准确率达 91.74%!东南大学提出光伏电池缺陷检测模型,首次引入神经结构搜索

全球最大光伏电池缺陷异常检测数据集PVELAD【发布】 下载地址 1:GitHub - binyisu/PVEL-AD 下载地址 2:http://aihebut.com/col.jsp?id=118 下载地址 3:NAVEDownload 竞赛测试系统:Photovoltaic cell anomaly detection | Kaggle 一、简介 PVEL-AD 数据集又叫做EL2021数据集是用于对光伏电池异常缺陷检测方法进行基准测试的数据集,重点是光伏电池工业检测。PVEL-AD包含 36,543 张具有各种内部缺陷和异构背... 阅读详情
AI摘要

本文介绍了光伏产业的快速发展及其面临的问题,特别是光伏组件的规模化应用中如何保证供电稳定。东南大学的研究团队开发了一种基于NAS和知识蒸馏的轻量级光伏电池缺陷检测模型,显著提高了检测准确性和效率,为光伏产业的可持续发展提供了创新解决方案。

乘着从全球吹来的「绿色发展、低碳转型」东风,光伏 (photovoltaic, PV) 产业自进入 21 世纪以来,便以令世人惊叹的速度迅猛向前发展。在我国,光伏发电更是呈现出前所未有的活力。根据 2023 年 4 月国家能源局公布的当年 1-3 月份全国电力工业统计数据,截止当年 3 月底,我国光伏累计装机量已超越水电,成为全国第二大电源。

随着光伏发电的规模化应用,如何保障光伏供电稳定以及可持续发展也成为行业研究的重要课题。光伏组件是光伏的基本单元,受生产链条较长、应用场景复杂等多种外因影响,在其制造、运输、安装等过程中都极易发生模块破损,如果这些缺陷组件投入到实际运行中,极大可能造成整个供电系统功率降低甚至出现安全问题。因此,针对光伏的现场维护和故障诊断要求正变得越来越高。

目前,较为传统的 PV 缺陷检测手段包括电流-电压 (I-V) 曲线 (current–voltage (I–V) curve)、红外热成像 (IRT) 等,但囿于识别精度限制,上述方法均无法有效识别微裂纹等潜在风险因素。卷积神经网络 (CNN) 凭借其强大的特征捕获能力,结合基于高分辨率的电致发光 (electroluminescence, EL) 成像,正在成为 PV 缺陷检测的主流方法。不过基于 CNN 的模型参数通常较大,且对硬件资源要求严格,因此很难在实际的工业项目中得到大规模部署。

为了同时满足工业领域对缺陷检测的精度和速度要求,来自东南大学自动化学院的张金霞教授团队,提出了一种基于神经结构搜索 (neural architecture search, NAS) 和知识蒸馏 (Knowledge Distillation) 的新型轻量级高性能光伏电池电致发光 (EL) 图像缺陷自动检测模型。

目前,该研究成果已发布在 arXiv 上,标题为「A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation」。

研究亮点:

  • 提出一种用于光伏电池缺陷检测的轻量级模型,准确率高达 91.74%;
  • 首次将 NAS 引入到光伏电池缺陷检测领域,用于自动化轻量级网络设计,减少了手工设计的工作量;
  • 引入知识蒸馏充分利用了各种先验知识 (prior knowledge),且通过实验证明了该设计对提高缺陷光伏电池识别能力的有效性。

在这里插入图片描述

论文链接:
https://arxiv.org/abs/2302.07455
关注公众号,后台回复「光伏电池」即可下载论文

数据集和数据增强

本次研究的数据集为一个公共光伏电池数据集,含 2,624 张分辨率为 300 x 300 像素的光伏电池 EL 图像,包括单晶和多晶两种类型。研究团队以 0.5 为阈值,将样本分为功能样本和缺陷样本,将其中 75% 的图像,即 1,970 张图像随机选择为训练集,剩余的 654 张图像为测试集。训练集进一步被平分为搜索训练集与搜索测试集。所有图片的大小均调整为 150 x 150 像素。

在这里插入图片描述

数据集划分

数据增强是在小幅度增加数据的情况下,从原始数据中获得更多的表征,提升原始数据的质量,从而帮助模型减少过拟合,并增强鲁棒性。数据增强操作包括随机水平翻转、随机垂直翻转、在 (-2°,2°) 范围内随机旋转、在 {0°、90°、180°、270°} 范围内随机旋转和随机仿射变换。

