训练总结8.1

全网首发!Yolov8_obb旋转框训练、测试、推理手把手教学(DOTA1.0数据集map50已达80%) 其中,images/train和images/val放置原始图片文件,labels/train_original和labels/val_original分别放置原始的标签文件,labels/train和labels/val为空,然后运行步骤(3)的代码,运行结束转换后的标签会保存在labels/train和labels/val中,格式如下。(4)新建yolov8-obb.yaml,修改nc和scales,我使用的是yolov8n.(2)构建数据集,安装下面目录格式,其他test可为空,一定要对应。 阅读详情

今天一共做了几道题,做的搜索题 有 棋盘问题,农民追牛问题,还有寻找0和1数字的十进制数字表示n的倍数的问题 。

棋盘问题是给出给定的棋盘大小,还有可以摆放棋子的位置,寻找出多少种摆放的方案,这里有个前提是棋子不能摆在同一行或者同一列。棋盘问题、

农民追牛问题,农民追上牛的最少的步数,农民追牛的方式有向前或向后走一步,或者一下到达2*x 这个位置。农民追牛

0和1表示问题,找到一个十进制的数,只有0和1,是n的倍数,这个题主要是发现搜索的方式,从1开始一直 x*10和 x*10+1,一直找到问题的解。0和1

这三道题以前也都是做过的。

 还有下午的练习题,

1.旋转方向问题,有四个方向,给出两个方向,再给出旋转的次数,输出是顺时针旋转的,还是逆时针旋转的。cw顺时针,ccw逆时针  。
用1,2,3,4表示方向,在准备把8个临近的a,b两个点都依次写出来时候,也都发现了规律,将临近的点 划分为两大类,分别是a>b和a<b两类;;还有顺时针逆时针两个都可以的不成立的,发现只要是两个方向不是相邻,肯定是endefinde,所以该开始的限制条件写了两个(方向对角,旋转次数是2的倍数)    只是没有想到限制条件只有旋转次数是2的倍数。

2.守卫问题,看看守卫够不够用。给出一段字母序列,找出每个字母的长度,(记下 这个 字母序列收尾),然后找出整体序列每个点 的每个字母的公共 的个数。

感觉这个题最主要的是找思路,发现自己的思维有点局限,发现思路后代码很好实现。

重点的看看 下午的练习:

旋转方向问题:

Examples
input
^ >
1
output
cw
input
< ^
3
output
ccw
input
^ v
6
output
undefined

Code:

#if 0
#include<bits/stdc++.h>
using namespace std;
int main()
{
	char c,cr;
	int a,b,k;

	cin>>c>>cr>>k;
	
	if(c=='^')
		a=1;
	else 
	if(c=='>')
		a=2;
	else
	if(c=='v')
		a=3;
	else
	if(c=='<')
		a=4;			
    
    if(cr=='^')
		b=1;
	else 
	if(cr=='>')
		b=2;
	else
	if(cr=='v')
		b=3;
	else
	if(cr=='<')
		b=4;	

    if(k%2==0)
     	cout<<"undefined"<<endl;
    else	
    if((a==1&&b==2)||(a==2&&b==3)||(a==3&&b==4)||(a==4&&b==1))
	{
		if(k%4==1)
		cout<<"cw"<<endl;
		else
		if(k%4==3)
			cout<<"ccw"<<endl; 
	
    } 	
    else
    if((a==2&&b==1)||(a==3&&b==2)||(a==4&&b==3)||(a==1&&b==4))
    {
    	if(k%4==1)
    		cout<<"ccw"<<endl;
    	else
    	if(k%4==3)
			cout<<"cw"<<endl;
	
