- 博客(18)
- 收藏
- 关注
RSS订阅原创 蒙帕视角|基于深度相机的物体检测
随着深度相机技术（如结构光、ToF、双目立体视觉）的突破，其能够实时获取RGB-D数据，直接提供物体三维坐标信息，为解决上述问题提供了关键硬件基础，本文将基于深度相机的物体检测进行相关介绍。接着进行边界框的拟合，圆形和四方形的拟合检测，获取对应边界坐标及顶点坐标计算最短边界，并计算其法向量得到y轴法向量后得到具体的点云块物体坐标系转化四元。蒙帕机器人通过深度相机的物体的采集，检测到物体的坐标系、姿态及物体颜色等信息，有效提高了深度相机在复杂场景中的识别精度，从而为后续机械臂抓取做充分准备。
2025-06-13 15:18:07
297
原创 Paraformer语音模型：一种语音模型加速方法
根据模型输入的要求，创建一个符合模型输入维度的虚拟张量（dummy tensor）。随着智能语音技术的普及，语音识别（ASR）、语音合成（TTS）、声纹识别等应用场景对模型推理效率提出了极高要求，本文介绍将Paraformer语音模型从预训练模型导出为ONNX格式，并使用ONNX Runtime进行推理的过程。对于ONNX模型，使用onnx_simplifier库下的optimize方法来实现剪枝：首先遍历计算图中的所有节点，找到不需要剪枝的节点（例如输入节点、输出节点、常量节点等），对其他节点进行剪枝；
2025-05-30 17:36:10
504
原创 蒙帕视角|Transformer：AI大模型的基石（五）
从最初的 GPT-1 到如今支持多模态的 GPT-4o，GPT 系列不仅展示了生成型语言模型的强大潜力，也逐步拓展了 AI 在对话、创作、代码生成等领域的应用边界。这表明，增加模型的层数（以及每层的维度大小，即d_model）是提升模型性能的一种有效策略，这一策略在GPT-2、GPT-3和GPT-4等模型中得到了应用。从BERT的双向理解，到GPT的强大生成，再到DeepSeek的高效创新，每一步都在推动着AI技术的边界，赋予机器更深刻的理解与创造力。GPT-1采用了Transformer的解码器部分。
2025-05-16 13:28:27
597
原创 蒙帕视角|Transformer：AI大模型的基石（四）
尽管后来的 GPT、DeepSeek 等模型在生成能力或效率上进一步拓展了边界，但 BERT 的双向理解和预训练-微调范式依然是许多实际应用中的核心工具。微调是指在预训练模型基础上，针对特定任务进行额外的训练，以提高模型在该任务上的表现。"我喜欢吃苹果，因为它____甜。从情感分析到问答系统，从命名实体识别到句子推理，BERT 展现出了强大的通用性和适应性，为后来的大规模语言模型奠定了基础。正如超级英雄各有所长，BERT 以它的独特方式，继续在语言理解的世界中发光发热，成为推动 AI 进步的重要力量。
2025-04-25 17:24:30
779
原创 蒙帕视角|Transformer：AI大模型的基石（三）
同时，DeepSeek借助量化技术，将原本高精度的模型参数转换为低精度格式，这不仅大幅减少了模型的存储空间，还显著降低了计算成本。针对这一问题，DeepSeek提出了创新性的多头潜在注意力（MLA）机制，通过低秩压缩技术处理键值对，利用潜向量高效压缩的方式，不仅显著降低了内存占用，还实现了性能的整体提升。DeepSeek基于此提出了更优化的架构设计，通过将传统的前馈网络替换为MoE层，并采用精细的专家分工和共享机制，成功实现了计算效率与模型性能的双重提升。图2 DeepSeek-V3基本架构的示意图。
2025-03-27 17:21:31
732
原创 蒙帕视角|Transformer：AI大模型的基石（二）
Self-Attention是Transformer最核心的内容，简单解释为输入向量的每个单词学习一个权重，例如在下面的例子中我们判断‘‘它’’代指的内容，在句子“我有一只小猫，我很喜欢它胖乎乎的肚皮”中，为了理解代词“它”，模型需要从句子中的其他词（如“小猫”）获取信息。自注意力层的输出被送入一个前馈神经网络。在自注意力机制中，计算 Query、Key 和 Value 矩阵的过程是通过将输入的嵌入（embeddings）组织成一个矩阵X，然后与训练好的权重矩阵 WQ，WK，WV相乘来实现的。
2025-03-20 15:23:03
