万里鹏程转瞬至-优快云博客

原创 vLLM 部署 kv cache与请求并发

适用范围：本机 vLLM 0.28/0.32、Qwen 视频理解服务、MiniCPM-V 4.7 + DSpark。更新时间：2026-10-31。

2026-10-31 19:45:00 66

原创 vLLM 后端稳定可靠 JSON 格式输出技术总结文档

本文系统梳理大模型服务中JSON输出不稳定问题的根因与解决方案，涵盖response_format、guided_json、json_schema及repair_json等技术选型。指出response_format=json_object仅保证语法合法对象，不支持数组与字段约束；json_schema虽可实现结构化输出，但数值范围校验需依赖Pydantic后置处理。对比三者本质：response_format与guided_json通过Token Mask强制文法合规，而sampling_params仅调

2026-10-13 03:15:00 371

原创论文阅读：jina-embeddings-v5-text: Task-Targeted Embedding Distillation

开源时间：2026年4月28日机构：Elastic旗下Jina团队文本嵌入模型广泛应用于语义相似度任务，包括信息检索、聚类与文本分类。。本文提出一套。实验表明，该方案相比纯对比训练、纯蒸馏训练两种范式，在小模型训练上效果更优。基于该方法得到两款模型：jina-embeddings-v5-text-small、jina-embeddings-v5-text-nano，在同等参数量模型中基准评测得分达到或超越当前SOTA水平。

2026-08-08 21:24:59 446 2

原创论文简读：Boogu-Image 图像生成与编辑模型

发表时间： 2026年7月14日Boogu-Image-0.1开源统一多模态理解与生成模型家族，包含Base、Turbo、Edit、Edit-Turbo四大变体，在高质量文生图、极速推理、指令驱动图像编辑、中英双语文字渲染四大任务上均具备极具竞争力的表现。。。多维度综合评测表明：Boogu-Image-0.1在主流基准测试中持续持平或超越其他开源模型，效果逼近顶尖闭源方案。

2026-07-27 23:13:41 443

原创 FireRed-Image-Edit 模型入门级了解

开源时间：2026.02.10FireRed-Image-Edit，小红书团队发布的一款基于qwen-image的图像编辑模型。该模型通过对数据构建、训练流程、评测体系进行系统化优化，取得业界顶尖性能。模型训练构建了16 亿样本的训练数据集，相比于原始模型的10亿数据，训练量有扩展了一倍），数据来源广泛。经过严格清洗、分层分类、自动标注与双阶段过滤，，文生图与编辑样本数量均衡，保障模型具备完备语义覆盖度与指令对齐能力。

2026-07-26 23:46:15 449

原创 Qwen-Image Technical Report的入门级了解

数据层：搭建完整闭环数据管线，涵盖海量数据收集、过滤、人工标注、数据合成、样本均衡调配全流程；训练策略：采用渐进式课程学习训练训练递进顺序：无文本图像渲染 → 简单文字渲染 → 复杂文字渲染 → 段落级图文生成；价值：原生文字生成能力大幅提升；语言适配效果：英文字母类语言表现优异，对中文这类表意复杂文字渲染效果突破明显。

2026-07-26 17:38:20 468

原创论文解读：CO-SPY AI图片识别| Combining Semantic and Pixel Features to Detect Synthetic Images by AI

发布时间：2025 年 3 月 24 日经综合分析，CO-SPY对于最新一代的图片生成模型需要少量数据进行适配性微调，但泛化能力远超过其他方法，提出了自己的评测数据集。

2026-07-12 22:09:54 270

原创公式图解一文搞懂为什么transform里是kv cache不是q cache？

通过本博客，只要具备基础矩阵乘法计算规则，可以清晰的了解搞懂为什么transform里是kv cache不是q cache？同时还可以理解为什么可以流式输出结果？为什么缓存命中价格更低？

2026-04-18 22:58:07 914

原创论文简读：Embarrassingly Simple Self-Distillation Improves Code Generation

发表时间：2026.4.1论文地址：https://arxiv.org/html/2604.01193v1测试代码：https://github.com/apple/ml-ssd/tree/main。

2026-04-12 22:58:46 611

原创论文阅读：IN-CONTEXT LORA FOR DIFFUSION TRANSFORMERS

近期研究（如GDT）尝试通过拼接注意力令牌将扩散Transformer（DiT）用于多图像生成，但面临计算资源消耗大且生成保真度低的问题。现有的文本到图像DiT模型天生具备上下文生成能力。基于此，作者提出了一套极简流程——上下文LoRA（IC-LoRA）。直接拼接图像而非令牌；对多幅图像进行联合描述；使用小数据集（如20~100个样本）进行任务专属LoRA微调，而非用大数据集做全参数微调。实验证明，该方法能以极低的算力成本生成高保真、强一致性的图像组，为通用图像生成系统提供了高效解决方案。

