- 博客(1123)
- 收藏
- 关注
RSS订阅原创 模型解析性能数据
MindSpore性能分析工具使用指南：安装MindInsight后需修改配置文件中的HOST为本机IP地址，启动服务指定端口和性能数据路径。通过网页可查看迭代轨迹、算子性能、数据准备和Timeline等可视化分析结果，帮助用户定位性能瓶颈并进行优化。详细操作可参考官网文档。
2025-08-22 11:54:34
111
原创 大模型获取性能数据方法
MindSpore提供两种获取性能数据的方式：环境变量配置和修改训练脚本。环境变量方式通过设置MS_PROFILER_OPTIONS参数控制数据收集选项（如内存、通信等）。修改脚本方式更灵活，支持数据下沉和非下沉训练模式。对于非下沉训练，需在代码中初始化Profiler并指定开始/结束的step；对于下沉训练，只需在模型训练前后初始化并分析Profiler。两种方式均可收集AICore指标、内存等性能数据，输出到指定路径进行分析。
2025-08-22 11:52:43
166
原创 数据集处理结果精细对比
文章摘要：本文介绍了数据集处理结果的可视化方法及精细对比流程。通过将增强后的数据转换为可视化格式（如图片）可初步判断数据处理问题。对于精细对比，建议使用TroubleShooter工具保存MindSpore和对标网络的数据为npy文件，并比较其相似度。对比指标包括数据集一致性、归一化参数、混洗逻辑及增强方式等关键参数对齐情况。文中提供了示例代码和对比结果展示，帮助开发者验证数据处理流程的正确性。
2025-08-22 11:50:27
175
原创 网络算法参数和输出对比
摘要：本文介绍了神经网络参数的对比方法，包括参数一致性检查（参数个数、shape、冻结状态）和权重迁移工具的使用。重点阐述了网络输出对比和逐层对比两种调试策略：静态图模式下使用Dump工具导出算子数据，动态图模式下可采用Debug、USEFUL_TOOLS或Hook功能进行对比。文中提供了各工具的具体使用链接，并强调对比时需去除随机因素，确保网络结构和节点名称一致才能使用自动化工具。
2025-08-22 11:48:36
143
原创 AltCLIP模型论文解读，并基于MindSpore NLP推理复现
AltCLIP模型通过创新性地替换CLIP的文本编码器为多语言XLM-R，采用两阶段训练（知识蒸馏+对比学习），显著提升了多语言视觉-语言任务性能。相比传统方法，该模型数据需求降低90%（仅需36M平行文本和2M图文对），在图像分类、跨模态检索等任务中表现优异，尤其在中英文任务上超越基线模型。模型支持9种语言，展现出强大的扩展性和泛化能力。实验使用MindSporeNLP验证了其效果，为多模态AI研究提供了高效的新思路。
2025-08-22 11:43:14
250
原创 MindSpore优化器实现原理深度解析—adam优化器
本文介绍了MindSpore深度学习框架中优化器系统的核心设计与实现。重点分析了Adam优化器的四层架构设计（用户接口层、基类层、算法实现层、执行层）及其关键组件。详细阐述了Adam算法的数学原理、执行流程及其变体（AdamWeightDecay、AdamOffload）的特性。特别强调了性能优化技术，包括算子融合、内存管理和并行优化策略。文章还总结了学习率调度机制和工程实践要点，如参数分组、梯度处理等。MindSpore优化器系统通过分层设计和多项优化技术，实现了高效、灵活的参数优化方案。
2025-08-22 11:41:10
262
原创 MindSpore实现扩散模型系列——DDPM
本文介绍了基于扩散过程的生成模型DDPM，该模型通过逐步去除图像噪声来生成高质量样本。DDPM采用双向马尔可夫链结构，包括固定的正向扩散过程（逐步添加高斯噪声）和参数化的反向去噪过程（使用神经网络预测噪声）。模型使用U-Net架构，结合时间嵌入和多尺度特征，通过优化变分下界简化训练。数学推导表明，正向过程可直接由初始数据生成任意时刻的噪声数据，而反向过程通过贝叶斯公式推导均值。代码展示了MindSpore实现，包括时间嵌入模块、U-Net结构和损失计算。DDPM通过噪声预测机制避免了显式估计复杂分布，实现了
2025-08-15 10:27:40
738
原创 MindSpore实现扩散模型系列——DDIM
