<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qiutesting的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qiutesting</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qiutesting]]></copyright><item><title><![CDATA[传统行业产品经理，正在成为AI时代的稀缺资产]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/161740984</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/161740984</guid><author>qiutesting</author><pubDate>Sat, 06 Jun 2026 11:15:42 +0800</pubDate><description><![CDATA[AI不会淘汰传统产品经理，但会淘汰不会用AI的传统产品经理。你的行业经验是金子，但以前埋在土里。AI是那个挖金机——但挖金机不会自己找金矿，你知道金子在哪。最危险的不是AI替代你，而是懂AI的年轻人学会你的行业知识。他们学会你的知识要3年，你学会AI只要3个月。你拥有的不是“传统经验”，而是经过时间验证的行业真相。AI不缺数据，缺的是能告诉它“哪些数据是真的有用”的人。这个人，就是你。评论区聊一聊：你在哪个传统行业？最想用AI解决什么问题？]]></description><category></category></item><item><title><![CDATA[写给新手小白的 AI 黑话词典：32个高频术语一文搞定]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/161740286</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/161740286</guid><author>qiutesting</author><pubDate>Sat, 06 Jun 2026 10:54:26 +0800</pubDate><description><![CDATA[它是什么（基础概念）它怎么学（训练原理）你怎么用把这 32 个术语存下来，下次看到陌生词翻一翻，秒懂不迷茫！]]></description><category></category></item><item><title><![CDATA[Darknet网络详解：从YOLO的骨干到高效深度学习框架]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/154480063</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/154480063</guid><author>qiutesting</author><pubDate>Thu, 06 Nov 2025 16:37:13 +0800</pubDate><description><![CDATA[在目标检测领域，YOLO（You Only Look Once）系列算法以其惊人的速度和较高的准确率闻名于世。而支撑这一系列算法的"发动机"，正是我们今天要深入探讨的Darknet。Darknet其实有双重身份：它既是一个轻量级深度学习框架，也是YOLO系列算法所采用的主干网络架构。这种"两位一体"的设计使得YOLO能够在性能和效率之间找到完美平衡🚀。高效性：通过精心设计的卷积组合和残差块，实现了高计算效率简洁性：网络结构规整，便于理解和修改可扩展性：模块化设计便于调整网络深度和宽度实用性。]]></description><category></category></item><item><title><![CDATA[标准差：从数据预处理到模型优化的实战指南]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/154192759</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/154192759</guid><author>qiutesting</author><pubDate>Thu, 06 Nov 2025 10:30:52 +0800</pubDate><description><![CDATA[标准差在人工智能中扮演着“波动衡量尺”和“稳定性诊断器”的双重角色。从数据预处理到模型优化，从特征选择到异常检测，标准差的应用贯穿AI项目全生命周期。​​核心价值​​：理解并善用标准差，能帮助你构建更稳健、更准确的AI系统，真正实现从数据中提取价值。]]></description><category></category></item><item><title><![CDATA[方差：AI世界的“波动衡量尺”——从基础概念到实战应用]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/154132796</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/154132796</guid><author>qiutesting</author><pubDate>Fri, 31 Oct 2025 15:16:21 +0800</pubDate><description><![CDATA[大家好！我是优快云的技术分享博主。今天我们要聊一个看似简单却极其强大的数学概念——​​方差。在日常生活中，我们经常会说"成绩波动很大"、"股价起伏不定"，这些​​波动性​​的描述背后，其实就是方差在起作用。在人工智能领域，方差不仅仅是一个统计概念，更是​​模型优化、特征选择、风险控制​​的核心工具。理解方差，能帮助我们构建更稳健、更准确的AI系统！🚀​​方差​​是统计学中用来衡量一组数据​​离散程度​​的指标。简单来说，它告诉我们数据点之间的​​差异大小​​或者说​​波动幅度​​。​​举个例子​。]]