<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[A_timing的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/A_timing</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; A_timing]]></copyright><item><title><![CDATA[VS code终端使用命令conda init出现报错]]></title><link>https://blog.youkuaiyun.com/A_timing/article/details/147232557</link><guid>https://blog.youkuaiyun.com/A_timing/article/details/147232557</guid><author>A_timing</author><pubDate>Mon, 14 Apr 2025 20:53:03 +0800</pubDate><description><![CDATA[的命令行工具（如 PowerShell、Command Prompt 或 Git Bash）出现问题，更换一个就行。：点击终端右侧三角箭头，换一个与当前不同的命令行工具即可。]]></description><category></category></item><item><title><![CDATA[yolov8n.pt的使用yolov8x.yaml的使用有什么区别]]></title><link>https://blog.youkuaiyun.com/A_timing/article/details/147066531</link><guid>https://blog.youkuaiyun.com/A_timing/article/details/147066531</guid><author>A_timing</author><pubDate>Tue, 08 Apr 2025 13:40:53 +0800</pubDate><description><![CDATA[而`yolov8x.yaml`是一个配置文件，用于定义模型的结构和训练参数，适合在训练新模型时使用。- `yolov8x.yaml`：适用于需要自定义模型结构或训练参数的场景，比如训练自己的数据集时，可以通过修改配置文件来调整模型的类别数、输入图像尺寸等。- `yolov8n.pt`：这是一个预训练的模型权重文件，包含了模型的结构和训练好的参数。它可以直接用于目标检测任务，无需额外的训练。- `yolov8x.yaml`：适用于需要训练新模型或对现有模型进行微调的场景，尤其是在需要自定义模型结构时。]]></description><category></category></item><item><title><![CDATA[AttributeError: ‘RTDETRDecoder‘ object has no attribute ‘stride‘]]></title><link>https://blog.youkuaiyun.com/A_timing/article/details/146987117</link><guid>https://blog.youkuaiyun.com/A_timing/article/details/146987117</guid><author>A_timing</author><pubDate>Thu, 03 Apr 2025 18:53:38 +0800</pubDate><description><![CDATA[网上看了很多教程，大概都是需要改断点训练，或者使用最新版本Ultralytics,但作者尝试很久,这些方法都不能成功，最后去github论坛才发现导入有问题。]]></description><category></category></item><item><title><![CDATA[棉花叶片数据集的一种半自动标注方法]]></title><link>https://blog.youkuaiyun.com/A_timing/article/details/146544345</link><guid>https://blog.youkuaiyun.com/A_timing/article/details/146544345</guid><author>A_timing</author><pubDate>Thu, 27 Mar 2025 00:24:11 +0800</pubDate><description><![CDATA[本文旨在讨论如何实现数据集的高质量和高效标注，帮助读者深刻理解在机器学习眼里什么样的数据集才是好的数据集，以及采用一种半自动标注方法实现高效标注。]]></description><category></category></item><item><title><![CDATA[奥比中光windows配置流程（小白专用)]]></title><link>https://blog.youkuaiyun.com/A_timing/article/details/146447269</link><guid>https://blog.youkuaiyun.com/A_timing/article/details/146447269</guid><author>A_timing</author><pubDate>Sat, 22 Mar 2025 23:13:42 +0800</pubDate><description><![CDATA[先下载驱动，保存后打开电脑，搜索设备管理器（我这里直接点击电脑右下角电池，找到搜索框搜索）这里不同电脑显示位置可能不同，我的电脑需要点开照相机，看见Orbbec字母表示驱动安装成功。]]></description><category></category></item><item><title><![CDATA[通道注意力机制和空间注意力机制]]></title><link>https://blog.youkuaiyun.com/A_timing/article/details/145951891</link><guid>https://blog.youkuaiyun.com/A_timing/article/details/145951891</guid><author>A_timing</author><pubDate>Sat, 01 Mar 2025 19:01:18 +0800</pubDate><description><![CDATA[**作用原理**：假设一个特征图有多个通道，每个通道代表不同的特征响应。- **作用原理**：在一幅图像的特征图中，不同位置的像素承载着不同的信息。- **含义**：通道注意力机制主要关注的是特征图中不同通道之间的信息。这里的“语义信息”是指特征通道所代表的不同语义含义，比如在图像中，不同的通道可能对应颜色、纹理、形状等不同的特征。- **通道注意力机制**是在通道层面上的加权，让模型更关注某些对任务有用的特征通道。- **空间注意力机制**是在空间层面上的加权，让模型更聚焦于特征图中的关键区域。]]></description><category></category></item></channel></rss>