DDIM 是基于 DDPM 改进的迭代隐式概率扩撒模型，核心目标是在保持生成质量的同时加速采样过程。通过引入非马尔可夫扩散过程和确定性采样机制，DDIM 允许在去噪时跳过部分时间步，可以显著减少计算量。可调方差参数：通过控制反向过程的随机性，实现从完全随机（DDPM）到完全确定（无噪声）的采样模式；跳跃式采样：无需遍历所有时间步，可直接在预设的关键时间点之间跳转，大幅提升生成速度。非马尔可夫过程：打破 DDPM 的严格马尔可夫链限制，允许当前状态依赖任意历史状态；
2025-08-15 10:18:18
542
原创 MindSpore实现扩散模型系列——LDM
LDM（Latent Diffusion Model）是一种基于潜在空间的扩散模型，通过将图像压缩到低维潜在空间进行高效生成。核心思想包括：1）使用VAE编码器将图像映射到潜在空间；2）在潜在空间执行扩散过程，通过UNet逐步去噪；3）支持多模态条件生成（如文本、图像）。相比传统扩散模型，LDM在潜在空间操作显著降低了计算复杂度，同时采用交叉注意力机制实现条件控制。模型结构包含编码器-解码器模块、时间编码模块、UNet去噪网络等组件，通过分层扩散机制生成高质量图像。该方法在图像生成任务中展现出高效性和可控性
2025-08-15 10:09:45
541
原创 MindSpore实现扩散模型——CFG
Classifier-Free Guidance（CFG）是2022年提出的扩散模型优化技术，通过联合训练有条件/无条件生成模型，避免了传统方法对显式分类器的依赖。其核心特点包括：1）无需额外训练分类器；2）训练时随机丢弃条件信息；3）推理时通过引导强度参数w灵活调节生成质量。CFG基于共享U-Net架构，在推理阶段对两种预测结果进行线性组合（ε_w = ε_uncond + w*(ε_cond - ε_uncond)），当w>1时增强条件契合度，w<1时提升多样性。该方法显著提升了文本生成图像
2025-08-15 10:07:46
826
原创 MindSpore实现扩散模型——Palette
Palette是一种基于扩散模型的通用图像转换框架，能够完成图像着色、修复、补全和JPEG恢复等多种任务。该模型采用统一的架构设计，通过条件扩散模型实现多任务处理，无需针对不同任务进行特定调整。其核心是256×256分辨率的条件UNet网络，利用跳跃连接实现多尺度特征融合，并通过L2损失函数保证生成样本的多样性。模型在预训练基础上，通过任务条件化适配、自适应噪声调度和后期质量优化等步骤提升性能。代码实现包括时间嵌入、残差块等关键组件，采用MindSpore框架开发。
2025-08-15 10:02:23
599
原创 东南大学魏秀参：基于智能感知的工业AI质检算法与应用实践
摘要：本项目针对工业AI质检中异常样本稀缺、检测精度不足等问题，提出基于智能感知与元学习的创新解决方案。通过构建极小样本单类识别元学习范式，实现仅凭单个正样本即可精准判别异常；采用层次多粒度采样和多目标自适应阈值调节技术，显著提升细粒度检测能力。项目成果已应用于海底管道环焊缝缺陷检测等场景，检测效率提升30%以上，并形成"技术研发-产业应用-人才培养"的闭环体系。同时将研究成果转化为课程资源，培养学生解决复杂工程问题的能力，为智能制造领域输送复合型人才。
2025-08-15 09:58:07
842
原创 昇思MindSpore 2.7版本正式发布，支持ZeroBubbleV流水线并行调度提升训练效率，升级适配vLLM V1架构，采用组合优化提升DeepSeek-V3推理性能
昇思MindSpore 2.7版本发布多项关键升级：1）大模型训练性能显著提升，创新实现ZeroBubbleV流水线并行调度和重计算通信掩盖技术；2）生态兼容性增强，升级适配vLLM v0.8.3，优化DeepSeek-V3推理性能35%+；3）强化学习性能突破，支持动态packing训练（吞吐翻倍）和6D并行权重重排技术；4）新增msMonitor在线监控平台和msprobe工具，实现训练性能实时诊断与静态图精度问题快速定位。该版本在大模型训练、推理优化、工具链等方面均有重大突破。
2025-08-14 16:48:12
1033
原创 性能大幅提升、任务中断快速恢复！昇思MindSpore助力中国移动MoE大模型训练加速
随着AI技术深入千行百业，高效、稳定、自主创新的大模型训练平台将成为智能时代的基础设施。中国移动与昇思MindSpore的合作范例，为行业提供了可复制的技术路径，将加速推动我国人工智能产业从跟随创新向引领创新的历史性跨越。在不久的将来，这种"性能与效率并重"的技术理念，必将孕育出更多突破性成果，为中国AI生态的繁荣发展注入强劲动力。
2025-08-13 14:42:13
