CANN-Recipes-Harmony-Infer是针对鸿蒙系统的AI推理优化解决方案，提供模型压缩、量化、剪枝等优化技术。该架构包含模型优化、推理执行、系统适配和样例四大模块，通过内存复用、算子优化、功耗监控等策略提升性能。项目在GitHub上活跃度高，支持图像分类、目标检测等应用场景，未来将扩展更多优化算法和设备支持。开发者可通过简洁API实现高效推理，显著提升鸿蒙设备上的AI性能表现。

该数据集包含单车和共享单车的图像，图片已划分、已标注，适用于YOLO系列深度学习分类检测任务。该数据集为AI研究者与开发者提供了一个高质量的单车和共享单车检测任务起点。无论你是刚入门的深度学习初学者，还是希望优化模型性能的研究者，该数据集都能助你快速构建高精度的检测系统。

本文介绍了一个专为牛行为识别设计的AI训练数据集，包含5000张已标注图片，涵盖牛卧、站立和行走三种行为。数据集采用YOLO格式标注，划分为训练集(70%)、验证集(20%)和测试集(10%)，适用于目标检测任务。该数据集支持智慧牧场系统开发、动物健康监测和农业AI教学研究，能帮助实现牛群行为自动监测、异常行为识别和疾病预警等功能。数据集来源多样化，覆盖不同场景和光照条件，为AI模型训练提供了高质

该数据集共包含10000张图片，均为清晰标注的翻墙、攀爬、非攀爬行为样本，覆盖不同场景、角度与光照条件。所有图片均已完成目标框标注（Bounding Box Annotation），可直接用于训练目标检测模型。

本文介绍了一个用于驾驶疲劳/分心状态检测的数据集，包含3000张已标注图片，支持YOLO等目标检测模型。数据集聚焦驾驶员眼睛和嘴部状态（闭眼、睁眼、张嘴、闭嘴），可用于识别疲劳驾驶行为。数据已划分为训练集和验证集，采用YOLO格式标注。该数据集适用于智能驾驶辅助系统、车载预警系统等场景，能有效提升行车安全。通过实时监测驾驶员状态，可及时预警疲劳驾驶风险。

该数据集围绕城市交通场景构建，涵盖了机动车、非机动车、行人以及多状态的交通信号灯，共计7类目标。该数据集不仅具备场景多样性和标注精准性，而且已按照train、val、test划分，可直接应用于目标检测、场景理解和交通管理系统的研究和开发。该数据集为AI研究者与开发者提供了一个高质量的交通场景检测任务起点。无论你是刚入门的深度学习初学者，还是希望优化模型性能的研究者，该数据集都能助你快速构建高精度的

本文分享了一个用于道路缺陷检测的深度学习数据集，包含6000张高分辨率图像，涵盖8类常见道路缺陷（裂缝、井盖、坑洼等）。数据集采用YOLO格式标注，已划分为训练集(70%)、验证集(20%)和测试集(10%)，覆盖多种道路类型和天气条件。数据采集遵循多场景、多缺陷类型原则，经过严格的质量控制和标注验证流程。该数据集可直接用于目标检测模型的训练与评估，为道路巡检智能化提供数据支持。下载链接：http

摘要： CANN Ops-Transformer是针对Transformer类大模型的专用算子库，通过算子融合、内存优化等技术在NPU上实现高效计算。其核心设计包括自注意力模块和前馈网络模块的深度优化，将传统独立算子合并为融合算子，减少内存访问与同步开销。通过矩阵乘单元加速QKV计算、流水线并行执行注意力分数与softmax等优化手段，显著提升BERT、GPT等模型的推理性能（最高达4倍）。该库与

本文介绍了一个适用于PCB电路板缺陷检测的深度学习数据集，包含近千张已标注图片，划分为训练集和验证集。数据集涵盖6类常见PCB缺陷（缺失孔、鼠咬痕、开路等），采用YOLO格式标注，分辨率1024x1024。该数据集可直接用于YOLO等目标检测模型训练，适用于工业质检、智能制造等领域，可替代人工检测，提高检测效率和精度。数据集支持数据增强和迁移学习研究，为PCB缺陷自动检测提供高质量数据基础。

本文介绍了一个高压电线电力巡检图像识别数据集，包含2000张标注图像，覆盖电缆破损、绝缘子破损等6类典型巡检目标。数据集采用YOLO格式标注，已合理划分为训练集（1400张）、验证集和测试集（各300张）。该数据集具有高质量标注、场景覆盖全面等特点，适用于电力巡检目标检测、缺陷识别等任务，支持YOLOv5/v8等主流框架。数据集已预处理完成，可直接用于模型训练，为电力巡检智能化提供数据支持。下载链