该研究提出的模型由 Normal cells 和 Reduction cells 堆叠而成,通过搜索算法得到的内部结构如下图所示:

在这里插入图片描述

基于公共PV数据集上搜索得到的内部结构

一种基于 NAS 和知识蒸馏的缺陷检测方法

该轻量级网络设计架构如下图所示。研究人员通过 NAS 算法在设计好的搜索空间中自动获得了轻量级网络,并通过知识蒸馏充分利用了现有预训练大规模模型获取的先验知识,从而提高模型性能。

在这里插入图片描述

轻量级网络设计架构

首先,研究团队采用了基于连续梯度的 NAS 框架 DARTS 来自动设计用于光伏电池缺陷检测的模型,基于 DARTS 的快速搜索特性,研究人员进一步考虑了 PV 缺陷的视觉多尺度特征,设计了合适的搜索空间来增强对不同缺陷尺寸的特征识别。

在这里插入图片描述

为轻量级缺陷分类网络设计的搜索空间

轻量级网络所采用的搜索空间主要由两种单元结构堆叠而成,即 5 个 normal cell 和 4 个 reduction cell。设置 normal cell 是为了保持输入的大小,设置 reduction cell 是具有下采样的功能。如上图所示,每个单元融合前两个单元尺度不同的两个特征,第一个 normal cell 将相同的特征作为两次输入。

在这里插入图片描述

轻量化网络的详细结构

前 3 个 reduction cell 执行下采样和信道扩展,最后一个 reduction cell 的信道数量保持不变。所提出的轻量级网络将输入的光伏电池分类为功能正常或有缺陷。

其次,知识蒸馏是最有效的模型压缩方法之一,采用 Teacher-Student 模式,能够将知识从 Teacher 模型转移到 Student 模型。那些无法利用预训练模型中先验知识的网络架构,可以通过学习 Teacher 网络的知识来提高性能。在该实验中,由于轻量级网络只能从头开始训练,通过使用知识蒸馏,可以更好地利用先验知识进行训练。

研究人员转移了 4 种不同的知识先验——注意力信息、特征信息、logit 信息和面向任务的信息,以增强对光伏电池缺陷检测任务的蒸馏效果。

在这里插入图片描述

知识蒸馏概览

模型性能出众

研究团队将其所提出的轻量级模型与 Teacher 模型以及其他研究进行了比较,并在私有数据集上进行了测试,进一步证明该网络架构的有效性。

研究团队将该模型与手动设计的 6 个神经网络和公开数据集上的 Teacher 模型,在 200 个相同的 epoch 下进行了对比,结果如下图所示:

在这里插入图片描述

准确度/平衡准确度/精确度/召回率/F1分值的对比

结果显示,该研究提出的轻量级模型在测试集上的精度达到了 91.74%,甚至超过了 Teacher 模型水平的 1.22%。同时,该研究所提出的模型参数量更小,相比部分经典大模型所用资源更少,更易部署在实际的终端设备上。

在这里插入图片描述

上图为模型在识别缺陷光伏电池和功能正常的光伏电池上的准确率对比,研究人员所提模型在缺陷光伏电池识别上的正确率达到 86.28%,远超其他方法。

由此得出结论,与其他手动设计的模型相比,研究团队提出的模型不仅能够通过 NAS 算法自动搜索,减少了工作量,同时还能够在相对轻量级的架构下取得更高性能,证明了所提方法的有效性。

为进一步评估所提模型的性能,研究团队又提供了单晶或多晶 PV 上得性能对比,如表 4 所示:

在这里插入图片描述

左表:相同数据增强条件下, ELPV 公共数据集中仅单晶光伏电池与其他方法的对比
右表:相同数据增强条件下, ELPV 公共数据集中仅多晶光伏电池与其他方法的对比

在单晶 PV 电池上,所提模型的每一项指标都达到了最高水平,至于更难处理的多晶模型,该模型也远超其他模型。

效率和泛化能力

在终端设备上的部署需要综合考虑模型规模和计算量,为了测试效率,研究团队在 CPU 平台 (Intel i9-10980XE 24.75M Cache, 3 GHz) 上对该模型进行了评估。