600
原创 蒙帕视角|Transformer：AI大模型的基石（一）
通过编码器和解码器的协同作用，Transformer能够高效地捕捉输入序列的语义和上下文信息，并生成高质量的输出序列。举个简单的机器翻译的例子，输入模型的句子为 “我是一个学生” 经过Transformer的编解码器之后，输出首先生成“ I ”,然后生成“ am ”,接着生成“ a ”,最后生成“ student ”，完成了翻译。在编码器的每一层，每个词向量都会通过自注意力机制，计算与其他词的关系，并生成一个新的向量。解码器的作用是根据编码器的输出表示和当前已生成的目标序列，逐步生成目标序列的下一个词。
2025-03-07 17:11:42
487
原创 蒙帕视角：LDM时序预测算法解析
为了进行尺度间的交互，将每个尺度序列的seasonal项按照从下到上（bottom-up）的方式进行信息融合，将每个尺度序列的trend项按照从上到下（top-down）的方式进行信息融合。该算法结合Logsparse稀疏建模、可分解结构和多尺度分析，能够有效处理包含周期性和非平稳性特征的复杂KPI数据，克服长序列数据的计算效率瓶颈，同时精准捕捉复杂的时间模式，提高预测的准确性和模型的可解释性。下图1是该算法模型的结构图。自注意力分数揭示了序列内部元素之间的相关性，这是理解和处理序列数据时至关重要的信息。
2025-02-12 23:06:01
917
原创 机房巡检机器人指示灯双目检测技术
指示灯检测是数据中心机房巡检过程中的重要一环，然而由于机柜网格遮挡，机房巡检机器人在对指示灯数据进行传统单目检测时，会存在部分有效信息无法被模型检测出来，进而导致目标丢失的问题。为提升初始估计鲁棒性，将右图检测结果按行进行分组，再根据左图检测结果对每组进行初始视差估计。对只有1个检测结果的组，认为其视差估计是不可靠的，根据阈值输出的视差可能不止1个。如上图测试1和测试2所示，通过应用指示灯双目检测技术，巡检机器人能够在原有指示灯检测的基础上识别到被机柜网孔遮挡的指示灯，有效提高了指示灯识别率。
2025-01-15 09:17:55
364
原创 蒙帕视角：故障预防实践与技术解析
处理建议，根据当前障碍预防的资源类型对应知识库知识分类，知识名称对应知识名称，关联原因对应知识关键字，例如当前障碍为数据存储，按规范创建知识内容，进行映射关联。蒙帕基于多年故障预防实践及经验，在进行障碍预防配置时，权重范围由轻到重、宽泛设置判断条件指标、通过多个综合指标去定义一个可能发生的潜在故障，从而帮助用户发现一些潜在故障，提前处理预防故障的发生。因此，蒙帕通过增加针对故障预防支持的指标通过算法来识别单个指标值是否存在异常，结合算法判断出的结果进行评估是否存在潜在故障，达到故障预防的目的。
2024-12-12 17:05:04
1660
原创 数据中心机房指示灯增强检测算法
切片推理器参数包括模型，切片大小，重合度，后处理器。指示灯检测是数据中心机房日常巡检过程中的重要一环，但实际检测过程中，普遍存在成像目标过小，亮度暗，颜色、形状与训练数据偏差大，导致无法被模型检测到进而目标丢失的问题。所有参数配置好后就可以进行推理，因为不同模型输出结果格式不一样，所以需要对结果进行整形，使所有模型都有统一的输出格式。蒙帕指示灯增强检测技术对图像切片、推理、结果融合，进行封装，对外展示的接口与之前检测方法类似，便于现有代码修改。1、左侧是正常检测结果，右侧是增强检测结果，红圈标出差异。
2024-12-05 17:21:06
301
原创 蒙帕数据同步实践：Flink CDC实现Zabbix到Prometheus的数据同步
蒙帕当前的技术架构中使用了 Zabbix Agent 来采集指标数据，鉴于 Prometheus 近年来的迅猛发展，以及在监控领域的广泛应用， 计划将Zabbix采集到的数据同步到Promtheus的时序数据库，以支持后续的业务需求。即使在高负载或部分节点故障的情况下，系统依然能够稳定运行，保证了数据同步的连续性和一致性，提升了系统的可靠性和可用性。相比于定时查询，Flink CDC 直接从 binlog 中获取数据变更，避免了频繁的全量或增量查询，显著减轻了 MySQL 的查询压力，保护了数据库的性能。
2024-11-17 23:10:00
723
原创 蒙帕视角：深入理解可观测性的本质
