JAI科研-优快云博客

原创把一个 Qwen3.8的聊天模型改造成 JEV 决策模型

本文将冻结的Qwen3.8聊天模型通过Blocks of Experts架构，仅用108.8M可训练参数（0.43%主干）改造为JEV决策模型。核心是：以LoRA微调主干注意力模块，结合一个基于预训练权重初始化的24维决策头，实现一次前向直接输出校准概率分布。训练采用软标签蒸馏（KL散度），利用真实分布与程序生成数据联合优化，使choice准确率达90.3%，ECE低至0.0009，无需后处理校正。系统在vLLM引擎中与原模型共存，仅靠model字段切换，实现高效、精准的“快思考”决策能力。

2026-10-28 12:23:47 288

原创 CT重建（三） | R²-Gaussian 知识点全解：当 3D Gaussian Splatting 遇上 CT 重建

R²-Gaussian（NeurIPS 2024）将3D Gaussian Splatting改造为可微的CT重建方法，核心是用3D高斯椭球表示密度体积，沿射线进行物理上正确的线积分（符合Beer–Lambert定律），并引入解析积分因子μ实现高效渲染。通过FDK初始化、自适应密度控制与3D TV正则化，在稀疏视角下实现快速高精度重建，显著优于传统NeRF方法。

2026-10-04 23:19:47 585

原创 CT重建（二） | 3D高斯泼溅：实时渲染的革命

3D Gaussian Splatting（3DGS）是 Inria 官方实现的实时三维场景重建技术，论文发表于 SIGGRAPH 2023。它通过多视角图像输入，结合 COLMAP 获取相机参数与稀疏点云，初始化 3D 高斯作为显式场景表示，利用可微光栅化实现高效渲染。相比传统 NeRF 方法，3DGS 在保持高画质的同时实现实时渲染（>30 FPS）。

2026-10-03 22:45:19 630

原创 CT重建（一） | NeRF 原理详解

NeRF通过神经辐射场实现新视角合成，用5D坐标（3D位置+2D方向）输入MLP，输出颜色与密度，结合体积渲染生成照片级图像。其核心创新在于：位置编码克服频谱偏置，分层采样提升细节，无需显式几何即可端到端训练。虽训练与渲染慢，但为3D场景表示带来连续隐式建模的新范式。

2026-10-03 00:03:57 337

原创从 YOLO 到实时视觉(四)：拆解“数据流”管线

本文拆解视频处理管线的三段结构：拉流、处理、输出，强调其解耦特性。通过在OpenCV脚本中插入cv2.cvtColor转灰度，实现对帧的真正处理，并进一步扩展至边缘检测、画十字准星、加时间戳等操作。代码结构保持不变，凸显处理段的可扩展性。最终实现从“看”到“处理”的跃迁，构建可复用、可定制的视频处理流水线。

2026-09-24 23:22:56 330

原创从 YOLO 到实时视觉(三)：RTSP 流模拟完整指南

这份指南介绍了如何用本地视频文件模拟 RTSP 摄像头，搭建可反复使用的视频流测试环境。核心工具是 **MediaMTX** 和 **FFmpeg**：MediaMTX 作为轻量级 RTSP 服务器，监听 8554 端口，负责接收并分发流；FFmpeg 则读取本地 MP4，以实时速度循环推流到 MediaMTX。文章分别给出 macOS 和 Windows 的安装配置步骤，并逐项解释推流命令参数，如 `-re`、`-stream_loop -1`、`-c copy` 等。

2026-09-24 23:01:28 202

原创 YOLO 完全指南：YOLO 目标检测实战系列

本系列系统讲解YOLO目标检测从原理到落地的全流程，涵盖认知、训练、调优、评测与工程化应用。通过“安全帽检测”实战案例，详解数据标注、增强策略、参数调优及批量视频推理；深入解析TrackZone区域过滤、多算法跟踪（如ByteTrack）与卡尔曼滤波原理，并实现半自动标注流水线，助力工业级项目高效落地。

2026-09-23 16:56:15 184

原创从 YOLO 到实时视觉(二)：理解 OpenCV 的“视频源”