></description><category></category></item><item><title><![CDATA[Batch Normalization解析：为什么YOLO v2大量使用这项技术？]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/154120325</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/154120325</guid><author>qiutesting</author><pubDate>Fri, 31 Oct 2025 08:00:00 +0800</pubDate><description><![CDATA[在深度学习模型训练过程中，大家是否遇到过这样的问题：​​模型收敛速度慢​​、​​训练过程不稳定​​、​​对学习率选择非常敏感​​？这些问题在深度神经网络中尤为常见，而Batch Normalization（批归一化）正是解决这些问题的"灵丹妙药"。今天我们就来深入解析Batch Normalization技术，并揭秘为什么YOLO v2要大量使用这一技术。​​ 是深度学习中的一种技术，由Sergey Ioffe和Christian Szegedy于2015年提出。它的核心思想很简单：​。]]></description><category></category></item><item><title><![CDATA[YOLO V2全面解析：更快、更准、更强大的目标检测算法]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/154071072</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/154071072</guid><author>qiutesting</author><pubDate>Wed, 29 Oct 2025 19:30:00 +0800</pubDate><description><![CDATA[在目标检测领域，YOLO V1无疑带来了一场革命性的变革。然而，正如所有初代产品一样，YOLO V1也存在一些明显的局限性：​​定位不够准确​​、​​对小目标检测效果差​​、​​召回率较低​​等问题逐渐凸显。今天我们要深入解析的YOLO V2（又称YOLO9000），正是在这样的背景下应运而生。它通过一系列精巧的改进，实现了​​"更准（Better）、更快（Faster）、更强（Stronger）"​​ 三大目标，成为目标检测发展历程中的重要里程碑。]]></description><category></category></item><item><title><![CDATA[【YOLO V1损失函数全景解析】丨目标检测的核心引擎如何工作？]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/154018406</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/154018406</guid><author>qiutesting</author><pubDate>Wed, 29 Oct 2025 08:30:00 +0800</pubDate><description><![CDATA[大家好，我是优快云的技术分享博主。今天我们来聊聊YOLO V1这个目标检测领域里程碑式算法中最精妙的部分——​​损失函数​​。如果说YOLO V1的网格划分思想是它的“骨架”，网络结构是它的“肌肉”，那么​​损失函数就是它的“灵魂”和“引擎”​​。它决定了模型如何从错误中学习，如何平衡各种任务，最终实现精准的目标检测。很多同学理解YOLO V1的思想很容易，但一到损失函数就头疼。本文将用​​最直观的方式​​，带你彻底掌握YOLO V1损失函数的每一个细节！🚀YOLO V1的损失函数设计体现了​。]]></description><category></category></item><item><title><![CDATA[深入浅出Faster R-CNN：目标检测的里程碑算法]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/151408300</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/151408300</guid><author>qiutesting</author><pubDate>Mon, 27 Oct 2025 18:45:00 +0800</pubDate><description><![CDATA[在日常生活中，我们经常需要让计算机"看懂"图像——不仅仅是知道图像里有什么，还要知道这些东西在​​什么位置​​。这就是​​目标检测（Object Detection）​​ 的任务：在图像中找出感兴趣的目标（物体），并确定它们的​​位置​​和​​类别​​。想象一下，如果你正在教一个小朋友认识动物：不仅要告诉他"这是狗"，还要用手指着狗的位置。目标检测算法做的就是类似的事情！🐶Faster R-CNN是目标检测领域的一个重要里程碑，它通过引入​​区域提议网络（RPN）​。]]></description><category></category></item><item><title><![CDATA[一文看懂：YOLO V1目标检测算法原理解析]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/153970230</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/153970230</guid><author>qiutesting</author><pubDate>Mon, 27 Oct 2025 18:00:56 +0800</pubDate><description><![CDATA[在YOLO（You Only Look Once）问世之前，目标检测算法就像是一个人拿着放大镜在图片上一点点寻找目标：​​先找可能包含物体的区域，再对这些区域进行分类​​。这种方法准确但速度慢，难以实时处理。