- 博客(138)
- 资源 (18)
- 收藏
- 关注
RSS订阅原创 【杂记】VS Code 设置 Python 文件模板
File Header Generator 扩展。Python File Header 扩展。
2024-12-27 17:06:01
464
原创 【代码备份】统计文件夹下所有代码文件的行数
Python脚本，帮你统计文件夹下所有代码文件的行数。这个脚本会递归遍历文件夹，支持多种编程语言的文件。使用方法很简单，直接运行脚本并输入要统计的目录路径即可。如果你需要添加其他类型的文件扩展名，只需要在。
2024-12-27 16:27:17
323
原创 如何微调SAM模型：从环境配置到训练实现的完整指南
尽管预训练模型表现优秀，但在特定领域（如医疗影像、工业检测等）可能需要进行微调以获得更好的性能。本文将详细介绍如何微调 SAM 模型，包括环境配置、数据准备和训练实现。通过以上步骤，我们实现了SAM模型的微调过程。在实际应用中，可能需要根据具体任务调整数据预处理、损失函数和训练策略。这些工具和示例可以帮助你更好地理解和使用微调后的SAM模型。在完成模型微调后，我们需要一个方便的方式来使用模型进行预测并可视化结果。首先，我们需要配置正确的 Python 环境和依赖包。如果有任何问题，欢迎讨论和交流。
2024-10-24 16:32:46
4623
34
原创 如何查询B站账号注册时间
在某些情况下,我们可能需要知道自己的B站账号注册时间,比如申诉解绑手机号码时。本文将为您详细介绍如何查询B站账号的具体注册时间。
2024-10-09 23:50:00
3147
原创 【Linux系列】CMA (Contiguous Memory Allocator) 简单介绍
通过合理使用和监控CMA，可以有效解决某些硬件设备对大块连续物理内存的需求，提高系统的灵活性和性能。CMA是Linux内核中的一种内存分配机制，用于分配物理上连续的内存块。这定义了一个从0x10000000开始，大小为128M的CMA区域。这表示在0-2G的物理内存范围内预留128M的CMA区域。这里可以看到CMA预留了8192K（8MB）的内存。这可能会显示CMA区域的使用统计和分配情况。这里可能会显示设备特定的CMA使用情况。这显示了CMA预留内存的物理地址范围。这显示了CMA总大小和当前可用大小。
2024-09-30 01:35:25
1438
原创 【Rockchip系列】RGA imcopy 性能分析：不同缓冲区拷贝的对比（含实验代码）
在嵌入式系统和移动设备中，图形处理的性能至关重要。Rockchip 图形加速器（RGA）提供了高效的 2D 图形操作，其中imcopy函数是一个常用的图像复制工具。本文将深入分析imcopy函数在不同场景下的性能表现。
2024-09-29 22:51:19
824
原创 【Rockchip系列】官方函数：wrapbuffer_handle
wrapbuffer_handle 函数用于将输入输出的图像参数转化为统一的 rga_buffer_t 结构,作为 IM2D 图形库用户 API 的输入参数。在执行相应的图像操作之前,需要先调用此函数来准备图像数据。返回 rga_buffer_t 类型的结构体,用于描述图像信息。
2024-09-29 15:25:31
486
原创 【Rockchip系列】官方函数：releasebuffer_handle
当使用外部内存调用RGA完毕后,需要通过内存句柄 handle 调用 releasebuffer_handle 解除该缓冲区与RGA驱动的映射和绑定关系,并释放RGA驱动内部对应的资源。返回 IM_STATUS 类型的状态码。成功时返回 IM_STATUS_SUCCESS,失败时返回相应的错误码。
2024-09-29 15:13:34
373
原创 【Rockchip系列】官方函数：importbuffer_virtualaddr
对于需要RGA处理的外部内存，可以使用importbuffer_virtualaddr接口将缓冲区对应的虚拟地址信息导入到RGA驱动内部，并获取缓冲区相应的地址信息，方便后续稳定、快速地调用RGA完成工作。返回 rga_buffer_handle_t 类型的句柄，用于描述导入的内存。如果导入失败，返回 0。
2024-09-29 14:28:44