2026-04-05 10:52:59 585

原创 LLM训练基本知识的深入浅出

通过练习“如何回答问题”、“如何写摘要”、“如何翻译句子”，他学会了如何运用自己庞大的知识库来满足特定的要求，成为一个能解决实际问题的专家。是 2048，我们可以把一个长度为 500 的文档A、一个长度为 800 的文档B和一个长度为 700 的文档C拼接在一起，形成一个完美的 2048 长度的训练样本。在大型语言模型（LLM）的训练中，损失（Loss）的计算、以及数据（Data）与标签（Label）的构造，是模型学习的核心机制。虽然核心计算方式相同，但在不同的训练阶段，我们计算损失的位置是不同的。

2026-03-31 22:19:36 718

原创大模型推理中Prefill与Decode、KV Cache三者说明

Prefill 阶段对输入 Prompt 并行编码，一次性构建KV Cache，属于计算密集型任务。Decode 阶段逐 token 迭代生成，复用KV Cache避免重复计算，属于显存带宽密集型任务。KV Cache是自回归推理的核心基石，用显存换时间，实现两阶段衔接与高效生成。PD 分离通过任务解耦、异构硬件、异步调度、独立批处理，解决传统一体化推理的资源冲突与利用率低下问题，是当前云端大模型推理服务的主流工程优化方向。

2026-03-29 20:32:04 1475

原创为什么早期线性注意力没有成为主流大模型方案？

线性注意力机制（Linear Attention）是针对标准注意力机制（Softmax Attention）平方复杂度瓶颈提出的优化方案，核心目标是将注意力计算复杂度从标准注意力的O(N²d)（N为序列长度，d为特征维度）降至O(Nd²)，通过数学结构优化，在保证一定表达能力的前提下，大幅提升长序列场景下的计算效率和显存利用率，适用于需要实时处理、长序列建模的场景（如4K视频处理、DNA序列分析等）。

2026-03-28 21:41:11 534

原创 QwenVL(2、2.5、3版本)多模型大模型训练中的数据集构造总结

qwen3vl将训练数据token又降低到2000B的规模（SFT阶段仅使用了120w数据），这表明训练数据量可能不是制约模型性能的关键，训练数据的分阶段配比利用才是多模态模型性能提升的关键。同时期InternVL3.5仅训练了1160M 样本（250B token，仅约InternVL1的1/5，约为qwen3vl的1/10）SFT阶段使用了600M（6亿条，是qwen3vl的500倍，但该阶段训练成本较低）。这表明面向刷榜构造数据集是可以大幅度降低训练成本，同时论证了面向特定业务构造数据训练模型成本是低

2026-03-22 22:35:41 1052

原创 InternVL(1~3.5版本)多模型大模型训练中的数据集构造总结

InternVL基于互联网开源数据采集了6B数据，经过滤后一阶段用了5B数据，二阶段用了1B数据。SFT阶段，用了4M数据（二阶段的0.4%）。InternVL1.5与上一版本相比，扩大了训练数据集的纳入范围（尤其是关于ORC任务，进行了细粒度的划分），并且设计了补充中文语料训练数据的不足，同时针对测试任务针对性设计了SFT数据。InternVL2基于1.5版本的数据集，二次进行扩充，同时构建了的二阶段高质量训练数据。InternVL2.5 引入了。

2026-03-22 14:38:26 567

原创 pytorch工程实践 53 基于triton实现nn.linear、rmsnorm、layernorm层

结论说明，在3060显卡下，fp16推理 linear层只在特定维度数据下有性能提升，提速在60%左右；layernrom 只有数据维度大于特定值后才有性能提升，提速约40%左右；rmsnorm只有triton版本下可以在任意shape上实现30%以上的提速（Liger-Kernel的rmsnorm速度提升快，但误差值较大）。特别说明提升结果与硬件环境、软件版本存在密切关联。

2026-03-01 18:56:53 194

原创论文简读 | SLA2: Sparse-Linear Attention with Learnable Routing and QAT

与SLA相比，将attention的稀疏度从95%提升到97%，但是因为对于TopK参数提取新增了部分参数，同时以αα替换了了SLA的proj层，导致相同稀疏度下Flops略高于SLA。SLA的训练数据为2万个480p分辨率、5秒时长的视频 batch 64，2000个iter 【6个epoch】；SLA2的训练信息为3000个5秒视频 batch 64, 500 iter【6个epoch】。与Full Attention相比，SLA效果略低于Full 模式，SLA2略高于Full。

2026-02-22 18:58:59 1322

原创 SLA与Flash_attn对比测试

项目下有SageSLA与sparse_linear_attention两个版本，SageSLA是基于SageAttention实现的版本，sparse_linear_attention是基于triton实现的版本。根据SLA论文描述，可以将wan2.1 1.3b模型生成480p fps 16 时长5s的视频Flops从53T降低到2.73T，推理速度提升2倍左右。为此对实现代码进行分析，了解其实现流程与实测效果。在实际测试中SLA相比Flash_attn耗时可以降低70%左右（视频生成模型中 Atten