在这里插入图片描述

CPU平台上的效率比较

综合评估发现,该模型远远优于其他小型模型、甚至大型经典模型。该轻量化模型可以满足一些常见的低功耗嵌入式设备的部署需求,如 Raspberry Pi-4B (4GB, 15W, 9~10 GFLOPS) 和 NVIDLA Jetson Nano (4GB, 10W, 7.368 GEFLOPS FP64)。

为了验证模型在不同数据源上的泛化性能,研究团队在一个私有光伏电池数据集上进行了模型训练。从 6 x 10、6 x 12、6 x 24 三种规格的光伏电池中提取出了8,580 张像素分辨率为 256 x 256 的图像,其中缺陷样品 482 张,功能正常样品 8,089 张。

结果显示,该模型在平衡精度和缺陷样本精度上分别比 Teacher 模型高出约 2.3% 和 5.7%。与其他方法相比差距很大。该模型对缺陷样本的准确率达到 94.26%,特别是在现实场景中表现出更好的缺陷识别能力。如下图所示:

在这里插入图片描述

在相同数据增强下,与其他方法在私有数据集上的对比

始于百年前,光伏发电仍是绿色能源的「宠儿」

作为新能源的代表,关于光伏发电技术的研究实际上已有超百年之久。1839 年,法国物理学家贝克勒尔首次发现了光伏效应,在此之后,经过各国科学家的不断钻研和努力,第一块实用光伏电池终于在 1954 年问世。如今,光伏产业随着全球绿色发展的脚步又一次乘上了东风,尤其在国内明确提出「双碳」目标之后,光伏产业的发展可谓前途一片大好。

这从不久前国家能源局发布的 2023 年全国电力工业统计数据便可见微知著。数据显示,截止 12 月底,全国累计发电装机容量约 29.2 亿千瓦,同比增长 13.9%,其中,太阳能发电装机容量约 6.1 亿千瓦,实现同比 55.2% 的增长。

从政策方面来看,2019 年 5 月 30 日,国家能源局发布了《关于 2019 年风电、光伏发电项目建设有关事项的通知》,其中明确了优先推进无补贴的平价上网项目建设,再开展需要国家补贴项目的竞争配置工作。这表明了我国光伏产业虽然已经进入稳定发展的成熟期,但推动光伏产业发展也仍然会是未来国内实现能源结构转型的重点工作。

2023 年,国家能源局、国家发改委等多个部门相继印发多个关于能源工作的文件,其中都明确了光伏是 2023 年能源行业的重点方向。

而本次研究则从产业层面为光伏产业的发展带来了利好消息,张金霞教授团队的研究成果从实际的应用侧为光伏电池缺陷检测提供有效工具,尤其是引入了 NAS 与知识蒸馏,为应用场景设计模型提供了一种新的思路,这或许将有望为产业就深度学习在光伏领域应用带来新的启迪,从而让技术与产业更好的结合。

光伏面板缺陷检测数据集总结 该光伏面板缺陷检测数据集包含 3636 张图片,提供了 YOLO 和 VOC 两种标注方式,可满足不同模型训练的需求。 阅读详情

相关推荐

<数据集>光伏板缺陷检测数据集<目标检测>

YOLO与VOC格式的光伏板缺陷检测数据集,适用于YOLO系列、Faster Rcnn、SSD等模型训练,类别:Crack、Grid、Spot

qq_53332949的博客 1648

光伏电池板/太阳能电池板缺陷检测数据集

提供了各种类型缺陷的图像样本,包括但不限于划痕、雪覆盖、碎裂、鸟粪、热斑以及二极管短路等。这些缺陷在可见光或红外光下

Maykit_easy的博客 3119

光伏组件elpv-dataset数据集

光伏组件elpv-dataset开源数据集,可用于训练深度学习光伏组件缺陷识别模型

电气领域相关数据集(目标检测,分类图像数据及负荷预测),输电线路图像数据

电气相关图像数据集集及负荷数据集如下(包含缺陷检测与分类): 1.输电线路巡检鸟巢检测图像数据集(含标签) 下载地址:输电线路鸟巢检测图像数据集下载地址 2.输电线路相关电力金具检测图像数据集 下载地址:输电线路相关电力金具检测图像数据集 3.某用户两年电表电压电流数据 下载地址:某用户两年电表电压电流数据 4.输电线路红外图像与可见光图像 下载地址:输电线路红外图像与可见光图像 5.电网故障下三相光伏系统研究仿真模型(matlab) 下载地址:电网故障下三相光伏仿真模型 6.输.