本文深入解析 OpenCV 中 cv2.VideoCapture() 的统一设计思想：摄像头、视频文件与网络流在接口层面完全一致。通过对比摄像头与视频文件的代码实现，强调切换输入源只需更改参数，并指出 waitKey 参数需根据帧率调整以控制播放速度。文章还详解 waitKey 的机制——它不仅是按键等待函数，更是驱动窗口刷新的关键，直接影响画面显示与播放节奏。理解这一核心逻辑，可无缝应对各类视频源处理场景。

2026-09-23 16:42:57 401

原创从 YOLO 到实时视觉(一)：7 小时打通摄像头接入与视频流处理

这份教程讲的是如何从“跑通视频文件”跨越到“实时摄像头识别”。它不重教 YOLO，而是补上实时系统的工程思维：视频是“死”的，摄像头是“活”的，帧率、延迟、积压都需处理。针对没有外接摄像头的情况，教程给出 7 小时计划：用 Mac 内置摄像头 + 本地视频文件配合 MediaMTX、FFmpeg 模拟 RTSP 流，完整走一遍“拉流→处理→推流”管线。

2026-09-22 08:19:58 496

原创 YOLO 完全指南（九）：YOLO 画面区域报警

Ultralytics的TrackZone通过在推理前将画面外区域置零，实现“仅关注中心区域”的高效报警。其核心在于不裁剪图像，避免物体断裂导致漏检，而是利用掩膜过滤，使跟踪器天然只识别区域内目标。代码简洁，适合单个凸多边形区域的占用检测。但不支持凹形或多区域，且计数为当前帧占用数而非累计量。若需复杂区域或进出统计，应选用支持点-多边形判定的RegionCounter。

2026-09-18 08:17:02 238

原创 YOLO 完全指南（八）：YOLO 跟踪实战

本文详解YOLO跟踪实战，揭示“检测”与“跟踪”的本质区别：检测仅识别每帧目标，而跟踪通过分配唯一ID实现轨迹连续性。核心算法如ByteTrack采用两阶段匹配，保留低分检测框以应对遮挡；OC-SORT引入观测修正机制，提升运动估计精度；Deep OC-SORT融合外观特征（ReID），增强复杂场景鲁棒性。匈牙利算法用于高效关联检测与轨迹。最终实现从“看图”到“看事件”的升级，支持行为分析、区域入侵等高级应用。

2026-09-17 12:04:33 247

原创 YOLO 完全指南（七）：YOLO识别工程化 (上)

本文详解Ultralytics YOLO从单图推理到视频工程化的全流程：通过批量推理对比batch与逐张耗时，验证吞吐优化效果；实现目录图片批量检测并导出结构化CSV结果；最后落地视频逐帧处理，结合跳帧策略与上一帧标注复用，解决30fps高帧率下的性能瓶颈。配套代码涵盖计时、内存优化（stream=True）、视频写入防错等工程细节，完整覆盖从模型调用到业务输出的生产级链路。

2026-09-15 17:38:58 311

原创 YOLO 完全指南（六）：数据增强与关键参数

本文深入解析YOLO默认数据增强参数的实际作用，揭示其在真实场景中的双重影响。Mosaic虽能提升小目标检测，但可能破坏大目标或文本信息；HSV增强需谨慎调整，过度抖动反致性能下降；缩放与平移模拟真实拍摄变化，但固定距离任务应避免；翻转易引发语义错误，方向性目标必须关闭。关键在于：参数非万能，需结合数据特性调优——关闭Mosaic或降低HSV，反而可能显著提升mAP。

2026-09-13 17:23:01 227

原创 YOLO 完全指南（五）：看懂评测结果

本文系统解析目标检测模型评估的核心指标：Precision、Recall 与 mAP。重点阐明目标检测中 TP/FP/FN 的判定依赖于 IoU 匹配，而非简单分类对错；详细拆解 AP 计算流程——按置信度排序预测框，绘制并插值 PR 曲线，积分求面积；最终得出 mAP50（IoU=0.5）与 mAP50-95（平均 10 个 IoU 阈值下 mAP）的含义。强调指标背后逻辑，为模型性能分析与错误归因提供完整实践路径。