271
原创 MindSpore图算融合：从计算图到昇腾芯片的极致优化实践
摘要：MindSpore图算融合技术通过动态图调试与静态图执行相结合，配合芯片级指令优化，在ResNet-50训练中实现较PyTorch 3.1倍的性能提升。该技术采用三级优化体系（基础优化、算子融合、硬件映射），通过显存池化、算子深度融合及昇腾CUBE指令优化，显著提升计算效率。实测显示，该技术使CV模型训练平均加速2.8倍，推理时延降低62%，显存碎片率从35%降至3%以下，为AI模型训练提供了革命性的性能优化方案。
2025-08-13 14:34:51
758
原创 MindSpore深度解析：从动态图到分布式训练的技术实战
本文深度解析MindSpore框架的核心架构与实战技巧：1）独特支持动态图（开发调试）与静态图（高性能部署）一键切换；2）提供自动微分引擎简化反向传播，内置梯度裁剪等优化功能；3）模块化网络设计与高效数据处理流水线；4）在昇腾芯片上实现自动并行与混合精度训练，显著提升性能；5）配套Profiler性能分析工具与内存优化策略。文章还提供了常见问题解决方案，帮助开发者充分发挥MindSpore"动静结合"的优势，实现从模型开发到工业部署的全流程高效落地。
2025-08-13 14:27:49
809
原创 昇腾 AI 开发：基于 MindSpore 实现高效模型训练实践
本文介绍了基于昇腾AI计算硬件和MindSpore框架进行模型开发的技术实践。主要内容包括：1）昇腾服务器环境搭建与MindSpore配置；2）以图像分类任务为例，展示从数据预处理到模型训练的全流程；3）重点探讨了混合精度训练、昇腾算子优化等性能提升技巧；4）分享了实际开发中的问题排查和调优案例。文章指出，充分利用昇腾硬件特性和MindSpore框架优化能力，可显著提升模型训练效率，并展望了未来生态发展方向。
2025-08-13 14:22:10
632
原创 Mindspore框架RNN实现情况分类
本文介绍了基于RNN的情感分类模型实现过程。使用IMDB影评数据集，通过预训练的Glove词向量进行文本编码，构建包含LSTM层的神经网络模型。详细说明了数据处理流程，包括数据下载、词表构建、序列填充等步骤。模型采用二分类交叉熵损失函数和Adam优化器进行训练，并实现了准确率评估方法。实验结果表明，该模型能有效区分影评的正负面情感，在测试集上取得了良好效果。最后展示了自定义输入的情感预测功能，验证了模型的实用性。整个实现过程体现了RNN在自然语言处理任务中的典型应用。
2025-08-08 10:49:48
939
原创 [MindSpore] 常用视觉变换总结
本文总结了MindSpore中常用的视觉变换类，主要分为两类：基于类的变换（mindspore.dataset.vision）和函数式变换（transforms）。关键变换包括Resize（调整尺寸）、RandomCrop（随机裁剪）、Normalize（标准化）、HWC2CHW（格式转换）等。文章特别提供了ViT/ImageNet和ResNet/CIFAR-10场景下的典型预处理组合建议，如训练时使用RandomCropDecodeResize+RandomHorizontalFlip+Normalize
2025-08-08 10:39:16
416
原创 昇腾算力×自动并行：MindSpore如何重新定义AI训练效率
摘要：MindSpore是华为开源的全场景AI计算框架，支持端边云全场景应用开发，提供模型构建、训练、推理和部署的一体化解决方案。其核心优势包括动静统一执行模式、自动并行分布式训练、昇腾硬件深度优化、原生隐私保护技术及科学智能支持。特别适合大规模AI模型训练、昇腾平台开发、端边云协同场景以及隐私敏感应用，为开发者提供从研究到生产的全流程工具链。
2025-08-08 10:29:03
633
原创 MindSpore图算融合：从计算图到昇腾芯片的极致优化实践
摘要： 本文深入解析MindSpore图算融合技术如何通过编译优化实现AI训练效率的突破性提升。文章系统性地阐述了该技术的三大创新：1）动态图转静态图执行，结合三级计算图优化体系（基础优化/算子融合/硬件映射）；2）显存池化技术降低碎片率至3%以下；3）昇腾芯片CUBE指令级优化，实现10.8倍矩阵计算加速。在ResNet-50训练中，该技术通过Conv-BN-ReLU深度融合、显存生命周期优化等策略，最终实现较PyTorch 3.1倍的吞吐量提升。实验基于MindSpore 2.2+Ascend 910B
