<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[I_know_cherish的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/I_know_cherish</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; I_know_cherish]]></copyright><item><title><![CDATA[基于 OpenCV DNN 与 CycleGAN 的图像风格迁移系统]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/162808037</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/162808037</guid><author>I_know_cherish</author><pubDate>Sun, 12 Jul 2026 10:50:31 +0800</pubDate><description><![CDATA[本项目实现了一个基于CycleGAN的无配对图像风格迁移系统，可在真实照片与莫奈油画风格间进行双向转换。系统采用PyTorch训练两个生成器（照片↔油画）和两个判别器，通过循环一致性损失确保内容保留。训练完成后导出ONNX模型，使用OpenCV DNN进行轻量化推理。项目特点包括：无需成对数据、保留原图结构、支持CPU离线推理。实验表明系统能有效转换色彩和纹理风格，为无监督风格迁移提供了从训练到部署的完整解决方案，具有实际应用价值。]]></description><category></category></item><item><title><![CDATA[基于 YOLOv8n 的安全帽检测系统实现思路分享]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/162621426</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/162621426</guid><author>I_know_cherish</author><pubDate>Mon, 06 Jul 2026 08:25:04 +0800</pubDate><description><![CDATA[本文介绍了一个基于YOLOv8n的安全帽检测系统的完整实现过程。项目采用轻量级的YOLOv8n模型，完成了从数据集准备、模型训练到可视化界面搭建的全流程。实验对比了不同batch size和输入尺寸的影响，最终选用batch=8、imgsz=640的配置。系统通过Tkinter实现了简单的图片上传、检测和结果显示功能，能够有效识别工地场景中的人头和安全帽。项目展示了目标检测的典型工程流程，虽然存在小目标漏检等不足，但为YOLO初学者提供了良好的实践案例，并指出了数据增强、模型升级等优化方向。]]></description><category></category></item><item><title><![CDATA[基于Q-learning的走迷宫：从零实现强化学习完整项目]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/162031553</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/162031553</guid><author>I_know_cherish</author><pubDate>Tue, 16 Jun 2026 12:19:47 +0800</pubDate><description><![CDATA[本文介绍了一个完整的Q-learning走迷宫项目实现，包含迷宫环境搭建、智能体训练和可视化交互界面。项目采用标准Q-learning算法，通过ε-贪心策略实现探索与利用的平衡，并设计了合理的状态动作空间和奖励机制。核心部分包括：迷宫环境类处理状态转换和奖励计算，Q-learning智能体实现学习和决策，随机迷宫生成器保证迷宫有解。项目提供了简洁的Tkinter可视化界面，支持一键训练、自动演示、路径显示等功能。代码结构清晰，易于扩展，可作为强化学习的入门实践案例，未来可扩展为深度Q网络等更复杂算法。]]></description><category></category></item><item><title><![CDATA[基于 DeepSeek + 魔珐星云具身驱动 SDK 实现手机推荐员]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/161926474</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/161926474</guid><author>I_know_cherish</author><pubDate>Fri, 12 Jun 2026 14:44:39 +0800</pubDate><description><![CDATA[本项目开发了一个基于大语言模型和3D数字人的AI手机导购系统。系统分为前端展示、后端服务和数字人驱动三部分：前端采用HTML/CSS/JavaScript构建交互界面，支持文字输入和快捷标签；后端使用Node.js+Express搭建API服务，安全调用DeepSeek大模型生成导购回复；通过魔珐星云SDK驱动3D数字人实现语音播报和表情动作同步。该系统将大模型的智能分析与数字人的拟人表达相结合，为智能客服领域提供了创新实践方案，未来可进一步接入商品库、增加语音输入等功能以提升实用性。]]></description><category></category></item><item><title><![CDATA[Python 数据可视化]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/161824875</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/161824875</guid><author>I_know_cherish</author><pubDate>Tue, 09 Jun 2026 14:13:00 +0800</pubDate><description><![CDATA[本文系统讲解数据可视化核心知识与 Python 落地方案，内容分为六部分：一是可视化定义与应用价值，依托图形直观挖掘数据规律、支撑决策；二是可视化设计五大原则，兼顾清晰、简洁、可读、客观与美观；三是四类基础数据匹配对应图表，分类、时序、连续数值、地理数据分别适配柱状图、折线图、散点图、地图等；四是位置、长度、色彩等五类视觉编码规范；五是 Matplotlib、Seaborn 等主流 Python 可视化库实操示例；六是从数据预处理到图表导出的完整实战流程。