2026-02-22 14:08:25 1349

原创论文阅读 | SLA:sparse–linear attion视频生成95%稀疏度FLOPs降低20倍

扩散Transformer（DiT）模型在视频生成任务中，因序列长、注意力机制二次计算复杂度，存在注意力延迟瓶颈。研究发现注意力权重可解耦为高秩大权重和低秩小权重矩阵，据此提出稀疏-线性注意力机制（SLA）。SLA将注意力权重分为核心、边缘、可忽略三类，分别采用标准注意力（$O(N^2)$）、线性注意力（$O(N)$）计算及跳过计算，整合于单个GPU核函数，支持前向与反向传播，仅需少量微调。实验表明，SLA可减少95%注意力计算量（等效降低20倍），不损失生成质量且性能优于基线；在Wan2.1-1.3

2026-02-21 12:45:14 1019

原创论文简读 | TurboDiffusion: Accelerating Video Diffusion Models by 100–200 Times

TurboDiffusion是一款视频生成加速框架，在单张RTX 5090 GPU上，对Wan2.2-I2V-A14B-720P、Wan2.1-T2V-1.3B-480P等多款视频扩散模型实现100-200倍的生成速度提升，同时保证视频质量与原模型相当。低比特SageAttention可训练稀疏线性注意力（SLA）的注意力加速方案基于rCM的高效步数蒸馏将模型参数和激活量化为8位的W8A8量化（加速线性层并压缩模型）。

2026-02-21 11:55:45 1551

原创论文简读 | MiniCPM-V 4.5论文内容总结

多模态大语言模型是AI发展前沿，但训练和推理效率成为其落地与规模化的核心瓶颈。为此，论文提出8B参数的MiniCPM-V 4.5，核心改进包含三方面：**统一3D-Resampler架构** 实现图像和视频的高紧凑编码、**文档知识与文本识别的统一学习范式** 摆脱繁重的数据工程、**混合强化学习策略** 兼顾短/长推理模式的性能。OpenCompass评测显示，该模型超越GPT-4o-latest等闭源模型和Qwen2.5-VL 72B等大参数量开源模型，且效率突出——如在VideoMME基准上，仅用Qw

2026-02-20 10:30:00 2351

原创论文阅读 | MiniCPM-o | RLAIF-V开源AI反馈助力模型可信度超越GPT-4V

解决现有多模态大语言模型的幻觉问题，突破传统RLHF依赖人工标注、现有RLAIF依赖专有模型的局限，通过全开源范式构建高质量反馈，实现模型可信度与人类偏好的对齐。核心创新去混淆响应生成：相同条件下多轮采样解码，消除文本风格干扰，凸显可信度真实差异；分而治之反馈标注：将响应拆解为原子声明，转换为极性问题评估，降低开源模型标注难度；迭代反馈学习：动态更新反馈分布，解决DPO训练中的分布偏移问题；推理自反馈机制：利用DPO对齐模型的奖励分数，结合长度归一化策略，优化推理阶段性能。关键结果

2026-02-20 02:30:00 2099

原创论文简读：Kwai Keye-VL-1.5 技术报告总结简版

Keye-VL-1.5，通过三项关键创新解决视频理解的根本挑战。首先，引入了一种新的慢速-快速视频编码策略，基于帧间相似性动态分配计算资源，在更高分辨率下处理具有显著视觉变化的关键帧（慢速路径），同时在较低分辨率下处理相对静态但时间覆盖范围更大的帧（快速路径）。其次，我们实施了渐进式四阶段预训练方法，系统地将模型的上下文长度从8K字扩展到128K字，从而支持更长视频和更复杂的视觉内容处理。第三，我们开发了全面的培训后流程，重点关注推理增强和人类偏好对齐，包含五步思维链数据构建流程、基于GSPO的迭代强化学习

2025-12-28 22:41:41 1041

原创论文简读：Kwai Keye-VL Technical Report

核心痛点：多模态大语言模型（MLLMs）静态图像处理能力强，但难以应对动态、信息密集的短视频理解需求。模型定位：80亿参数多模态基础模型，主打短视频理解尖端性能，同时兼顾通用视觉语言能力。研发核心：数据支撑：超6000亿标记的高质量海量数据集，重点聚焦视频内容。训练方案：四阶段预训练（实现稳健视觉语言对齐）+ 两阶段后训练（第一阶段强化指令遵循等基础能力，第二阶段激发高级推理能力）。关键创新：第二阶段后训练采用五模态“冷启动”数据混合方案（含“思考”“非思考”“自动思考”“图像辅助思考”及高质量视

2025-12-28 22:39:15 1340

原创论文简读：Qwen3-VL Technical Report | Qwen3VL技术报告

demo:模型：或github：是Qwen系列中能力最强的，在多模态基准测试中表现优异。该模型，无缝整合文本、图像和视频。（2B/4B/8B/32B）和（30B-A3B/235B-A22B），以适应不同延迟-质量权衡。Qwen3-VL交付三大核心支柱：(i)，在某些场景超越同类纯文本骨干模型；(ii)，原生支持256K标记窗口，适用于文本和交错多模态输入，能忠实保留、检索及跨长文档/视频交叉引用；(iii)