2025-08-08 10:27:28
927
原创 BERT模型论文解读，并基于MindSpore NLP推理复现
【摘要】昇思MindSpore开源实习活动顺利完成BERT模型论文解读任务，并开启暑期新任务。BERT作为Google提出的预训练NLP模型，通过多层Transformer编码器实现双向上下文建模，其创新点包括：1）遮蔽语言模型(MLM)任务（80%替换为[MASK]）；2）下一句预测(NSP)任务；3）预训练-微调范式。相比GPT和ELMo，BERT在GLUE、SQuAD等任务中表现突出，如SQuADv1.1单模型F1达90.9%。实操部分提供了基于MindSpore的情感分类实现方案，包括分词、训练和推
2025-08-08 10:21:48
649
原创 BigBird-Pegasus模型论文解读，并基于MindSpore NLP推理复现
《BigBird-Pegasus：长文本摘要技术的突破性进展》摘要 本文深入解析了Google团队提出的BigBird-Pegasus模型，该模型通过创新性地结合BigBird的稀疏注意力机制和Pegasus的GSG预训练目标，有效解决了长文本处理的计算瓶颈问题。BigBird采用随机注意力、滑动窗口注意力和全局注意力相结合的稀疏化策略，将计算复杂度从O(n²d)降至O(n)。Pegasus则通过模拟摘要生成过程的预训练目标提升文本概括能力。实验表明，该模型在ArXiv、PubMed等长文本数据集上的ROU
2025-08-08 10:20:57
811
原创 基于昇思MindSpore，北京航空航天大学科研团队提出科学智算基础模型OmniArch，实现11类PDE求解性能提升
北京航空航天大学李建欣团队提出科学智算基础模型OmniArch，首次实现单个模型统一求解1D-3D偏微分方程(PDE)的突破。该模型通过三大创新：Fourier编码器统一维度表示、TemporalMask处理多物理量耦合、PDE-Aligner增强物理一致性，克服了传统方法维度受限、计算昂贵等难题。实验显示OmniArch在11类PDE上全面超越专用模型，最高精度提升98.7%，并展现出零样本泛化和上下文学习能力。研究成果被ICML2025接收，相关代码已开源，有望推动科学计算领域的基础模型发展。
2025-08-08 10:16:43
1002
原创 昇思MindSpore开源社区上线智谱GLM-4.5与GLM-4.5-Air大模型
智谱AI发布新一代旗舰模型GLM-4.5，在12项评测基准中表现优异，综合排名全球第三、国产第一。该模型通过昇思MindSpore实现小时级迁移，现已开源并提供详细部署指南。GLM-4.5旗舰版需2台16卡服务器部署，Air版则支持单台8卡服务器运行。魔乐社区作为公益AI平台，提供模型托管及下载服务。开发者可通过Docker容器快速体验，并按照指南完成分布式推理服务部署，支持最长32K上下文处理能力。
2025-08-01 16:17:30
672
原创 昇思MindSpore同步首发Qwen3-30B-A3B-Instruct-2507并上线开源社区
通义千问发布Qwen3-235B-A22B-Instruct-2507新版本，在指令遵循、逻辑推理、数学计算等核心能力上显著提升。该模型已在GPQA、AIME25等多个专业测评中展现优异表现。MindSpore版本现已在开源社区上线，支持4卡Atlas800服务器部署，提供完整推理方案。开发者可通过魔乐社区获取60GB模型权重，使用昇思MindSpore提供的Docker镜像快速体验。新版本采用vLLM-MindSpore推理框架，支持32768上下文长度，可通过API服务化部署。开源社区将持续优化模型性能
2025-08-01 16:11:53
830
原创 昇思MindSpore 2.7版本首发“焕新社区” ——全面升级超大规模集群大模型训推技术
2025世界人工智能大会上，中国移动牵头发布"焕新社区"，昇思开源社区同步推出MindSpore AI框架2.7版本。新版框架聚焦大模型训练效率、推理性能及系统可视化，实现MoE模型训练性能提升70%、推理吞吐提升15%。中移九天与昇思深度协同，完成超大规模集群训练优化，训练效率提升超30%。新版本在MoE训练架构、大模型推理性能、在线监测工具三大领域实现突破性升级，包含双模式负载均衡、自定义并行机制、极致量化压缩等20余项技术创新。未来昇思将继续开源开放，携手产业伙伴共建AI生态。
2025-08-01 16:08:23