	}

}
#endif


守卫问题:
Examples
Input
5 1
AABBB
Output
NO
Input
5 1
ABABB
Output
YES

#if 0
#include<bits/stdc++.h>
using namespace std;
int ans;
int main()
{
int t[30][2],n,gar,num=0,max=0;

char c[1000006] ;
  cin>>n>>gar;

for(int i=0; i<n; i++)
cin>>c[i];

while(num!=n) 
{
int k1,k2;
char cc; 

for(int i=0; i<n; i++)
{
if(c[i]!='0')
{
cc=c[i];
k1=i;
t[ans++][0]=i;
break;
}
}

for(int i=n-1; i>=0; i--)
{
if(c[i]==cc)
{
k2=i;
t[ans-1][1]=i;
break;
}
}

for(int i=k1; i<=k2; i++)
{
if(c[i]==cc)
{
num++;
c[i]='0';
}
}

}


for(int i=0; i<n; i++)
{ 
int cnt=0;
for(int j=0; j<ans; j++)
{
if(t[j][0]<=i && t[j][1]>=i)
{
cnt++;
}
}

if(cnt>max)
max=cnt;
}

if(max>gar)
cout<<"YES"<<endl;
else
cout<<"NO"<<endl;

}
#endif




CUDA 11.8 与 12.1 下 PyTorch 2.1 性能对比:RTX 4090 训练 ResNet-50 实测 本文对比了CUDA 11.8与12.1在RTX 4090上使用PyTorch 2.1训练ResNet-50的性能表现。测试结果显示,CUDA 12.1在训练速度、GPU利用率和计算效率等方面均有显著提升,综合性能提升约8-10%。文章还提供了详细的优化建议和技术细节,帮助开发者充分利用GPU性能进行深度学习训练。 阅读详情

相关推荐

芒果YOLOv8改进56:提升篇:从零开始训练 YOLOv8最新8.1版本教程说明(包含Mac、Windows、Linux端 )同之前的项目版本代码有区别

从零开始训练 YOLOv8最新8.1版本教程说明(包含Mac、Windows、Linux端 )

包括YOLOv5、YOLOv7、YOLOv8等模型改进 2631

DeepSpeed ZeRO配置指南:优化Hy-MT2-1.8B-FP8训练效率的关键步骤

Hy-MT2-1.8B-FP8是腾讯混元推出的高效能AI模型,结合DeepSpeed ZeRO技术可显著降低训练过程中的内存占用并提升计算效率。本文将详细介绍如何通过DeepSpeed ZeRO配置优化Hy-MT2-1.8B-FP8的训练流程,帮助新手用户快速掌握关键配置技巧。 ## 为什么选择DeepSpeed ZeRO优化Hy-MT2-1.8B-FP8? 随着模型规模增长,内存瓶颈成为训练

gitblog_00062的博客 404

储能变流器(Power Control System——PCS)设计原理

储能变流器(Power Control System——PCS)可控制蓄电池的充电和放电过程,进行交直流的变换,在无电网情况下可以直接为交流负荷供电。PCS 由 DC/AC 双向变流器、控制单元等构成。PCS 控制器通过通讯接收后台控制指令,根据功率指令的符号及大小控制变流器对电池进行充电或放电,实现对电网有功功率及无功功率的调节。 PCS 控制器通过 CAN 接口与 BMS 通讯,获取电池组状态信息,可实现对电池的保护性充放电,确保电池运行安全。   储能变流器(PCS)可控制蓄电池的充电和放电过程,进

Zhouengineer的博客 5万+

Hy-MT2-1.8B模型训练完全指南:从零开始构建你的翻译AI

Hy-MT2-1.8B是腾讯混元推出的轻量级翻译模型,专为高效跨语言翻译任务设计。本指南将带你从零开始完成模型训练,即使是AI新手也能轻松掌握完整流程,打造属于自己的翻译AI助手。 ## 准备工作:环境搭建与依赖安装 🛠️ ### 1. 克隆项目仓库 首先需要获取Hy-MT2-1.8B项目源码,执行以下命令: ```bash git clone https://gitcode.com/t

gitblog_00420的博客 892

魔兽世界怀旧服宏命令全解析:从自动换装到智能判定,老玩家才知道的黑科技

本文全面解析魔兽世界怀旧服宏命令的高级应用,从自动换装到智能判定,揭秘老玩家专属的黑科技技巧。深入探讨怀旧服特有的宏命令机制,包括施法队列、装备切换系统和职业专属技巧,帮助玩家在经典旧世版本中提升战斗效率。