2025-12-21 22:05:18 3667

原创论文简读 InternVL3.5: Advancing Open-Source Multimodal Models in Versatility, Reasoning, and Efficiency

InternVL3.5，一个新型开源多模态模型系列，在泛化性、推理能力和效率方面显著优于前代。核心创新包括：级联强化学习（Cascade RL）：结合离线RL（用于稳定训练）和在线RL（用于精细对齐），提升推理能力。视觉分辨率路由器（ViR）：动态调整视觉标记分辨率，以可忽略的性能损失降低计算成本。解耦视觉-语言部署（DvD）：将视觉编码器与语言模型分置于不同GPU，优化计算负载。这些技术使模型在整体性能上实现 +16.0% 的提升，推理速度达 4.05× 加速。最大模型 InternVL3.5-

2025-12-21 21:04:26 1605

原创论文简读：Qwen2.5-VL Technical Report

Qwen2.5-VL是Qwen视觉语言系列的旗舰模型，在基础能力与创新功能上均有显著提升。该模型具备增强的视觉识别、精确目标定位（支持边界框/点）、稳健的文档解析及长视频理解能力。核心技术创新包括：引入动态分辨率处理与绝对时间编码，支持原生感知空间尺度与时间动态，可处理任意尺寸图像和长达数小时的视频，并实现秒级事件定位。采用从头训练的原生动态分辨率ViT与窗口注意力（Window Attention），在保持原生分辨率的同时显著降低计算开销。关键性能表现：Qwen2.5-VL-72B在

2025-12-21 18:14:01 1598

原创论文简读：InternVL3| Exploring Advanced Training and Test-Time Recipes for Open-Source Multimodal Models

介绍InternVL3（InternVL系列重大升级）：实现原生多模态预训练（预训练阶段同步习得语言与多模态能力，规避传统后训练复杂优化难题）。核心技术：引入可变视觉位置编码（支持更长多模态上下文）、结合有监督微调与混合偏好优化等先进后训练策略、采用测试阶段缩放方案。性能表现：全品类多模态任务树立开源模型新标杆，保留强大语言能力；InternVL3-78B在MMMU基准测试中72.2，超越现有开源多模态大语言模型，显著缩小与闭源旗舰模型的性能差距。

2025-12-21 13:29:46 1688

原创 wan2.1-2.2 官方提示词改写（prompt extend）模块

这里只分析中文结构的提示词。通过对于wan2.1与wan2.2两个版本，可以发现wan2.2的提示词质量更高，能体现I2V与T2V的任务差距。在T2V任务下，wan2.2 PE提示词会要求先输入构图成分，wan2.1则只要求宽泛的信息补充，这体现了。wan2.2在I2V任务下，对于提示词要求更加规范，核心在于主体精确描述，动作细节丰富，弱化对非动态物体的描述、增强对活体的运动属性描述（使得视频的动态质量大幅度提升）。同时，，wan2.1则是最后面。

2025-12-07 16:31:00 4040

原创论文解读：wan-s2v | audio-driven cinematic video generation

当前最先进的（SOTA）音频驱动角色动画方法在简单的语音和歌唱的场景中表现出色。然而，。为了解决这一问题，Wan-S2V被提出。与现有方法相比，Wan-S2V在电影场景中实现了显著增强的表现力和保真度。与Hunyuan-Avatar和Omnihuman等前沿模型进行了基准测试，Wan-S2V显著优于这些现有解决方案。此外，Wan-S2V还支持在长视频生成和精确视频唇同步编辑中的应用。

2025-12-06 16:14:50 1591 1

原创 wan-animate 相关代码梳理

或梳理WanAnimate 的基本推理代码，理通其数据预处理流程与forward流程。

2025-11-23 22:57:08 1472

原创 wan2.1 论文精读三 | 下游应用

本博文一共介绍了wan2.1模型在图生视频（含首尾帧、视频续写）、视频编辑（VACE架构）、文生图、个性化视频（参考id生成视频，类vace架构）、摄像机运动控制、实时视频生成（世界模型）、音频生成领域的应用。关于图生视频领域，主要基于时序条件图像编码、mask控制。具体是将条件图像 I与沿时间轴填充零的帧连接起来，这些引导帧通过 Wan- VAE 压缩为条件潜在 zc，最终chanel为c；引入了一个二进制掩码 M ，其中 1 表示保留的帧，0 表示要生成的帧。最终实现基于mask 0，1标识位控

