- 博客(11)
- 收藏
- 关注
RSS订阅原创 求助---如何停止Choco.exe
使用公司的笔记本办公，在外面需要连接自己的热点，这个CHOCO一直运行花费流量且后台无进程，也找不到软件卸载，该怎么办？两天时间扣了我快30g流量了。
2025-09-03 19:11:52
398
原创 YOLOV8部分参数介绍
这篇文章总结了深度学习模型训练过程中的关键参数设置建议，主要包括模型配置、数据加载、训练优化和设备资源等核心参数。文章详细说明了每个参数的默认值及其作用，并提供了针对不同任务场景的调整建议，如模型选择、批量大小调整、学习率设置、硬件资源配置等。特别强调了根据不同任务需求（如分类、检测、分割等）和硬件条件进行参数优化的重要性，以及训练过程中验证、可视化等辅助功能的合理使用。这些建议旨在帮助开发者高效配置模型训练参数，实现最佳训练效果。
2025-08-25 17:54:53
207
1原创 模型训练报告的准确率，精确率，召回率，F1值
摘要：本文介绍了分类模型的四种基本评估指标（TP,TN,FP,FN）及其衍生指标。准确率衡量总体预测正确率；精确率反映预测为正例中的实际正例比例；召回率表示实际正例被正确预测的比例。特别指出高准确率可能误导评估（如垃圾邮件过滤案例），因此引入F1值作为综合指标，其平衡了精确率和召回率，在两者均为1时达到最优值1。这些指标共同构成了分类模型性能评估的基础体系。
2025-08-25 10:36:25
519
原创 Anaconda3、CUDA和cuDNN的安装配置指南
本文提供了Anaconda3、CUDA和cuDNN的安装配置指南。首先从官网下载安装Anaconda3，注意勾选添加环境变量。然后通过nvidia-smi查看CUDA版本，从NVIDIA官网下载匹配的CUDA Toolkit并自定义安装，通过nvcc -V验证安装。接着下载对应版本的cuDNN，解压后覆盖到CUDA安装目录，运行测试程序确认安装成功。最后介绍了conda常用命令：查看配置路径(conda info)、环境列表(conda env list)、创建/激活/退出/删除环境等操作。整个流程涵盖了深
2025-08-22 16:12:45
599
原创 YOLOV5的部署修改与使用
本文介绍了YOLOv5目标检测的环境配置、数据标注、模型训练和检测流程。环境配置包括安装Conda、换源、设置PyTorch GPU版本等步骤。数据标注使用LabelImg工具。训练阶段需准备数据集、修改模型配置文件(yolov5s.yaml)、调整训练参数(epochs、batch size等)。检测阶段要指定权重文件(best.pt)、置信度阈值，并可通过参数保存检测结果(坐标框、裁剪图像等)。整个流程涵盖了从环境准备到最终检测应用的关键步骤。
2025-08-22 16:06:49
298
原创 常用的数据增强方法
摘要：本文详细介绍了15种用于缺陷检测的数据增强方法，包括随机翻转、颜色抖动、旋转、高斯噪声等基本操作，以及马赛克、随机擦除等高级技巧。每种方法都说明了具体参数设置、操作原理及实际应用价值。文章还补充了CutMix、MixUp等混合增强策略，并强调实际应用中需根据任务特点组合使用这些方法。这些数据增强技术能有效提升模型对图像变化（如光照、角度、遮挡等）的鲁棒性，防止过拟合，是提高缺陷检测性能的关键手段。
2025-08-22 15:52:40
1684
原创 学习率调整方法
摘要：学习率是模型训练中控制参数更新速度的关键参数。PyTorch提供多种学习率调整策略：（1）有序调整：包括等间隔调整(StepLR)、按需调整(MultiStepLR)、指数衰减(ExponentialLR)和余弦退火(CosineAnnealingLR)；（2）自适应调整(ReduceLROnPlateau)：根据训练指标动态调整；（3）自定义调整(LambdaLR)：通过自定义函数实现。不同策略适用于不同场景，如StepLR适合固定间隔衰减，MultiStepLR可灵活设置衰减时机，Exponent
2025-08-22 15:47:32
459
原创 余弦退火与优化器AdmaW
本文用赛马比喻生动解释了优化器与调度器的协同作用：AdamW优化器如同本能强大的赛马，而余弦退火调度器则扮演智慧骑手的角色。骑手通过预热期逐步加速、中期全速奔跑、末期减速冲刺的策略控制赛马节奏，并在适当时机通过重启机制（提高学习率）重新激发赛马潜力。这种组合既保证了每一步更新的质量（AdamW的自适应性），又通过周期性调整避免了过早收敛到次优解。全文用150字精炼地阐明了二者配合提升模型训练效果的工作原理。
2025-08-22 15:36:05
243
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人