2016年，Joseph Redmon等人提出YOLO V1，带来了一种​​革命性的思路​​：​​为什么不把目标检测当作一个回归问题，只需"看一眼"图片就能直接输出所有检测结果呢？​​ 这就是YOLO名称的由来——You Only Look Once。]]></description><category></category></item><item><title><![CDATA[一文搞懂目标检测关键技术ROI Pooling]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/151402272</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/151402272</guid><author>qiutesting</author><pubDate>Wed, 10 Sep 2025 18:00:03 +0800</pubDate><description><![CDATA[在目标检测任务中，我们通常会遇到一个问题：​​如何将不同大小的候选框（Region of Interest, ROI）转换为固定大小的特征表示？​​ 这是因为目标检测模型中的全连接层需要固定长度的输入。想象一下，如果你有一堆不同大小的盒子（候选框），但需要一个标准大小的盒子来放入你的展示柜（全连接层），你会怎么做？这就是ROI Pooling要解决的问题！🎯特性ROI Align​​坐标处理​​两次量化（取整）保留浮点数​​精度​​有误差（~10% mAP损失）高精度​​计算复杂度​​。]]></description><category></category></item><item><title><![CDATA[Fast RCNN详解：目标检测的飞跃之旅]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/151361121</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/151361121</guid><author>qiutesting</author><pubDate>Wed, 10 Sep 2025 08:15:00 +0800</pubDate><description><![CDATA[Fast RCNN是目标检测领域的一个重要里程碑，它通过共享卷积计算、引入ROI Pooling层和使用多任务损失函数，巧妙地解决了RCNN存在的效率低下和训练繁琐的问题。​​关键要点​Fast RCNN的核心创新是​​共享卷积计算​​和​​ROI Pooling层​​相比RCNN，Fast RCNN速度提升​​近200倍​​，训练更加简单Fast RCNN实现了​​端到端训练​​，统一了分类和定位任务尽管已被Faster RCNN等算法超越，Fast RCNN的思想仍影响深远。]]></description><category></category></item><item><title><![CDATA[选择性搜索（Selective Search）：目标检测的“候选区域生成”艺术]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/151325973</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/151325973</guid><author>qiutesting</author><pubDate>Tue, 09 Sep 2025 08:15:00 +0800</pubDate><description><![CDATA[在计算机视觉领域，​​目标检测​​（Object Detection）是一个核心任务，它不仅要识别图像中有什么物体（​​分类问题​​），还要找出这些物体的具体位置（​​定位问题​​）。在深度学习时代之前，​​滑动窗口法​​（Sliding Window）是一种常用的目标检测方法。想象一下，为了找到图像中的目标，我们需要用一个“框”在图像上以不同的尺寸和长宽比​​从左到右、从上到下​​地滑动，并对每个框内的图像块进行分类判断。]]></description><category></category></item><item><title><![CDATA[从OverFeat到RCNN：目标检测领域的跨越式进步]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/151314936</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/151314936</guid><author>qiutesting</author><pubDate>Tue, 09 Sep 2025 08:15:00 +0800</pubDate><description><![CDATA[各位小伙伴们大家好！在之前的文章中，我们介绍了OverFeat模型👇点击回顾OverFeat模型原理，它是早期将深度学习应用于目标检测的开拓者之一。不过OverFeat存在一些明显局限性：它采用滑动窗口方式在图像上不同位置和尺度进行检测，这种方法类似一种暴力穷举方式，​​计算量大且效率不高​​，由于窗口大小问题，而且难以精确处理​​不同长宽比的物体​​。]]></description><category></category></item><item><title><![CDATA[目标检测双雄：一阶段与二阶段检测器全解析]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/151214970</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/151214970</guid><author>qiutesting</author><pubDate>Fri, 05 Sep 2025 19:15:00 +0800</pubDate><description><![CDATA[目标检测是计算机视觉中的一项重要技术，它的任务是从图像或视频中​​找出感兴趣的目标​​，并​​检测出它们的位置和大小​​。