2025-11-22 21:45:35 1371

原创 wan2.1 论文精读二 | 模型设计与加速

关于训练不管是VAE还是DIT都是进行了渐进式的训练，从图像到视频、从低分辨率到高分辨率；关于DIT还经过了高质量数据到后训练，这一阶段类似与LLM基模训练后的指令微调，主要是提升生成视频的视觉保真度和运动动态表现。在视频生成任务中，只有DiT模型会进行优化，而文本编码器和VAE编码器则保持冻结状态。关于性能优化训练过程中用到了全分片数据并行（FSDP）。对于激活值，通过上下文并行（CP）实现。设计了一种二维CP架构，融合了Ulysses和环形注意力的特性，类似于USP（方与赵，2024）。该设计

2025-11-02 20:40:21 3608

原创 wan2.1 论文精读一 | 导论与数据处理

基于本博文可以发现wan2.1在训练数据上分为预训练数据、后训练数据、caption模型训练数据。预训练数据。预训练数据秉持三大核心原则：确保数据质量、保持多样性、大规模。先进行了基本维度的低质量（文本、美学、NSFW、水印、黑边、过曝、模糊、模糊、AI数据滤除）过滤。然后对数据进行聚类，进行类别的平衡。最后进行运动质量的分类，筛选出自然、完整且具有显著动态的视频，同时避免静态或抖动的运动。同时为了保证模型对于文字的生成能力，额外引入了文本数据集。后训练数据核心目标是通过高质量数据提升生成视频

2025-11-01 17:51:19 2049 1

原创从大模型中的chat_template了解jinja模板语法

基于macro 与 endmacro 闭合函数定义域；render_content为函数名。

2025-11-01 13:23:30 951

原创论文阅读：Wan-Animate: UNIFIED CHARACTER ANIMATION AND REPLACEMENT WITH HOLISTIC REPLICATION

根据实际应用需求，我们通常采用1帧或5帧作为时间引导，分别对应1或5帧内容。完成各段落的去噪处理后，我们会删除对应参考latent和时间引导latent的部分，最终将剩余生成内容拼接成完整的长视频。

2025-10-26 23:00:45 1686

原创论文阅读：Res-Tuning: A Flexible and Efficient Tuning Paradigm via Unbinding Tuner from Backbone

1、Res-Tuning和Res-Tuning-Bypass在五组FGVC数据集上的少样本学习中【4.4节】，相较于其他参数高效和内存高效的调参策略均展现出显著优势。当训练样本较少时，Res-Tuning-Bypass在单样本或双样本场景下的表现与非内存高效方法相当甚至更优。2、Res-Tuning在领域偏移下展现出优异的鲁棒性【4.4节】。源域选用ImageNet-1K[11]，目标域则涵盖ImageNet的四个变体：ImageNet-V2[62]、ImageNet-Sketch[73]、ImageNe

2025-10-19 22:16:00 833 1

原创开源项目分析：wan2.1 VACE 关键设计与实现代码解读

VACE是阿里团队基于wan2.1设计的统一视频编辑模型，与wan2.1的文生视频、图生视频能力相比，VACE统一了多种视频编辑与生成软件的设计，将重绘、编辑、可控生成、帧参考生成和基于ID的视频合成等能力整合到一个统一的逻辑，称为视频条件单元，通过利用上下文适配器结构，使用时间维度和空间维度的正式表示将不同的任务概念注入到模型。如下图展示的能力有，参考图生视频、视频（pose、depth、gary、运动）生视频、mask编辑视频（物体替换、物体移除、视频扩展、视频时序延长）；还可以实现组合任务如下图的

2025-10-18 20:34:12 1534

原创 pytorch 52 基于SVD从全量训练模型中提取lora模型

基于微调后的模型得出增量矩阵，进行svd分解后可以得到Lora模型。本文以从wan1.3b t2v self_forcing_dmd模型中提取lora模型为例，可以用于wan t2v 1.3b、wan i2v 1.3b的推理加速。

2025-10-03 15:26:59 339

原创 DCM项目wan 1.3b T2V模型comfyui改造流程尝试

本文主要时真的DCM模型推理时，将sem模型与det模型通过lora参数的lora来进行区分，故尝试将其分开为2个模型。并尝试将其改造为标准WanVideo_comfy kj wan模型权重。最后搭建工作流实现模型推理，推理效果低于预期，应该是Scheduler没有能迁移到WanVideo_comfy 中。

2025-09-21 00:01:30 1122

opencv4.5.3+opencv-contrib+CUDA

参考知乎教程https://zhuanlan.zhihu.com/p/354838274所实现的opencv4.5.3+opencv_contrib+CUDA11.1，在win10下用vs2019编译，显卡为3060，CUDA_ARCH_BIN设置为7.0;7.5;8.0;8.6。

2022-02-18

基于c#实现的webapi调用软件

基于c#实现的webapi调用软件，用于请求web服务，尤其是通过aistudio平台部署的深度学习模型。如果您的自己的webapi接口返回的也是json格式的信息，也可以使用本软件进行请求调用。只是在请求服务前，一定要点击软件界面加密，将原始的url信息转化为用户不可读的字符串，然后再点击测试