2026-09-13 13:24:09 382

原创 YOLO 完全指南（四）：Label Studio + YOLOv8n 自动标注操作文档

本文详细介绍如何通过 Label Studio 与 YOLOv8n 实现自动标注。通过配置 Label Studio（6006）与 YOLO HTTP 服务（9090）的联动，利用预训练模型实现图像中目标的自动检测与预标注。关键步骤包括：设置环境变量、启动服务、配置项目标签与模型路径，并确保模型输出类名与标签一致。最终可在浏览器中完成高效标注，显著提升数据准备效率。

2026-09-12 21:10:03 424

原创 YOLO 完全指南（三）：目标检测的训练

本文手把手指导完成首个YOLO目标检测项目——施工工地安全帽识别。从明确检测目标（佩戴与否）与验收标准出发，基于14张白天场景图像数据，构建YOLO格式数据集，使用COCO预训练模型微调单类（helmet）检测器。通过50轮训练，实现mAP50达0.94的优异效果。最终对比显示，微调后模型能准确识别安全帽，验证了小样本下YOLO的有效性。

2026-09-09 23:55:21 196

原创 YOLO 完全指南（二）：从零开始认识YOLO

这篇文章分为核心理论（包括YOLO的定义、关键概念如边界框、置信度、IoU、NMS，以及目标检测与图像分类的区别）和实践练习（包括安装Ultralytics和使用预训练模型进行推理）。

2026-09-07 16:10:23 179

原创 YOLO 完全指南（一）：从原理到落地，读懂工业界最爱的视觉AI

YOLO的持续的版本迭代证明了它不是一个停留在纸面上的理论模型，而是一个在工业现场被反复验证、持续优化的成熟工具。配合清晰的数据准备、简洁的训练流程和多样化的部署方案，YOLO真正做到了“从论文到产线”的无缝衔接，这也是它被工业界广泛采用的根本原因。这种“端到端”的设计，与传统需要“先提出候选区域，再逐一分类”的两阶段检测器截然不同，是YOLO实现极快速度的根本原因。模型直接输出每个目标的。中完成，没有中间步骤的反复，这就是“You Only Look Once”名字的由来，也是其速度优势的根本保证。

2026-09-06 13:02:07 216

原创 Deepseek Agent Harness教程(七) | Deepseek Harness不是一个内核加一堆插件

DeepSeek Harness基于Cordis框架构建去中心化“插件树”，所有组件（含Agent循环）均为平等插件，无特权内核。通过Bundle打包插件、Profile组合启动方案、Patch（YAML补丁）动态修改配置，实现无需改源码即可替换核心逻辑。Patch按Bundle→Profile→全局→命令行顺序叠加，支持安全热替换。核心流程：打包→组合→替换，修改仅需编辑配置禁用原插件并插入新插件。

2026-08-30 21:14:22 201

原创 Deepseek Agent Harness教程(六) | waterfall “洋葱模型”是什么？

该文用通俗比喻拆解了仅十行代码实现的`waterfall`（洋葱模型）机制：它是一种层层包裹的事件处理结构，最内层是核心逻辑，外层可在其前后插入预处理或后处理。核心是`next()`函数——调用即放行至下一层，不调用则产生“短路”，跳过所有下游。文章强调最大陷阱是“只观察不调`next()`”，会导致后续逻辑被静默吞掉。并以监听器A→B→C及默认逻辑的完整示例，演示了进入层层深入、退出逐层返回的流程。最后总结其适用于工具调用前后处理、权限校验、日志等场景，可灵活增减功能层，但开发者必须严守调用`next()

2026-08-24 16:07:25 347

原创 Deepseek Agent Harness教程(五) | 事件系统：五种分发模式，让插件各司其职

本文介绍了 DeepSeek Harness 框架的事件系统，该系统通过五种分发模式实现插件间通信，避免直接依赖和循环引用。五种模式包括：1) emit（广播通知），2) parallel（并行执行），3) serial（顺序询问），4) bail（同步版 serial），以及 5) waterfall（洋葱模型中间件）。每种模式适用于不同场景，如日志记录、数据刷盘、决策链和请求处理等。事件机制使插件可灵活插拔，保持系统解耦和可扩展性，是框架实现"一切皆插件"理念的核心设计。

