<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[monodara的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/monodara</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; monodara]]></copyright><item><title><![CDATA[基于YOLO的钢铁表面缺陷检测模型训练]]></title><link>https://blog.youkuaiyun.com/monodara/article/details/157735270</link><guid>https://blog.youkuaiyun.com/monodara/article/details/157735270</guid><author>monodara</author><pubDate>Thu, 05 Feb 2026 03:47:42 +0800</pubDate><description><![CDATA[本文记录并探讨了YOLO模型在钢铁表面缺陷检测中的应用与优化过程。针对工业图像重复性强、目标小、容错率低的特点，通过多轮实验验证了YOLO模型的有效性。详细记录了从基线模型建立到参数优化的完整过程。通过调整分辨率、增强策略和损失函数等参数，使模型在测试集上达到mAP@0.5=0.765的精度。文章总结了可靠基线的重要性、工业场景下增强策略的选择技巧，并提出了生成式数据增强和知识蒸馏等未来方向。]]></description><category></category></item><item><title><![CDATA[从CNN到YOLO：理解目标检测——钢铁表面缺陷检测模型训练前的一些基础]]></title><link>https://blog.youkuaiyun.com/monodara/article/details/156909769</link><guid>https://blog.youkuaiyun.com/monodara/article/details/156909769</guid><author>monodara</author><pubDate>Wed, 14 Jan 2026 15:15:04 +0800</pubDate><description><![CDATA[本文探讨了卷积神经网络(CNN)在图像分析中的应用原理及其在目标检测框架YOLO中的创新运用。作者通过可视化工具和学习草图，阐述了CNN如何通过卷积层、激活函数和池化层的组合实现特征提取，并结合启发CNN的生物学视觉研究。重点分析了YOLO框架将目标检测简化为单次预测的创新思路，通过CNN主干网络直接预测目标位置和类别，实现了检测速度与精度的平衡。文章最后提出将探讨该技术在钢铁表面缺陷检测中的具体应用挑战。]]></description><category></category></item><item><title><![CDATA[Function Calling + ReAct— 从Generation到Agent]]></title><link>https://blog.youkuaiyun.com/monodara/article/details/154648111</link><guid>https://blog.youkuaiyun.com/monodara/article/details/154648111</guid><author>monodara</author><pubDate>Mon, 10 Nov 2025 15:57:55 +0800</pubDate><description><![CDATA[本文探讨了如何通过函数调用和ReAct范式增强AI助手的能力。在RAG（检索增强生成）基础上，作者介绍了为AI配备工具的方法，包括函数定义和调用流程。重点分析了Qwen-Agent和LangChain两种框架的实现方式，其中LangChain采用ReAct范式，使AI能循环执行&quot;推理-行动-观察&quot;过程。特别讲解了Text2SQL工具的实现和安全考量，将其作为AI查询结构化数据的重要手段。通过整合多种工具，AI助手从单纯的信息检索升级为具备推理、决策和执行能力的智能体。]]></description><category></category></item><item><title><![CDATA[检索增强生成（RAG）：从基础到实现]]></title><link>https://blog.youkuaiyun.com/monodara/article/details/153826358</link><guid>https://blog.youkuaiyun.com/monodara/article/details/153826358</guid><author>monodara</author><pubDate>Mon, 27 Oct 2025 15:15:24 +0800</pubDate><description><![CDATA[基于 RAG 的 QA 助手可以广泛服务于各个领域——从电商智能客服、公共服务聊天机器人到研究助理、医疗和法律行业的先例分析，等等。为什么需要 RAG？尽管大语言模型 (LLM) 日益强大，但它们仍然存在一个关键的局限性，即：它们基于特定的数据集进行训练，而这些数据集虽然庞大至万亿级别，却也只是现有知识的。“部分”是指模型的训练语料库包含公共网站、书籍和代码库等，但绝不会包含内部文档，例如公司手册、专有研究数据或用户特定数据等。“过时”则指模型一旦发布，就无法感知新事件或不断发展的事实。]]></description><category></category></item></channel></rss>