2022-09-01

Wood Species Dataset-all.zip

Wood Species Dataset数据集有12种木材8千多个图像组成，其中有三种软木树种和九种阔叶树种，图像分为3类，分别是每种木材的横切面图片、弦切面图片和径切面图片。使用数据集时请务必按数据作者要求引用文献

2020-07-15

EditThisCookie.crx cookie编辑导入导出利器

支持多种导出格式，其导出的cookie支持在curl中使用（导出格式选择Netscape HTTP Cookie File）。

2022-06-29

win10下用vs2019编译好的curl 64位库版本7.84.0

在win10用cmake3.22与vs2019编译好的curl库，版本号为7.84.0（当下最新版，支持SLL）。库文件已经整理成了lib、include的结构,其中还内置curl.exe. curl是一个利用URL语法在命令行下工作的文件传输工具，支持很多种http请求操作，详情可以参考Linux curl命令最全详解_Angel_CG的博客-优快云博客_curl命令。curl现在在linux与win10都是有内置的，在命令行中可以直接使用curl指令。

2022-06-28

python释放cuda缓存库

博主自行实现的动态链接库，通过python导入后可以实现释放显存，与ai框架无关。支持pytorch、tensorflow、onnxruntime等cuda运行环境。调用dll.reset_cuda()即可释放显存

2022-06-21

windows下GDAL322的库

从GDAL322安装包中抽取出的库，避免了的安装和下载多个包的过程。包含lib、bin、include三个目录。将lib的路径添加到系统环境变量中就算是配置好了GDAL322。

2022-06-10

paddle.hub迁移学习-图像分类案例

基于paddle2.0内置的hub库所实现的迁移学习代码，包含4个文件，分别涉及模型、数据、训练和测试。该代码具体的使用方式请参考https://blog.youkuaiyun.com/a486259/article/details/123140942

2022-02-25

基于paddle2实现对paddlehub中的静态图的训练

基于paddle2实现了对paddlehub2中的静态图的训练，可以使用paddle.vision.transforms实现训练模型时的数据增强。避免了paddlehub1.x下无法在训练过程中增强数据的缺陷。基于此，还可以实现对paddlehub内置模型的知识蒸馏。如果想免费试用，请浏览https://blog.youkuaiyun.com/a486259/article/details/123191622，复制代码保存为文件即可。

2022-02-28

cryptoJs加密解密工具

cryptoJs加密解密工具，并集成EncryptAes、DecryptAes两个方法，require(util.js)即可用。参数以json方式传递

2018-07-20

手写数字字母数据集[0-9,a-z,A-Z]

预处理过的EnglishHnd手写数字字母数据集，文件名已经改成数字、字母（限于windows10下不区分大小写，大写字母的都是双字母，如AA，BB），尺寸被裁剪缩放到28*28，与minist数据集完美兼容。

2019-04-10

labelme-4.5.7.exe

已打包好的最新版labelme-4.5.7，可以单独运行无需配置python环境。可以绘制多边形、圆形、线与点。因为不会压缩，所以文件大小有270m

2021-03-25

目标检测数据扩充增强工具

用于目标检测的数据增强工具，通过读取voc格式的数据可以对图像和相应的box进行缩放、平移、镜像、旋转、resize和更改颜色空间。通过对扩充方法的随机组合，可以将一个带标注的图像扩充成100幅。资源使用方面有问题请查看https://blog.youkuaiyun.com/a486259/article/details/121644786

2021-06-15

RDPWrap-v1.6.2.zip

用于开启win10家庭版的远程桌面，其中包含各个版本的ini文件

2021-07-22

keras库文件，在loss和metrics库文件中添加rmse方法

在keras的loss库中添加rmse方法，成功使模型能正常使用rmse方法。在metrics.py文件上添加rmse方法后可以使用model.compile(loss='mse'，weighted_metrics=['rmse'])方法，可以在其他loss的条件下观测rmse的变化

2020-08-20

ILSpy反编译与ConfuserEx混淆工具.zip

通用的代码混淆工具ConfuserEx和代码反编译工具ILSpy，适用于windows桌面exe软件。

2020-05-29

flowers数据集.rar

处理好的flowers17数据集，包含训练集、验证集和测试集，和相应的数据集分类代码。

2021-11-27

minist手写数字数据集（含代码）

minist手写数字数据集（含代码，案例有softmax分类、knn分类和神经网络分类），代码简洁易懂，可以当做练手资料

2018-11-28

图像批处理方法-图像空白裁剪、灰度化、缩放

按照目录对图像进行灰度化、缩放(比例默认为1/3)、空白处裁剪(裁剪掉图片多余的空白) =图像周边空白裁剪：按行和列统计图像四周的空白率，空白率过高的行和列将被裁剪掉（方法中设置为0.8，以灰度值大于0,9表示空白像素，可以按需更改）

2020-10-04

python工具方法 HristoryAvery

python工具方法 HristoryAvery方法在时序预测上的实现与使用，包含fit、predict、split_data三个方法。split_data用于划分数据集