weixin_29230865的博客 732

自然二进制数与格雷码的相互转换

自然二进制数与格雷码两者优势: 自然二进制数的编码方式简单明了,容易理解,在加减运算中能够直接进行,同时十分方便进行一些位运算操作(如移位、取反等)。 格雷码计数时只有一位变化,可有效减少计数器状态的冗余转换,同时在传输数据时能够减小传输错误的概率,此外带权重编码处理更加方便。 在一定程度上自然二进制数与格雷码优缺点基本相反,综上所述,自然二进制数和格雷码各有优劣之处,需要根据具体应用场景选择合适的编码方式。简单来说,在计数器和编码器中,倾向于使用格雷码;而在进行加减运算时,则倾向于使用自然二进制数。

Loudrs的博客 7494

FP8训练新范式:减少40%显存占用,训练速度提高1.4倍

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID|计算机视觉研究院学习群|扫码在主页获取加入方式论文标题:COAT: Compressing Optimizer States and Activation for memory efficient FP8 Training论文链接:https://arxiv.org/abs/2410.19313开源代码:https://github....

gzq0723的博客 513

浅显易懂地看LLC变换器(三)

第3期 谐振与增益的定性关系 由简单的谐振电路说起 我们将以电感和电容的基本电路的特性逐渐了解谐振电路的特性 与电阻不同,电感和电容都不是纯阻性线性器件,电感的感抗XL和电容的容抗Xc都与频率有关,当加在电感和电容上的频率发生变化时,它们的感抗XL和容抗Xc会发生变化。 1) 如下图RL电路,当输入源Vin的频率增加时,电感的感抗增大,输出电压减小,增益Gain=Vo/Vin随频率增加而减小。 2) 如下图RC电路,相反,当输入源Vin的频率增加时...

iFTrue电力电子专栏 6743

深度学习项目训练环境GPU混合精度训练:预配置AMP支持,训练速度提升1.8倍

本文介绍了如何在星图GPU平台上自动化部署‘深度学习项目训练环境’镜像,开箱即用支持GPU混合精度训练(AMP),显著提升模型训练效率。该镜像预置PyTorch 1.13.0、CUDA 11.6等优化组合,实测ResNet50训练速度提升1.8倍,适用于图像分类、模型微调等典型深度学习任务。

weixin_42594419的博客 1064

51单片机STC8G1K08驱动ws2812记录

使用51单片机控制17个2812灯,这里选择STC8芯片,最大频率可以达到35M,参考网上的各种文章案例,使用定时器做的时候实测做不到规格书要求的245-345ns,STC8G1K08不带PWM,所以只能使用nop来做,好在单片机在这里只有做编程灯的功能,省略测试过程,下面是程序,使用的是24MHz内部晶振 //设置一个灯珠 void SendOnePix(unsigned char *ptr) { unsigned char i,j; unsigned char temp; fo...

的博客 7322

YOLO11改进-模块-引入多尺度差异融合模块MDFM

MDFM主要用于融合双时相图像特征并生成带有丰富上下文信息的差异特征,其过程包含以下步骤:1. 特征提取与差异特征生成首先从双时相图像中提取特征f1和f2,然后将f1和f2进行像素级别的相减,再对相减结果取绝对值,最后通过一个3x3的卷积操作得到Di。2. 多尺度特征融合(MSFF)接着利用多尺度特征学习机制来增强特征融合效果。该机制通过不同核大小的卷积构建多尺度融合过程,具体是通过一个名为 MSFF 单元来实现的。

qq_64693987的博客 4379

训练更加便捷高效 | PyTorch 1.8终于支持AMD GPU和Python函数转换

欢迎关注“计算机视觉研究院”计算机视觉研究院专栏作者:Edison_GPyTorch 团队发布了 PyTorch 1.8 版本。该版本整合了自去年 10 月 1.7 版本发布以来的 300...