爱分享数据的一个人的博客 3万+

目标检测数据:光伏电池缺陷检测(xml标注文件)

216张数据和对应的xml标注文件,共有两个检测类别,损坏和无效的两类目标

电气类18. 太阳能发电板缺陷数据集(2600多张+VOC)

内含太阳能发电板缺陷数据集,光伏发电板电致发光成像缺陷检测数据集,2600多张图片,带VOC格式xml标签,类别有完好、裂痕、失效三类,可以用于电气工程专业在计算机视觉应用领域做研究,例如目标检测、图像识别、深度学习等!!! txt文件内有下载链接和提取码,放心下载即可!!!!

【数据集+完整源码】【YOLO】光伏缺陷数据集 5153 张,YOLO光伏电池缺陷识别系统实战训练教程,目标检测光伏板缺陷识别。

【数据集】【YOLO】【目标检测】光伏缺陷识别数据集 5153 张,YOLO光伏电池缺陷识别系统实战训练教程,yolo光伏板缺陷识别。 数据集中包含 4 种分类,具体分类为:names: ['bird_drop', 'clean', 'cracked', 'dust'],分别为鸟粪、干净、裂缝划痕、灰尘。 检测场景为屋顶房顶、草场、山区等,可以应用于对复杂缺陷的高效、准确识别,节约检修的人力成本和时间成本等。 基于QT的yolo可视化界面实战详细教程。

CV 小涵的博客,计算机本硕211毕业,研究计算机视觉、模型微调、RAG等方向,收藏有国内外优质数据集,解决视觉相关项目方案,欢迎交流讨论。 4769

太阳能设备组件红外检测图像数据集

太阳能设备组件红外检测图像数据集,该数据集由2万张24 × 40像素的红外图像组成。检测了12类太阳能组件,其中11类是不同的异常,剩下的一类是无异常(即空情况)。 太阳能设备组件红外检测图像数据集,该数据集由2万张24 × 40像素的红外图像组成。检测了12类太阳能组件,其中11类是不同的异常,剩下的一类是无异常(即空情况)。

如何训练自己的数据集之——光伏板缺陷红外检测数据集据

[文件目录]包含以下4个数据文件: /train:训练集 /valid:验证集 /test:测试集 README.txt:数据说明 [数据说明]检测目标以Pascal VOC格式 进行标注,对每个图像进行以下预处理,统一-调整大小为640x640。数据集共包含11599+光伏板红外图像样张,其中train包含11400+红外图像样张(带xml标注),valid包 含119+红外图像 样张( 带xml标注),test包 含80+红外图像样张(带xml标注) , 也可以自行划分训练集、验证集和测试集,数据集的增

2401_88441190的博客 1732

太阳能电池图像数据集.zip

内容: 该数据集包含2,624个300x300像素的8位功能和有缺陷太阳能电池的8位灰度图像样本,具有从44个不同太阳能模块中提取的不同程度的退化。带注释的图像中的缺陷是内部或外部类型的缺陷,已知会降低太阳能模块的功率效率。 所有图像的大小和透视图均已标准化。另外,在提取太阳能电池之前,消除了由用于捕获EL图像的相机镜头引起的任何失真。 可用于机器学习发现损坏的太阳能电池板的共同特征,帮助监控在使用的太阳能电池板是否存在问题。 引用数据集时,请标注以下引用; @InProceedings{Buerhop2018, author = {Buerhop-Lutz, Claudia and Deitsch, Sergiu and Maier, Andreas and Gallwitz, Florian and Berger, Stephan and Doll, Bernd and Hauch, Jens and Camus, Christian and Brabec, Christoph J.}, title = {A Benchmark for Visual Identification of Defective Solar Cells in Electroluminescence Imagery}, booktitle = {European PV Solar Energy Conference and Exhibition (EU PVSEC)}, year = {2018}, eventdate = {2018-09-24/2018-09-28}, venue = {Brussels, Belgium}, doi = {10.4229/35thEUPVSEC20182018-5CV.3.15}, } @TechReport{Deitsch2018, Title = {Segmentation of Photovoltaic Module Cells in Electroluminescence Images}, Author = {Sergiu Deitsch and Claudia Buerhop-Lutz and Andreas K. Maier and Florian Gallwitz and Christian Riess}, Year = {2018}, Archiveprefix = {arXiv}, Eprint = {1806.06530}, Journal = {CoRR}, Url = {http://arxiv.org/abs/1806.06530}, Volume = {abs/1806.06530} } @Article{Deitsch2019, author = {Sergiu Deitsch and Vincent Christlein and Stephan Berger and Claudia Buerhop-Lutz and Andreas Maier and Florian Gallwitz and Christian Riess}, title = {Automatic classification of defective photovoltaic module cells in electroluminescence images}, journal = {Solar Energy}, year = {2019}, volume = {185}, pages = {455--468}, month = jun, issn = {0038-092X}, doi = {10.1016/j.solener.2019.02.067}, publisher = {Elsevier {BV}}, }