326
原创 ShuffleNet V1 实现食物识别系统综述
本文详细介绍了一个基于ShuffleNetV1架构的食物识别项目，实现了从环境搭建到模型训练的全流程。项目使用MindSpore2.5.0框架，通过分组卷积和通道混洗等轻量级设计，对多种常见食物进行精准分类。数据处理阶段采用随机裁剪、水平翻转等增强方法，训练过程使用Adam优化器和交叉熵损失函数。实验结果表明系统在移动设备上具有良好的应用前景，同时指出了在实时检测、模型优化等方面的改进空间。该研究为移动端食物识别提供了可行的技术方案。
2025-08-01 15:29:34
682
原创 ShuffleNet V2 实现灾害识别系统综述
本文介绍了一个基于ShuffleNetV2的轻量级自然灾害识别系统。该项目使用MindSpore2.5.0框架，通过环境配置、数据增强、模型构建等步骤，实现了对洪水、火灾、地震等灾害图像的高效分类。系统采用分组卷积和通道混洗机制降低计算复杂度，最后通过全局平均池化输出结果。实验表明该方法在移动设备上具有良好的应用前景。文章详细阐述了从数据处理到模型优化的完整流程，并讨论了存在的挑战和未来改进方向，为轻量级灾害识别系统的开发提供了参考。
2025-08-01 15:26:44
619
原创 基于SqueezeNet_Residual模型的细胞识别系统
摘要：本文提出一种基于改进SqueezeNet_Residual算法的细胞类型识别系统，可准确分类嗜碱细胞等5种细胞类型。研究采用MindSpore框架，通过64x64像素图像和64的批量大小进行训练。系统引入残差连接增强Fire模块特征提取能力，结合数据增强策略提升泛化性能。经过50个epoch训练，模型在验证集上达到92.7%的准确率。可视化结果显示系统具有良好分类效果，为生物医学研究提供了有效工具，未来可扩展更多细胞类型支持。
2025-08-01 15:24:10
355
原创 基于SqueezeNet模型的大疆无人机型号识别系统
摘要：本文基于SqueezeNet算法提出了一种大疆无人机型号识别方法。通过MindSpore框架构建轻量级模型，采用包含Inspire等四种机型的图像数据集，经过数据增强和30个epoch训练，验证集准确率达94.5%。SqueezeNet通过Fire模块的"压缩-扩展"结构，在保持80%ImageNet Top-5精度的同时将参数压缩至4.8MB。实验表明该方法能高效识别无人机型号，未来可扩展识别类别并优化实时性能。
2025-08-01 15:23:14
684
原创 基于Vision Transformer模型的军用车辆识别系统
本文提出了一种基于VisionTransformer（ViT）的军用车辆识别方法。通过MindSpore框架实现，采用64x64像素输入图像，使用随机裁剪和翻转等数据增强技术。ViT模型将图像分割为小块并应用自注意力机制，包含PatchEmbedding、位置编码和Transformer编码器等关键组件。训练采用Adam优化器和余弦退火学习率调度，在验证集上取得良好效果。实验结果表明，该方法能有效识别不同类型军用车辆，为未来扩展识别类别、优化模型结构和提升实时性奠定了基础。
2025-08-01 15:21:59
576
原创 基于Xception模型的植物叶子识别系统
本文提出了一种基于Xception模型的植物叶片识别方法，通过深度学习技术实现自动化分类。研究使用MindSpore框架（2.5.0版）构建系统，设置64x64像素图像尺寸和64的批量大小。数据集经GitLFS下载后，采用随机裁剪、水平翻转等数据增强技术提升模型泛化能力。Xception模型利用深度可分离卷积优化计算效率，包含EntryFlow、MiddleFlow和ExitFlow三个模块化组件。训练过程采用Adam优化器和余弦退火调度器，最终验证集准确率达到预期目标。可视化结果显示系统能有效区分不同叶片
2025-08-01 15:20:43
718
原创 基于MindSpore实现贫血症识别系统
本文介绍了一种基于MindSpore框架的贫血症识别方法。通过搭建SqueezeNet_Residual模型，结合数据增强和优化技术，实现了对贫血症图像的高效识别。实验结果表明，该方法在验证集上取得了良好的分类效果。未来可扩展识别类别、优化模型结构并提升实时性。该研究为贫血症自动诊断提供了新思路，展现了深度学习在医疗领域的应用潜力。
2025-08-01 15:18:25
632
原创 基于昇思MindSpore+Orangepi AIpro的FCN图像语义分割