gzq0723的博客 569

DeepSeek 赋能太空探索:从轨道优化到星际开拓的 AI 革命

随着人工智能技术蓬勃发展,DeepSeek 在太空探索领域展现出巨大应用潜力。本文深入剖析 DeepSeek 技术核心,包括低功耗运算、开源生态等优势,阐述其与传统航天技术的差异。从航天器自主控制、深空探测、载人航天等关键环节,结合实时轨道调整、故障诊断修复等实例,揭示 DeepSeek 对航天任务效率与安全性的提升作用。同时探讨其应用面临的太空环境适应、伦理安全等挑战,展望技术演进方向及与前沿技术融合前景,展现 DeepSeek 为人类太空探索带来的变革与深远意义。

邓邓子的博客 2259

基于CUDA12.1+CUDNN8.9+PYTORCH2.3.1,实现自定义数据集训练

yolo命令行CL需要将虚拟环境的yolo程序加入系统路径。 遇到conda install 失效问题,重建新的虚拟环境,再进行安装。 whl可以下载好后再安装。

yantuguiguziPGJ的博客 1762

YOLOv11半监督学习深度解析:基于FixMatch改进的先进目标检测框架

本文探讨了半监督学习与YOLOv11结合的创新方法。针对目标检测中半监督学习面临的伪标签质量不稳定、特征一致性难保证等挑战,研究提出改进版FixMatch框架。通过分析YOLOv11架构特性(如多尺度特征提取、双标签分配策略等)与半监督学习的适配性,设计了三项关键技术改进:空间感知阈值策略、多任务解耦处理和记忆增强机制。该方法在少量标注数据下可实现接近全监督的性能,显著降低工业检测等场景的数据标注成本。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 2085

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

如何用GRPO将Llama-3.1-8B-FP8-Dynamic训练成R1推理模型?

想亲手训练一个会"先思考、再作答"的 R1 风格推理模型?这份面向新手的完整 GRPO 训练教程,将带你用开源工具把 **Llama-3.1-8B-FP8-Dynamic** 微调成具备长思维链的推理模型。Llama-3.1-8B-FP8-Dynamic 是 unsloth 发布的 8B 参数 FP8 动态量化模型,推理能力强、显存占用低,配合 GRPO 强化学习,消费级显卡也能跑通 R1 推理模

gitblog_01107的博客 1073

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

如何使用YOLOv8训练一个苹果品质检测数据集/苹果病害数据集 共5694张,8:1:1比例划分 yolo

【苹果品质检测数据集】3类 names: ['Anthracnose', 'Marssonia blotch', 'apple'] 名称::['炭疽病','马尔松氏斑', '苹果',] 共5694张,8:1:1比例划分,(train:4555张,val:569张,test:570张标注文件为YOLO适用的txt格式或xml格式或jason格式。可以直接用于模型训练。

2401_88440984的博客 1395

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

PyTorch 1.8 发布,支持 AMD,优化大规模训练

内容导读 北京时间 3 月 4 日,PyTorch 官方博客发布 1.8 版本。据官方介绍,新版本主要包括编译器和分布式训练更新,同时新增了部分移动端教程。 整体来看,本次版本更新涵盖 1.7 版本发布以来,共计 3,000 多次 commit,包括编译、代码优化、科学计算前端 API 以及通过 pytorch.org 提供的二进制文件支持 AMD ROCm。 同时 PyTorch 1.8 还为管道和模型并行的大规模训练,进行了功能改进和梯度压缩。 其中一些重点更新包括: 通过 torch.fx.

HyperAI超神经 1万+

ICLR 2025 | 英伟达提出FP8训练新范式:减少40%显存占用,训练加速1.43倍

©作者 |席浩诚单位 |UC伯克利博士生来源 |机器之心近期DeepSeek V3 引爆国内外的社交媒体,他们在训练中成功应用了 FP8 精度,显著降低了 GPU 内存使用和计算开销。这表明,FP8 量化技术在优化大型模型训练方面正发挥着越来越重要的作用。近期,来自伯克利,英伟达,MIT 和清华的研究者们提出了显存高效的 FP8 训练方法:COAT(CompressingOptimizer...