2026-08-24 12:29:19 422

原创 Deepseek Agent Harness教程(四) | 为什么插件必须可逆

本文深入探讨了插件卸载时的资源清理问题，揭示了不处理资源释放会导致热重载失效等隐患。文章通过实例展示了未清理的定时器、事件监听器等资源如何造成重复注册和内存泄漏，并指出这类问题难以复现的特点。核心解决方案是使用ctx.effect()包装框架无法自动管理的资源（如定时器、文件监听等），同时指出71%的Cordis内置API已自动处理资源释放。最后解析了插件生命周期的六种状态及其转换逻辑，帮助开发者诊断插件卡顿问题。全文强调了"获取资源时同步声明释放方式"的设计哲学，是保障插件系统稳定性的关键机制。

2026-08-21 13:48:47 346

原创 Deepseek Agent Harness教程(三) | DeepSeek Harness 注册方法

本文探讨了 DeepSeek Harness 插件系统如何通过依赖注入和服务定位机制解决传统 import 方式的耦合问题。核心观点包括： import 将功能需求与实现绑定在代码层，导致变更时需要修改多处文件； DeepSeek Harness 采用 YAML 配置实现运行时绑定，通过上下文(Context)和服务(Service)机制解耦；服务提供方通过继承 Service 基类注册服务，消费方通过 inject 声明依赖；系统启动顺序由依赖关系而非配置文件顺序决定，未满足依赖的插件会处于 PEND

2026-08-18 15:10:34 452

原创 Deepseek Agent Harness教程(二) | DeepSeek Harness 设计思路

DeepSeek Harness 设计解析：解决Agent工程两大核心问题摘要：本文剖析了DeepSeek Harness如何通过20万行代码解决Agent工程的两个核心问题。当业务逻辑与基础设施紧密耦合时，会出现两大痛点：1) 切换模型厂商需要大量适配工作；2) 新增功能需修改核心循环代码。DeepSeek Harness的解决方案基于三大设计原则：1) 插件化架构 - 所有组件均为可替换插件，包括Agent循环本身；2) 分层组装机制 - 通过Profile配置方案和Bundle组合包实现灵活组装；

2026-08-16 20:33:27 472

原创 Deepseek Agent Harness教程(一) | 什么是agent

这篇文章揭示了AI Agent与大语言模型（LLM）的本质区别，并详细解释了Agent的工作原理。核心观点包括：大语言模型本质是无状态的文本处理函数，所有"记忆"都是通过客户端重传历史对话实现的，这导致对话成本呈平方级增长。 AI Agent是"大脑+手脚+循环"的系统，由三部分组成：大模型作为决策核心工具调用作为执行手段循环机制实现持续交互 Agent的实际工作流程： ① 客户端维护对话历史 ② 模型生成结构化指令 ③ 外部程序执行实际操作 ④ 结果反馈形成闭环状态机是保证Agent可靠运行的关

2026-08-16 17:24:25 667

原创 veRL基本介绍与部署实践

veRL框架是专为强化学习设计的混合流架构，通过Single Controller全局编排和SPMD分布式计算结合，解决传统RL框架在多阶段异构工作流中的效率问题。其核心包含四大组件：Model Engine（训练引擎）、Rollout Engine（推理引擎）、TransferQueue（数据传输队列）和Checkpoint Engine（参数同步），支持PPO等主流算法，仅需10行代码即可实现RLHF全流程。该框架具有架构先进、使用简单、组件解耦等优势，适用于文本RL、多模态等场景。实践部分以0.7.1

2026-04-07 11:16:26 572

原创 (10分钟)阿里云一键部署openclaw

摘要：本文介绍在阿里云平台一键部署开源AI助手OpenClaw的全流程，包含四大核心内容：(1)云端部署相比本地部署的稳定性、维护便利性等优势；(2)轻量应用服务器选购建议及支付流程；(3)控制台配置三大关键步骤：端口放行、APIKey配置及WebUI测试；(4)QQ/飞书等主流IM工具的集成方法。通过标准化镜像部署和可视化操作，用户无需代码基础即可快速搭建7×24小时在线的AI助手服务。

2026-03-06 23:07:49 966

原创从炼丹到放牧：我招了个“数字牛马“，把算法实验流程变成了“自动驾驶”