547
原创 【Rockchip系列】importbuffer_T 接口
fd/va/pa: [必需] 外部缓冲区size: [必需] 内存大小fd/va/pa: [必需] 外部缓冲区param: [必需] 配置缓冲区参数。
2024-09-29 13:04:14
556
原创 【Rockchip系列】官方函数：importbuffer_fd
将外部内存缓冲区导入到 RGA（Rockchip Graphics Acceleration）驱动中，以便后续使用 RGA 进行图像处理。
2024-09-29 13:02:35
438
原创 【Rockchip系列】官方函数：importbuffer_physicaladdr
将外部内存缓冲区导入到 RGA（Rockchip Graphics Acceleration）驱动中，以便后续使用 RGA 进行图像处理。
2024-09-29 13:00:24
496
原创 【Rockchip系列】如何查看开发板上的RGA数量和详情
设备树中定义了3个RGA节点。内核日志显示有2个RGA3核心和1个RGA2单元,总共3个RGA单元。系统提供了一个统一的RGA设备节点(/dev/rga)。这些方法可以帮助开发者快速了解他们的开发板上RGA的配置情况。请注意,不同的开发板可能会有不同的输出结果,具体取决于硬件配置和驱动实现。
2024-09-28 16:31:00
669
原创 3. 测试Docker镜像
这个命令会启动一个交互式的Docker容器，其中包含RKNN工具包，并允许访问主机的USB设备和用户的项目文件。随机进入到一个测试目录下，运行test.py。
2024-09-09 00:57:56
679
原创 Git 系列文章导航
欢迎阅读我的Git系列文章。在这个系列中，我们将从安装Git开始，逐步介绍如何配置Git以及如何创建一个新的Git仓库。
2024-09-02 20:17:36
415
1
原创 3. 创建一个新的 Git 仓库
首先，在你的电脑上创建一个新目录，这个目录将用于存放你的项目文件。的隐藏文件夹，它包含了 Git 所需的所有元数据和历史记录。
2024-09-02 20:13:05
394
转载 【机器学习：Recommendation System】推荐系统
推荐系统是一种人工智能或人工智能算法，通常与机器学习相关，它使用大数据向消费者建议或推荐其他产品。这些可以基于各种标准，包括过去的购买、搜索历史、人口统计信息和其他因素。推荐系统非常有用，因为它们可以帮助用户发现他们自己可能找不到的产品和服务。推荐系统经过训练，可以使用收集的有关人员和产品的交互数据来了解人员和产品的偏好、先前的决策以及特征。由于推荐系统能够在高度个性化的水平上预测消费者的兴趣和愿望，因此受到内容和产品提供商的喜爱。
2024-03-01 00:19:22
4349
1
转载 【机器学习：推荐系统】什么是推荐系统？
推荐系统如何工作？推荐系统生命周期推荐系统算法使用推荐系统的好处推荐系统的类型协同过滤基于内容的过滤混合过滤现实生活中的推荐系统示例亚马逊Spotify脸书/元数据Netflix谷歌和 YouTube关于推荐系统的最终想法推荐系统（或称推荐器系统）是一种软件引擎，旨在根据用户以往的好恶、产品参与度和互动情况等向用户推荐商品。推荐系统能让用户对网站持续推荐的内容保持兴趣。推荐引擎通过帮助每一位消费者识别和发现他们喜爱的电影、电视节目、数字产品、书籍、文章、服务等，提供个性化的用户体验。
2024-03-01 00:19:16
3122
转载 【深度学习：微模型过度拟合】微模型简介或：我如何学会停止担忧并热爱过度拟合
起源微模型到底是什么？一维标记蝙蝠侠效率额外的好处面向数据的编程这篇文章的目的是介绍我们在 Encord 中用于自动化数据注释的“微模型”方法。我们已将这种方法部署在医学成像、农业、自动驾驶车辆和卫星成像等广泛领域的计算机视觉标记任务中。TLDR；什么：应用于数据分布的小域的低偏差模型。方法：在狭义任务的少数示例上过度拟合深度学习模型。原因：节省数百小时的手工贴标时间。构建检测蝙蝠侠的模型需要多少数据？黑暗骑士愿景这当然取决于您的目标。
2024-02-27 09:09:12
1266
转载 【机器学习：机器学习中的过拟合】它是什么以及如何防止它
