达就能检测出来了.作为开集检测模型, GLIP还是非常优秀的, 比如零样本检测. 还可以实现视频检测任务. 快速自动标注等,至于检测精度, 还不能与有监督算法相比.对于工业部署, zero-shot还是算了, 薛定谔的检测结果不太靠谱. 微调后应该会好很多.

FasterRCNN tensorflow-keras源码解读提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录FasterRCNN tensorflow-keras源码解读前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言faste

transformer是nlp领域重要创新，被应用到cv领域后更是迅速火爆，在Python包pyitcast已经实现好了transformer模型，为了深刻理解模型各个细节，这里重新手动实现一遍。重要参考：12345关于理论部分，上面列举参考讲的非常好，我写不出更好的文字解读，就直接推荐别人的吧。

TensorRT常见使用问题

比如llama3和llama3.1，在prompt一样时，transformers和vllm的推理结果是对齐的，但qwen系列结果对不齐，这就很奇怪，因为vllm解码与采样策略是所有模型公用的。在模型输出特征一致的情况下， 影响输出token最大因素即是不同的采样策略，如transformers和vllm的推理结果会有偏差。在前面几篇文章中，详细讲述了vllm的调度系统和模型推理流程，现在还剩下最

如果图中没有提示词物品, 可能会强行安利一个不能处理太长的句子, 会超出理解范围提示词很重要, 检测不到的物品, 可能换个表达就能检测出来了.作为开集检测模型, GLIP还是非常优秀的, 比如零样本检测. 还可以实现视频检测任务. 快速自动标注等,至于检测精度, 还不能与有监督算法相比.对于工业部署, zero-shot还是算了, 薛定谔的检测结果不太靠谱. 微调后应该会好很多.