摘要：本文介绍了一个基于AI的自动化科研流程系统，通过Dify框架实现从论文解析到代码生成的完整链条。该系统首先解析上传的PDF论文，提取核心方法与参数；然后结合基线代码自动生成可执行实验代码；最后在GPU集群运行并对比指标。在MedBench医疗大模型测试中，该方法实现了0.46%的准确率提升。项目展示了AI辅助科研的潜力，未来目标是构建全自动化的科研流水线，实现从论文抓取、创新点挖掘到实验验证的完整闭环。项目代码已开源在GitHub。

2026-02-27 17:43:41 458

原创 MICCAI 2025 IUGC 图像超声关键点检测及超声参数测量挑战赛

摘要： IUGC 2025比赛聚焦产时超声图像中胎儿生物测量自动化，提出多种创新方案解决传统阴道检查的局限性。Top1方案采用MAE辅助知识蒸馏和TransUNet架构，结合跨设备适应和半监督学习；Top2方案提出两阶段半监督集成框架，通过粗定位和局部精修实现高精度AoP测量；Top3方案基于无噪声学生范式，利用MixUp增强和DenseUNet提升关键点检测性能。这些方法通过热图回归、设备域适应和伪标签技术，显著提高了产时超声评估的准确性、客观性和可重复性。

2026-01-17 17:26:53 943

原创从DINO到DINOv2模型进化过程

DINO和DINOv2是Facebook AI提出的自监督视觉Transformer模型。DINO采用无监督自蒸馏方法，通过局部/全局图像裁剪构建学生-教师网络，结合动量更新、中心化和锐化技术防止模式崩塌。DINOv2在此基础上优化了数据处理流程，构建了142M高质量图像数据集LVD-142M，并引入多任务损失函数、高分辨率训练和Sinkhorn-Knopp归一化等技术。实验表明，这些模型在多项视觉任务上表现出色，无需监督学习即可获得鲁棒的视觉特征表示。DINOv2还支持模型蒸馏，可生成适用于不同任务的小型

2025-12-17 09:43:04 820

原创大模型基础 | 大模型集成方法

摘要本文探讨了大模型集成方法，重点介绍了三种主流技术：输出集成、概率集成和混合专家模型(MoE)。输出集成通过跨模型交流提升推理能力；概率集成对模型预测的logits结果进行平均处理；MoE则采用专家细粒度化和共享专家机制，在保持计算效率的同时提升模型性能。特别介绍了DeepSeekMoE的创新架构，包括专家细粒度化和共享专家设计，通过精细化的专家组合和通用/特定特征分离，显著提升了模型的泛化能力和场景适应性。这些方法为大规模语言模型的优化提供了有效途径。

2025-11-23 21:54:43 528

原创 MICCAI | Semi-supervised medical segmentation（一）

摘要：本文提出Text-SemiSeg框架，通过文本信息增强半监督3D医学图像分割性能。方法包含：1）文本增强多平面表示(TMR)，将3D特征分解为三个2D平面与文本交互；2）类别感知语义对齐(CSA)模块，通过MSE正则化约束文本-视觉特征对齐；3）动态认知增强(DCA)模块，混合标注/未标注数据前景区域以缩小分布差异。实验表明，在胰腺和BraTS数据集上Dice系数分别提升1.15%和1.12%，验证了文本信息对3D医学图像分割的显著提升效果。该框架可推广至其他半监督网络，为视觉语言模型在3D医学任务中

2025-11-14 20:23:54 869

原创大模型基础 | 模型参数初始化

模型参数初始化是神经网络训练的重要第一步，直接影响模型性能和收敛速度。固定权重初始化可能导致收敛缓慢，而固定方差初始化需要平衡方差大小以避免梯度消失或信号消失。Xavier初始化根据神经元数量和激活函数类型自动调整方差，保持数据在传播过程中的稳定性。Kaiming初始化则针对ReLU函数的特性进行优化。不同激活函数（如Tanh、Sigmoid）需要不同的方差补偿策略。预训练权重（如BERT）通过大规模数据学习先验知识，为模型提供更好的初始参数分布，提高微调后的泛化能力。合理的初始化方法是提升模型训练效果的关

2025-11-08 17:25:56 869

MSP430单片机自学笔记RAR格式

空空如也