此外，随着技术的发展，如OpenTelemetry逐渐成为行业标准，以及eBPF技术的发展，我们有更多的机会来提升可观测性实践，降低存储成本，提高数据处理的实时性和准确性。它的目标是使我们能够主动地识别任何故障模式，无论是已知的还是未知的。可观测性最初来源于控制理论（应用数学的一个分支，指使用反馈来影响系统的行为以实现预期的目标），指的是通过系统的外部输出来推断系统内部状态的能力。● 日志（Logging）：揭示系统行为的关键元素，记录了系统运行时的详细事件信息，帮助理解系统的运行状态和发生的事件。
2024-11-17 23:07:19
1926
原创 蒙帕视角：提升软件性能，保障用户体验的秘诀
生成的聚合报告，只有在异常率为0或者极小异常率可忽略情况下才有参考意义，聚合报告中的样本数即脚本运行时间内请求的总数，平均值是每次请求响应的平均时间，99%百分位即99线，即99%的请求响应的时间为这个，95%百分位即95线，即95%的请求响应的时间为这个，吞吐量即为单位时间内服务器能够处理的请求数量，计算qps的方法为总请求数/运行时间，或者线程数/平均响应时间。聚合报告详细展示了每个线程组请求的样本数，平均值，99线，95线，异常率等信息，一般重点关注99线，95线，tps，qps，异常率。
2024-11-17 23:05:22
639
原创 面向数据机房指示灯巡检的设备模板匹配算法
蒙帕在yolov5指示灯检测的基础上，增加巡检设备模板照匹配算法，将设备模板照标注信息与指示灯检测结果进行比对，对检测到的指示灯进行框选，将巡检照的检测结果在模板库中进行查询输出，有利于机房巡检机器人更加精准的识别到不同状态的指示灯。传统方法是基于模板照匹配机制，其中模板照包含单个设备各个部件的高质量图像，每个部件的指示灯都被标注并框选为一个矩形框，通过匹配实际巡检时采集到的设备巡检照和模板照的特征描述子从而实现目标检测。在数据中心的运行与维护中，指示灯巡检工作不可忽视。
2024-11-17 23:02:26
345
原创 DeepAnT——智能运维场景下的系统监控数据异常检测算法
它还可以通过对历史数据的分析，支持系统的持续改进和优化，不断提升系统的稳定性和性能。通过这一综合监控系统，不仅能够优化资源利用、合理分配计算资源、降低能耗和运营成本，还可以利用历史数据的分析和学习不断改进集群和数据中心的性能，提高系统效率，确保业务运行的顺畅，从而保障集群和数据中心的可靠性和稳定性，为用户提供更加可靠和高效的智能运维解决方案。异常检测在智能运维中具有至关重要的意义，它通过自动化的方式帮助识别系统中的异常行为，从而提高系统的可靠性、可用性和性能，是保障系统稳定性、提升运维效率的核心技术。
2024-11-17 22:59:44
1611
原创 蒙帕视角：VMware Aria Automation (VRA) 释放企业的自动化潜力
VMware Aria Automation（VRA）是一款全面的自动化解决方案，致力于帮助企业在快速变化的市场环境中提升效率、降低成本并增强灵活性。通过其强大的自服务门户、动态资源管理、多云支持和政策驱动的自动化功能，为企业的数字化转型提供了有力支持。用户可以通过直观的界面快速请求所需的IT资源，如虚拟机、存储和网络服务。通过实时监控和智能分析，VRA能够预测资源需求，从而实现更加精确的资源管理。这种政策驱动的自动化不仅降低了人为错误的风险，还帮助企业在快速发展的市场中保持合规性，提升了整体安全性。
2024-11-17 22:54:39
524
原创 bundle-stitch：一种高效机房机柜图像拼接方法
为有效改善传统方法中存在的特征点依赖问题，蒙帕在匹配过程中使用轻量级卷积神经网络代替特征点提取和特征点匹配步骤，如图2所示，不依赖于特征点而直接估计图像与图像间像素级别的配准关系，并采用随机抽样一致算法RANSAC（Random Sample Consensus）将误匹配或不良匹配剔除，保留正确的匹配点对，减小计算量的同时提升了特征点匹配对精度。随着数字经济产业的快速发展，数据机房的数量不断增长，使用巡检机器人代替人工巡检有效地缓解了机房巡检工作的压力，其相关研究也成为当下的热点。图1 误匹配机柜拼接照。
2024-10-31 22:39:00
351
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