Paper weekly 1050

Qwen3-1.7B-FP8数据预处理:训练数据格式要求详解

在大语言模型(Large Language Model, LLM)的训练过程中,数据预处理是决定模型性能的关键环节。Qwen3-1.7B-FP8作为通义千问(Qwen)系列的最新成员,对训练数据的格式有着严格的要求。本文将深入解析Qwen3-1.7B-FP8的数据预处理流程,帮助开发者正确准备训练数据,充分发挥模型潜力。 ## 核心概念解析 ### Qwen3-1.7B-FP8模型特性 ``...

gitblog_00421的博客 956

NVIDIA开源FP8训练新范式COAT:减少40%显存占用,训练速度提高1.4倍

在深度学习快速发展的今天,大型语言模型(LLM)的训练面临着巨大的计算和内存压力。FP8低精度训练因其高效性备受关注,但现有方法仍无法充分优化内存使用。COAT(Compressing Optimizer states And activations formemory-efficient FP8 Training)是伯克利、英伟达、MIT 和清华的研究者们提出的一种新方法。

青年AI研究员idea加油站,AI开发者的新能源充电桩。 712

如何使用YOLOv8训练一个苹果品质检测数据集_苹果病害数据集 共5694张,8_1_1比例划分 yolo

【苹果品质检测数据集】3类 names: ['Anthracnose', 'Marssonia blotch', 'apple'] 名称::['炭疽病','马尔松氏斑', '苹果',] 共5694张,8:1:1比例划分,(train:4555张,val:569张,test:570张标注文件为YOLO适用的txt格式或xml格式或jason格式。可以直接用于模型训练。

2401_88441190的博客 593

BitCPM-CANN-8B-unquantized技术架构揭秘:Ascend NPU原生1.58位训练原理

BitCPM-CANN-8B-unquantized是BitCPM-CANN-8B的未量化量化感知训练(QAT)检查点,专为持续预训练和微调而设计。它保留了全精度的潜在权重,并通过三元伪量化器(权重→{-1, 0, 1},带有分组缩放,通过STE进行训练),使模型能够在量化约束下继续学习。 ## 核心技术突破:1.58位量化训练的革命性意义 在AI模型部署中,量化技术是平衡性能与效率的关键。传

gitblog_00753的博客 783

Hypnos-i1-8B入门指南:8B模型实现强推理的架构改进与训练技巧

本文介绍了如何在星图GPU平台上自动化部署Hypnos-i1-8B镜像,这是一款专注于强推理、思维链(CoT)和数学解题的8B级开源大模型。该模型通过创新的量子噪声注入训练方法,显著提升了复杂逻辑推理能力,适用于数学题解、科学计算等场景。用户可快速搭建推理环境,高效处理专业领域的复杂问题。

weixin_31569663的博客 948

tensorflow1.8 c++ 加载训练好的模型 踩坑

tensorflow c++下加载训练好的图和checkpoint的代码是: const std::string pathToGraph = "./model/model.ckpt-29520.meta"; const std::string checkpointPath = "./model/model.ckpt-29520"; //gpu option tf::SessionOp...

cdknight_happy的专栏 5075

split_conversion将json转成yolo训练用的txt,在直接按照8:1:1的比例分成训练集,测试集,验证集

本文介绍了一个将LabelMe格式JSON标注转换为YOLO格式TXT文件并划分数据集的Python脚本。主要功能包括:1)将LabelMe标注转换为YOLO格式(中心坐标+宽高);2)支持批量处理JSON文件夹;3)自动创建训练/验证/测试集(默认比例8:1:1);4)同时复制对应图片文件。使用argparse模块接收参数,包括JSON文件夹路径、TXT保存路径、类别映射字典等。脚本会自动处理坐标归一化、过滤无效标注,并生成符合YOLO要求的目录结构。

New___dream的博客 401
上一篇: 训练总结7.31
下一篇: A. The Useless Toy
Joined
博客等级 码龄10年 19粉丝 134原创
评论
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