2020-10-04

视频人物姿态检测工作流

基于comfyui实现视频人物姿态检测工作流

2025-08-16

参考图与视频人物姿态对齐工作流

基于comfyui实现参考图与视频人物姿态对齐工作流

2025-08-16

flash-attn-2.6.3-cp38-cp38-win-amd64.whl

win10下cuda12.1 +troch2.4.1+vs2022+python3.8环境下编译的flash-attn库

2024-10-03

自己训练的superpoint与superglue模型

使用自己训练的superpoint与superglue模型进行图像配准（https://hpg123.blog.youkuaiyun.com/article/details/137381647）博客中对应的模型与图片。放置对SuperGluePretrainedNetwork目录下，替换掉对应的文件即可使用

2024-04-12

使用FastDeploy 进行（图像分类、目标检测、语义分割、文本检测-orc）python部署

本资源整理了（图像分类、目标检测、语义分割、文本检测|orc）的FastDeploy-python部署案例，里面包含模型与对应的数据，下载资源后，安装FastDeploy即可使用。 FastDeploy是一款全场景、易用灵活、极致高效的AI推理部署工具，支持云边端部署。提供超过 160+ Text，Vision， Speech和跨模态模型开箱即用的部署体验，并实现端到端的推理性能优化。包括物体检测、字符识别（OCR）、人脸、人像扣图、多目标跟踪系统、NLP、Stable Diffusion文图生成、TTS 等几十种任务场景，满足开发者多场景、多硬件、多平台的产业部署需求。

2024-01-25

AOT-GAN-for-Inpainting项目中pt模型转化的onnx模型

AOT-GAN-for-Inpainting是一个开源的图像修复项目，其对 Places2 数据集的效果表明，我们的模型在 FID 方面明显优于最先进的模型，相对改进了 1.8%。一项包括 365 多名受试者的用户研究进一步验证了 AOT-GAN 的优越性。我们进一步评估了所提出的AOT-GAN在实际应用中的应用，例如，logo去除、面部修复和物体移除。结果表明，我们的模型在现实的广泛数据数据中取得了良好的效果。在论文中表述了一共在3个数据集上进行训练，但仅发布了两个预训练模型，关于logo移除的模型或许设计商业因素未公开。本资源包含 CELEBA-HQ 与 Places2 两个数据集的onnx模型 https://hpg123.blog.youkuaiyun.com/article/details/135561206

2024-01-13

paddle-infer模型（包含ppyoloe-m、resnet50、segformerb1）

paddle_infer模型（包含ppyoloe_m_plus、resnet50、segformerb1的预训练模型），属于https://hpg123.blog.youkuaiyun.com/article/details/135229800中的模型、数据部分。含imagenet1000.txt类别信息，object365.txt类别信息

2023-12-26

win10上cuda12.1+tensorrt8.6+vs2019环境下编译onnxruntime1.17

onnxruntime官方在cuda12出来一年后都没有发布支持cuda12的onnxruntime版本，故此博主在win10上cuda12.1+tensorrt8.6+vs2019+py38环境下自行编译onnxruntime-gpu 1.17版本。本资源包，有onnxruntime_gpu-1.17.0-cp38-cp38-win_amd64.whl文件可以用于python的安装使用，还包含include、lib、bin文件支持c++编程使用。

2023-12-25

使用ROPNet项目在modelnet40数据集上训练的模型

具体包括：min_loss.pth、min_rot_error.pth两个模型文件https://github.com/zhulf0804/ROPNet项目提供了一个配准效果良好的点云模型，但是并没有发布预训练模型。故此，博主基于项目作者公布的代码，使用默认参数进行训练，约训练了450个epoch（完整epoch为600个）。所得到的模型精度与论文有轻微差异，但仍然能保证领先的精度。训练loss： Loss: 0.1087, Error R: 2.2862, Error t: 0.0218, anisotropic R(mse, mae): 2.6079, 1.1766, anisotropic t(mse, mae): 0.0224, 0.0103 测试效果： Error R error: 1.6421 Error t error: 0.0171 anisotropic mse R error: 1.9071 anisotropic mae R error: 0.8711 anisotropic mse t error : 0.0177 anisotropic mae t err

2023-12-03

16位tif影像转jpg软件（win10可用，无任何依赖）

16位tif影像转jpg软件（win10可用，无任何依赖），对于16位tif影像转jpg，实现了3种转换函数，分别为normalization_img、min_max_normalization_img、cut_normalization_img。其中cut_normalization_img函数可以滤除掉tiff影像中的异常值，可以在格式转换时增强图像效果的稳定性。软件由exe文件和ui文件组成，可以按照个人需求修改ui界面设计，修改后保存即可生效，无需更新软件。同时也支持对jpg、png、bmp图像进行上述操作。支持将图片拖入软件界面，也支持通过按钮选择图片。软件具体实现介绍可以参考：https://hpg123.blog.youkuaiyun.com/article/details/131603554