文中解决中文绘图常见故障，补充交互式图表、数据大屏等]]></description><category></category></item><item><title><![CDATA[从零搭建一个基于 DeepSeek API 的 Python 编程型智能体 CodePilot]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/161653957</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/161653957</guid><author>I_know_cherish</author><pubDate>Wed, 03 Jun 2026 13:47:35 +0800</pubDate><description><![CDATA[从零搭建一个基于 DeepSeek API 的 Python 编程型智能体 CodePilot]]></description><category></category></item><item><title><![CDATA[【深度学习实战】基于CycleGAN实现马与斑马图像风格转换（完整训练+测试复盘）]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/161628602</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/161628602</guid><author>I_know_cherish</author><pubDate>Tue, 02 Jun 2026 16:50:10 +0800</pubDate><description><![CDATA[本项目基于PyTorch实现轻量化CycleGAN网络，完成马与斑马的无监督图像风格转换。核心采用双生成器（ResNet结构）和双判别器（Patch结构），通过对抗损失、循环一致性损失和恒等损失实现非配对图像转换。训练100轮后模型能完成基础纹理迁移，但存在背景误渲染和边缘瑕疵问题。项目模块化代码清晰，完整记录训练过程，适合GAN入门学习，后续可从数据增强、注意力机制等方面优化提升效果。]]></description><category></category></item><item><title><![CDATA[基于Streamlit的轻量本地RAG知识库问答系统（纯本地部署、无API依赖）]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/161362886</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/161362886</guid><author>I_know_cherish</author><pubDate>Sun, 24 May 2026 12:39:23 +0800</pubDate><description><![CDATA[这篇文章介绍了一个轻量级本地化RAG（检索增强生成）知识库问答系统的实现方案。该项目采用纯本地部署模式，无需云端API或向量服务，有效解决了数据隐私和部署复杂性问题。系统基于Streamlit构建可视化界面，包含文档上传、知识存储和智能问答三大核心功能模块，采用分层架构设计，既保证了基础功能的简洁性，又预留了向量检索和大模型升级的扩展接口。项目特色包括完全本地化运行、极简依赖配置、模块化可扩展架构，特别适合作为RAG技术入门学习项目，也可直接用于个人知识管理场景。]]></description><category></category></item><item><title><![CDATA[超炫酷！基于 Three.js+MediaPipe 实现 3D 粒子手势控制特效（附核心框架代码）]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/161283606</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/161283606</guid><author>I_know_cherish</author><pubDate>Thu, 21 May 2026 13:10:44 +0800</pubDate><description><![CDATA[本文介绍了一个基于纯前端技术的3D粒子手势交互系统，采用Three.js+MediaPipe实现电影级视觉效果。系统支持6万粒子高精度渲染、UE4级泛光效果，通过摄像头实时手势识别实现手掌开合缩放和移动旋转控制。项目采用模块化设计，包含粒子生成、3D渲染、手势识别和UI控制四大核心模块，使用CSS变量和毛玻璃效果打造现代化控制面板。关键技术包括自定义Shader粒子材质、MediaPipe手势检测算法和后期泛光处理。该系统无需后端支持，可直接部署到静态服务器，并支持移动端/PC端自适应。未来可扩展VR/AR]]></description><category></category></item><item><title><![CDATA[基于paddle框架的中文新闻文本标题分类]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/161228830</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/161228830</guid><author>I_know_cherish</author><pubDate>Tue, 19 May 2026 22:42:33 +0800</pubDate><description><![CDATA[本项目基于PaddlePaddle框架开发了一个中文新闻标题分类系统，采用BiLSTM模型实现端到端文本分类。系统亮点包括：字粒度编码降低未登录词影响，引入Dropout等正则化技术防止过拟合，支持财经、房产等10类新闻分类，测试准确率达90.59%。项目提供完整的训练评估流程、混淆矩阵可视化以及Tkinter图形化预测界面，模块化设计便于扩展。实验表明，针对短文本特性，BiLSTM能有效捕捉标题中的长距离语义关联，综合表现优于TextCNN等模型。该系统可作为NLP入门实践案例，适用于新闻内容管理等场景。]]></description><category></category></item><item><title><![CDATA[基于 YOLOv8 的猫狗图像分类项目全流程复盘]]></title><link>https://blog.youkuaiyun.com/I_know_cherish/article/details/161185371</link><guid>https://blog.youkuaiyun.com/I_know_cherish/article/details/161185371</guid><author>I_know_cherish</author><pubDate>Mon, 18 May 2026 10:36:38 +0800</pubDate><description><![CDATA[本项目基于YOLOv8轻量级图像分类模型，实现了猫狗二分类任务的全流程开发。通过搭建PyTorch+CUDA环境，利用本地数据集训练出准确率达95.9%的轻量化模型（仅3MB），并开发了tkinter可视化界面。项目采用迁移学习技术，仅7轮训练即达到理想效果，充分发挥了RTX4060显卡的并行计算优势。同时解决了PyTorch版本兼容、Windows路径等常见问题。最终成果包括高效识别模型和易用的图形界面，为后续扩展多分类任务奠定了基础。未来可通过数据增强和模型升级进一步提升性能。]]></description><category></category></item></channel></rss>