光伏电池异常检测数据集-dataset.rar

光伏电池异常检测数据集 数据集内容:单晶、多晶光伏电池 异常分为两类,划痕与失效区

准确率达 91.74%!东南大学提出光伏电池缺陷检测模型,首次引入神经结构搜索...

本文约7000字,建议阅读14分钟 本文介绍了一种光伏电池 EL 图像缺陷检测模型,该模型基于神经结构搜索和知识蒸馏,准确率高达 91.74%。东南大学研究团队提出了一种光伏电池 EL 图像缺陷检测模型,该模型基于神经结构搜索和知识蒸馏,准确率高达 91.74%。乘着从全球吹来的「绿色发展、低碳转型」东风,光伏 (photovoltaic, PV) 产业自进入 21 世纪以来,便以令世人惊叹的速度...

数据派THU 415

光伏板太阳能板缺陷检测数据集VOC+YOLO格式2400张3类别.7z

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):2400 标注数量(xml文件个数):2400 标注数量(txt文件个数):2400 标注类别数:3 标注类别名称:["crack","grid","spot"] 每个类别标注的框数: crack 框数 = 892 grid 框数 = 884 spot 框数 = 852 总框数:2628 使用标注工具:labelImg 标注规则:对类别进行画矩形框 重要说明:共包含划痕、断栅与脏污三类缺陷

yolo光伏缺陷检测识别数据集

该光伏缺陷检测数据集包含1200多张图像,采用YOLO格式标注,可用于训练AI模型实现光伏组件缺陷识别。数据集支持智能运维、降低人工巡检成本,提升发电效率与系统安全性。其应用场景涵盖智能制造质量控制、科研算法创新及光伏产业可持续发展。该资源适用于计算机视觉项目、毕业设计及科研实验,为光伏行业的智能化升级提供关键技术支撑。

m0_73878864的博客 1167

开源网格划分软件-Gmsh二次开发教程 (4)网格生成与控制​

​本章将深入讲解Gmsh的网格生成技术,包括全局/局部网格控制、边界层生成、自适应细化等,并提供完整的代码示例。

ZQGG的博客 1476

不用公网IP!用Ollama+Chatbox搭建家庭AI助手(内网穿透方案对比)

本文详细介绍了如何利用Ollama和Chatbox在家庭局域网中搭建本地AI助手,无需公网IP即可实现内网穿透。通过对比不同穿透方案(如Tailscale、FRP等),提供最优配置建议,帮助用户低成本部署隐私安全的家庭AI系统,适用于智能家居、儿童教育等多种场景。

weixin_26765287的博客 470

使用深度学习目标检测框架yolov8训练使用光伏板缺陷数据集 构建光伏缺陷检测系统来识别脏污,太阳能光伏异物遮挡或阴影遮挡,太阳能光伏鸟粪,太阳能光伏阳光反射,组件变形,面板破碎,积雪共12类

使用深度学习目标检测框架yolov8训练使用光伏板缺陷数据集 构建光伏缺陷检测系统来识别脏污,太阳能光伏异物遮挡或阴影遮挡,太阳能光伏鸟粪,太阳能光伏阳光反射,组件变形,面板破碎,积雪共12类