2023-07-07

基于pyqt5所实现的16U tiff影像转8U影像软件源码

现在大部分图像软件都支持tiff影像的浏览，但都是仅限于8位的影像，对应CV16U类型的tiff影像并不支持（这需要专业的gis软件才可进行操作）。为了便捷操作，故此基于pyqt5+opencv实现16位tif影像转jpg的软件。由于博主还是不太喜欢将ui文件转换为py文件再去构建界面，直接加载ui文件构建界面可以节省一个中间步骤，且这可以在软件发布后直接修改ui文件达到快速更新软件的效果。将16U的数据转换为8U有两种最简单的方式，即为归一化，具体如normalization_img函数代码所示，先将数据的值域压缩到0 ~ 1，然后再调整到 0 ~ 255。这种转换可能会存在某种问题，例如数据的整体值偏高，这样转化后就看不到差异了，故此又设计了min_max_normalization_img函数。先将数据的最小值调整为0，然后再进行归一化。对于某些特殊的行业数据，可能存在较多的噪声，其最大值和最小值并不能真实反映数据的情况（可能为传感器故障），从而需要对数据值域的频率进行统计，找到噪声的阈值（最大值阈值、最小值阈值），将大于最大值阈值的数值修改为最大值阈值，将小于最小值阈值

2023-07-07

pyqt5的基本使用demo

对应的代码讲解在：https://hpg123.blog.youkuaiyun.com/article/details/131564563?spm=1001.2014.3001.5502，博文记录了pyqt5使用记录涉及pyqt界面控件的基本介绍，使用designer设计界面ui，并将其转化为py代码。关于界面主要实现radioButton的互斥选中事件、comboBox的选中事件（依据list添加item）、pushButton的单击事件、槽函数自动绑定、图片的拖入显示。代码下载后，安装好qt环境既可使用，包含原始的ui文件，可以按照个人需求修改代码实现。

2023-07-06

ARM架构下ubuntu18.04编译好的opencv3.4.15（开箱即用）

ARM架构下ubuntu18.04编译好的opencv3.4.15（python版为通过编译），内置CMakeLists.txt模板文件，可以通过cmake的 find_package(OpenCV REQUIRED)直接配置opencv库。编译时的系统信息如下： root@HelperBox:~# uname -a Linux HelperBox1.t507 4.9.170 #42 SMP PREEMPT Sat Nov 5 18:40:25 CST 2022 aarch64 aarch64 aarch64 GNU/Linux root@HelperBox:~# lsb_release -a No LSB modules are available. Distributor ID: Ubuntu Description: Ubuntu 18.04.4 LTS Release: 18.04 Codename: bionic

2023-07-02

基于c++实现的文件加密解密代码

基于c++实现的文件加密解密代码，支持将二进制文件读取为char数组，然后根据自定义code对数据进行局部取反操作、局部倒序操作、局部滑动操作。取反操作：将数据进行取反；解密操作也是取反操作；以单个char为操作单元倒序操作：将数组的顺序进行翻转；解密操作也是倒序操作；以char数组为操作单元滑动操作：将数组首位相连，进行一定的转动；解密操作也是滑动操作；以char数组为操作单元；以头文件的方式实现，除标准std库外，不依赖任何第三方库；include到个人项目中即可使用。

2023-04-08

C++下web框架corw的完全使用手册（实现中文支持）

corw是一个开源、轻量化的c++web库，在使用上与python的flask是类似的。本文档为corw的完整使用文档，含项目配置(基于cmakelist)、路由绑定、返回数据(json、文本、response对象、静态资源、模板文件)、接口请求处理(REST请求，url参数绑定、json请求、GET参数和POST参数)和各种高级操作（Cookie操作、Session操作、文件上传操作、文件下载操作、websocket操作、自定义loghandler）。此外，还对各类参数请求、结果返回过程中对中文的支持（如get参数、post参数、url参数、json结果中中文参数的正确解读）

2023-02-20

2023-02-14

win10下vs2019编译的opencv470+opencv-contrib（python pyd文件、c++包和编译缓存）

win10下vs2019编译的opencv470+opencv_contrib，包含opencv python版本的pyd文件和自行编译opencv470的.cache文件，各位可以下载.cache文件自己编译opencv470。所编译的opencv470中的lib和dll不是一个单独的文件，博主使用lib.exe将所有的lib文件合并为了opencv_world470.lib（链接器附加依赖性只需要opencv_world470.lib一个即可），但是dll文件没有合并（dll文件路径添加到环境变量path中即可）

2022-12-31

基于vs2019实现的绘图软件（矩形、多边形绘制）

实现了画笔（可以设置大小和颜色）、橡皮擦（可以设置大小），实现了绘制矩形（可以设置填充和不填充、可以设置颜色）、绘制多边形（可以设置填充和不填充、可以设置颜色）等基本功能。此外，还实现了导入底图的功能。

2022-10-18

60个labelme标注的船只数据

用于做格式转换的demo数据，可以支持目标检测模型的训练与测试

2022-10-10

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人