与简单的图像分类不同，目标检测需要同时解决两个问题：​​物体识别（分类）​​ 和​​物体定位（边界框回归）​​。这就好比不仅要认出图片中有猫和狗，还要用框标出它们各自在什么位置。选一阶段：如果你需要实时检测（如自动驾驶、直播监控），或资源有限（移动端、嵌入式设备）。选二阶段：如果你追求极致精度（如医疗诊断、精密制造），或目标尺寸差异大、背景复杂。]]></description><category></category></item><item><title><![CDATA[Overfeat模型：图像识别界的“多面手“来啦！]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/151189640</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/151189640</guid><author>qiutesting</author><pubDate>Fri, 05 Sep 2025 08:15:00 +0800</pubDate><description><![CDATA[Overfeat是它证明了CNN可以同时做分类和定位（启发R-CNN）它的全卷积设计思想被后续所有检测模型借鉴它的多尺度特征处理方式至今仍在使用类比学习：就像学数学要先学加减法，再学乘除法——Overfeat就是图像识别领域的"基础运算"。]]></description><category></category></item><item><title><![CDATA[GoogLeNet：深度学习中的“卷积网络变形金刚“]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/150990315</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/150990315</guid><author>qiutesting</author><pubDate>Fri, 29 Aug 2025 22:00:00 +0800</pubDate><description><![CDATA[​开创多尺度特征融合范式​​Inception思想影响后续众多网络设计​​证明参数效率的重要性​​用更少参数实现更好性能成为新追求推动模块化网络设计​​网络由可复用模块堆叠而成🌟 ​​关键启示​​：在深度学习领域，​​结构创新​​有时比单纯增加深度更能带来突破。GoogLeNet通过巧妙的Inception模块设计，实现了“​​少即是多​​”（Less is More）的哲学，为后续MobileNet、EfficientNet等高效网络奠定基础。]]></description><category></category></item><item><title><![CDATA[AlexNet：点燃深度学习革命的「卷积神经网络之王」]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/150947597</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/150947597</guid><author>qiutesting</author><pubDate>Fri, 29 Aug 2025 18:30:00 +0800</pubDate><description><![CDATA[AlexNet的成功并非偶然，而是​​创新技术 + 工程突破​技术面​​：ReLU、Dropout、数据增强解决训练难题工程面​​：双GPU并行、重叠池化榨干硬件性能​​影响力​​：点燃深度学习十年黄金期，催生CV、NLP、RL等领域大模型✨ 关注我，下期将带来更现代的ResNet残差网络解析！]]></description><category></category></item><item><title><![CDATA[非极大值抑制(NMS)详解：目标检测中的“去重神器”]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/150423638</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/150423638</guid><author>qiutesting</author><pubDate>Fri, 15 Aug 2025 17:46:06 +0800</pubDate><description><![CDATA[​​NMS是什么​​：目标检测的后处理算法，用于​​去除冗余框​​；核心思想​​：​​保留局部最高分框​​，抑制与其高度重叠的框；​​关键参数​​：IoU阈值（常用0.5~0.7）；​​代码实现​​：10行Python即可搞定（排序 + IoU计算 + 迭代抑制）；​​适用场景​​：任何输出多个候选框的目标检测模型（YOLO、SSD等）。🌟 ​​一句话牢记NMS​​：​​“只留最自信的框，重叠太高的删光光！​今天的分享就到这里啦，欢迎评论区讨论！]]></description><category></category></item><item><title><![CDATA[目标检测的“精准度标尺“：IOU（交并比）全解析]]></title><link>https://blog.youkuaiyun.com/qiutesting/article/details/150342373</link><guid>https://blog.youkuaiyun.com/qiutesting/article/details/150342373</guid><author>qiutesting</author><pubDate>Fri, 15 Aug 2025 08:15:00 +0800</pubDate><description><![CDATA[直观性：结果在0-1之间，易于理解尺度不变性：不受框大小影响对称性广泛应用：从评估到损失函数设计可解释性：直接对应检测质量互动环节你在使用IOU时遇到过哪些坑？或者对哪个变体（GIoU/DIoU等）最感兴趣？欢迎在评论区分享你的经验！]]></description><category></category></item></channel></rss>