它会受到异常值（例如，父亲是 NBA 球员的孩子）和随机性（例如，在不同年龄进入青春期的孩子）的影响。在前面对儿童身高与年龄进行建模的示例中，很明显，抽样更多学校将如何帮助您的模型。例如，如果我们的模型在训练集上的准确率达到 99%，但在测试集上的准确率仅为 55%，那么这将是一个很大的危险信号。套袋法使用复杂的基础模型，并试图 "平滑 "其预测结果，而提升法使用简单的基础模型，并试图 "提升 "其总体复杂度。过度拟合以及一般机器学习的一个关键挑战是，在实际测试之前，我们无法知道模型在新数据上的表现如何。
2024-02-27 09:01:25
1276
转载 【深度学习：数据工具】为什么应该放弃内部培训数据工具（避免自行开发）
如果您的工具是建立在 CVAT 的基础上，就像我们合作过的大多数机器视觉团队一样，那么它很快就会被增加的工作量压垮，崩溃的速度比您说梅尔文资本（Melvin Capital）还要快。此外，通过尝试将开源工具生成的训练标签塑造成可查询的数据资产，制作一个好的 API 通常会变得很复杂。如果您是一家专业人工智能公司或投资人工智能的公司，培训数据是您业务的核心，也是您 IP 的重要组成部分。当您第一次构建管道时，这种成本不会立即显现出来，但随着应用程序的增长，可能会对您的团队造成相当大的拖累。
2024-02-26 20:45:39
721
转载 【前沿技术杂谈：人机交互 】将人机交互 (HITL) 集成到机器学习应用程序中是必要的，而不是选择。
[TOC](【前沿技术杂谈：人机交互 】将人机交互 (HITL) 集成到机器学习应用程序中是必要的，而不是选择。
2024-02-26 20:37:47
772
转载 【深度学习：标记数据】为医生标记数据缓解疼痛
在 120 分钟的项目中，CVAT 的平均（±SD）标记帧数为 2241±810（不到总数的 10%），而 CdV 的平均（±SD）标记帧数为 10674±5388（p=0.01）。最令人鼓舞的是，注释者中最资深的博士，也就是使用任何注释软件经验最少的人，使用 Encord 的效率提高了 16 倍。当然，通常情况下不会这样。与机器学习模型不同，机器学习模型向毫无戒心的注意力受害者提供狂欢的Netflix节目（错误的赌注是你最终观看了一集艾米丽在巴黎），错误或错误诊断溃疡性结肠炎对人们的健康有重大影响。
2024-02-25 19:00:09
1103
转载 【深度学习：视频注释】如何为机器学习自动执行视频注释
自动视频注释可以解决其中的大部分问题，减少手动输入，节省时间和金钱，并确保您可以在保持质量一致的同时对更大的数据集进行注释和标记。当在视频中的对象上绘制多边形时，由专有算法支持，该算法在没有表示模型的情况下运行，它可以收紧多边形的周长，插值并跟踪移动对象（例如，人）中的各个部分（在本例中为衣服）。根据我们的经验，在极少数情况下，自动视频注释在视频注释项目中不能发挥有用的作用。自动分割是在对象周围绘制轮廓，然后使用算法自动“捕捉”到对象的轮廓，使轮廓更紧密，更准确地与从一帧到下一帧跟踪的对象和标签对齐。
2024-02-25 18:53:25
1368
转载 【深度学习：计算机视觉】计算机视觉的最佳数据集 [行业细分]
用于训练机器学习 （ML）、人工智能 （AI） 和其他基于算法的模型的数据集可以是任何东西，从电子表格到视频存储库。数据集只是一种说法，即您拥有一组数据，而不管其格式如何。对于计算机视觉 （CV） 和 ML 模型，数据集通常包含数千张图像或视频，或两者兼而有之。训练基于 ML 的模型来解决特定问题意味着确保您以最合适的格式选择了正确类型的图像或视频，并尽可能使用最高质量的注释和标签来生成所需的结果。劣质数据或数据集中成千上万的不相关图像或视频会对项目产生负面影响。ML 项目通常会在紧迫的时间内完成。
2024-02-23 11:33:06
1281
转载 【深度学习：计算机视觉项目 】如何为您的计算机视觉项目选择正确的数据
您可以从摘要中选择显示严重异常值的属性，如绿色值。这样就可以分析数据集的质量。它们还提供了一些功能，让你在将数据分成训练、验证和测试数据集时，可以将离群值平均分割，或者完全消除离群值。例如，使用 "
2024-02-23 11:32:58
1031
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人