2401_88440984的博客 1239

天线学习笔记——串馈网络设计

工程中通常更倾向于使用50Ω、70.7Ω、100Ω的固定阻抗的带宽,实际中可以分别使用固定阻抗的带宽和计算得到的带宽进行仿真,观察二者的性能,取性能更优者即可。本系列是一个记录天线设计的笔记,分享出来也希望能够帮助到大家,后续本系列文章还会不定期更新,如有需要可关注,任何问题均可在评论区或私信提出,看到必回。如果对大家有帮助可进行打赏哦~

Ethan的博客 7883

YOLO数据集 目标检测算法 光伏面板缺陷检测数据集 基于深度学习YOLOV11光伏面板缺陷检测系统 识别鸟粪 积雪 无缺陷 尘土 -物理损坏的检测

YOLO数据集 目标检测算法 光伏面板缺陷检测数据集 基于深度学习YOLOV11光伏面板缺陷检测系统 识别鸟粪 积雪 无缺陷 尘土 -物理损坏的检测

2401_88440984的博客 417

速腾RS-LiDAR-16激光雷达ROS配置全攻略:从硬件连接到Rviz点云可视化

本文详细介绍了速腾RS-LiDAR-16激光雷达在ROS环境中的配置与使用全攻略,涵盖硬件连接、网络配置、ROS驱动安装及Rviz点云可视化等关键步骤。通过实战案例和技术解析,帮助开发者快速实现激光雷达数据采集与处理,提升机器人感知系统的部署效率。

ooo22的博客 251

VirtualBox虚拟机上ubuntu系统安装问题记:显示画面太小、启动就异常退出等

报错:Failed to load R0 module D:/VMMR0.r0: The path is not clean of leading double slashes: ‘D:/VMMR0.r0’ (VERR_SUPLIB_PATH_NOT_CLEAN).解决方法特别简单,就是安装VIrtualBox的时候不要安装在CDE等盘根目录下。首先VirtualBox的下载安装过程是比较简单的,此处就不赘述了。然后E盘下新建个目录,安装到这个目录下就可解决。

qq_42595610的博客 2826

【完整源码+数据集+部署教程】 光伏面板缺陷检测系统源码和数据集:改进yolo11-LAWDS

【完整源码+数据集+部署教程】 光伏面板缺陷检测系统源码和数据集:改进yolo11-LAWDS

weixin_43860634的博客 1113

Go语言爬虫:chromedp 的详细使用

chromedp 是 Go 语言中无头浏览器自动化的终极利器。它能驱动真实的 Chrome 浏览器,处理 JavaScript 渲染、复杂交互和反爬虫机制

数据知道的博客 4496

使用YOLOv5进行目标船舶目标检测数据集检测_货船渔船运输船集装箱船客船识别,并利用TensorFlow和PyTorch来实现这一目标且构建一个用于海洋船舶目标检测深度学习模型

使用YOLOv5进行目标船舶目标检测数据集检测_货船渔船运输船集装箱船客船识别,并利用TensorFlow和PyTorch来实现这一目标且构建一个用于海洋船舶目标检测深度学习模型

2401_88440984的博客 1192

《AI应用架构师:解锁AI智能体于经济学研究洞察经济趋势的关键密码》

当经济学家还在为“疫情后的消费复苏曲线”“ChatGPT对就业的长期影响”等非线性问题挠头时,AI应用架构师已经用AI智能体搭建了一个“数字经济沙盘”:里面有会砍价的消费者、会算成本的企业、会调政策的政府,每个智能体像真实角色一样思考决策,甚至能模拟出“政策出台3个月后失业率的微妙变化”。这篇文章将带你从架构师视角拆解:如何用AI智能体破解经济学研究的3大痛点(数据爆炸、非线性复杂、动态演化)?如何设计能“活起来”的经济智能体?如何用智能体模拟出能指导现实的经济趋势?

AI天才研究院 903

有限元ABAQUS软件安装后管理员身份运行报错:Cannot connect to license server system...如何解决?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 2079
上一篇: 每周编辑精选|大模型有自己的 MBTI 数据集、成都理工大学搭建 SCDUNet++ 模型进行滑坡测绘
下一篇: Relay BNNS 集成
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值