本文介绍了基于昇思MindSpore框架和OrangePi AIpro硬件平台的FCN图像语义分割实现方案。主要内容包括：1)使用PASCAL VOC 2012数据集，通过标准化处理解决图像分辨率不一致问题；2)详细阐述了数据预处理、模型推理和后处理流程，其中模型转换为OM格式以优化性能；3)提供了完整的代码实现，包括ACL资源初始化、图像预处理、模型推理和结果可视化等关键步骤；4)展示了推理过程中的时间消耗分析，包括预处理(0.0047s)、推理(0.6203s)和后处理(15.6167s)各阶段耗时。该
2025-07-25 11:04:18
671
原创 基于昇思MindSpore+Orangepi AIpro的Pix2Pix实现图像转换
摘要：本文介绍了基于昇思MindSpore框架在Orangepi AIpro上实现Pix2Pix图像转换的全流程。主要内容包括：1) 使用MindRecord格式文件作为输入，输出风格转换后的图像；2) 提供模型转换指导，建议在Linux环境下将模型转为OM格式以优化性能；3) 详细代码实现，涵盖ACL资源初始化、数据预处理、模型推理和结果可视化等关键步骤；4) 注意事项包括内存不足问题的解决方案。该实现通过MindSpore数据集接口加载数据，利用ACL进行推理加速，最终使用matplotlib展示转换效
2025-07-25 10:57:06
906
原创 基于昇思MindSpore+Orangepi AIpro的ShuffleNetV1图像分类
本文介绍了基于昇思MindSpore框架在OrangePi AIpro上实现ShuffleNetV1图像分类的完整流程。主要内容包括：1）使用Cifar10数据集进行测试，通过MindSpore的vision模块完成数据预处理；2）将模型转换为om格式以提升推理性能；3）详细展示了代码实现，包含ACL资源初始化、数据加载、模型推理和结果可视化等关键步骤；4）提供了完整的Python代码实现，涵盖数据下载、模型加载、前处理、推理和结果显示全过程。该方案适用于边缘计算设备上的轻量级图像分类任务，为开发者提供了端
2025-07-25 10:44:54
292
原创 基于昇思MindSpore+Orangepi AIpro的CNNCTC文字识别
本文介绍了基于昇思MindSpore框架和Orangepi AIpro的CNNCTC文字识别系统实现。该系统使用ResNet网络提取图像特征，结合CTC(Connectionist Temporal Classification)方法进行文本识别。文章详细说明了模型转换、环境配置、推理实现等关键步骤，包括将训练好的模型转换为OM文件、加载测试图片、执行离线推理等过程。实验结果显示系统成功识别了示例图片中的"PARKING"文字，推理时间仅8.62ms。最后提供了环境变量设置和缓存清理等注
2025-07-25 10:39:44
400
原创 基于昇思MindSpore+Orangepi AIpro的CycleGAN图像风格迁移
摘要：本文介绍了基于昇思MindSpore框架和OrangePi AIpro实现的CycleGAN图像风格迁移方案。主要内容包括：1）使用CycleGAN模型实现apple2orange风格转换；2）模型转换指南，建议在Linux环境下将模型转为om格式；3）详细代码实现流程，包含ACL资源初始化、图像预处理、模型推理和后处理等步骤；4）性能指标显示预处理耗时0.005秒，推理0.109秒，后处理301.2秒；5）完整流程包含资源初始化、图像处理、模型推理及结果可视化等关键环节。该方案为端侧AI图像处理提供
2025-07-25 10:33:43
841
原创 使用模型对曝光不足的输入图片进行HDR效果增强
本文介绍了基于昇腾AI处理器的图像曝光增强功能实现方案。该方案使用HDR效果增强模型对曝光不足的PNG图像进行优化处理。实现流程包括：1）准备阶段获取PB模型文件并转换为OM格式；2）资源初始化设置ACL环境；3）图像预处理（归一化/缩放/颜色转换）；4）模型推理执行；5）结果后处理（形状变换/反归一化）并保存输出。系统支持512x512分辨率输入，最终输出增强图像与原图对比展示，并记录处理耗时。完整实现代码已提供，包含模型加载、推理执行和结果可视化等关键功能模块。
2025-07-25 10:26:13
443
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人