- 博客(143)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 目标跟踪算法原理与 ByteTrack ID 稳定性优化学习笔记
本文系统梳理多目标跟踪（MOT）核心原理，聚焦ByteTrack在ID稳定性上的优化策略。对比SORT、DeepSORT、BoT-SORT等算法，重点解析ByteTrack通过两阶段关联机制——利用高置信度框可靠匹配、低置信度框恢复遮挡目标——实现无需ReID的高效跟踪。其优势在于轻量部署、抗遮挡能力强，适用于边缘计算场景。同时分析了ID Switch根因：运动预测误差、检测不稳及复杂交叉，并提出基于轨迹生命周期管理与多源信息融合的优化思路，为实际应用提供选型与调优指导。
2026-10-14 16:07:44
282
原创 NVIDIA AI 软件生态完整学习笔记
NVIDIA 不只是做 GPU。看成几个互不相关的软件。它们实际上处于不同层级。所以 NVIDIA 软件生态本质上可以理解成：从“怎么使用 GPU”，一直解决到“怎么把 AI 模型部署成完整生产系统”。
2026-09-07 16:36:38
264
原创 TensorRT 基础与核心流程完整学习笔记
Tensor张量Shape形状Graph计算图Operator算子Layer网络层Parser解析器Network网络定义Build构建 / 编译Runtime运行时Engine推理引擎执行上下文Tactic执行策略KernelGPU 核函数Buffer缓冲区Memory内存 / 显存Workspace临时工作显存HostCPU 端DeviceGPU 端H2DCPU → GPUD2HGPU → CPUCUDA 任务流。
2026-08-28 16:16:41
366
原创 TensorRT 系统详解
Engine = 程序ExecutionContext = 程序的一次运行环境Engine不同 Context 可以服务不同请求或并发执行需求。更多代表：编译后的网络。代表：网络当前这次具体怎样执行，包括 shape、buffer、profile 和执行状态。这是 TensorRT 非常重要的高级能力。不支持怎么办？TensorRT不支持某个算子↓自己实现CUDA Kernel↓封装成TensorRT Plugin↓注册Plugin↓TensorRT可以构建Engine。
2026-08-27 16:03:08
334
原创 ViT 与 VLM 中视觉 Token 的关系学习笔记
本文对比了普通视觉Transformer（ViT）和视觉语言模型（VLM）中ViT的结构差异。核心区别在于：普通ViT通常只提取CLS Token作为全局特征用于分类，而VLM会保留大量Patch Token以保留空间细节信息，并通过Projector将其映射到语言模型维度。具体流程上，普通ViT将图片切分为196个Patch加上1个CLS Token，最终仅用CLS Token进行分类；VLM则去除CLS Token，保留196个Patch Token，经Projector对齐维度后输入语言模型处理。这种
2026-08-10 10:15:50
239
原创 CLIP原理详解：图像与文本的跨模态学习
CLIP（对比式语言—图像预训练）是一种双编码器模型，通过图片编码器和文本编码器将视觉和文本数据映射到共享语义空间，学习图文之间的对应关系。其核心思想是让匹配的图文向量在空间中靠近，不匹配的则远离。相比传统图像分类模型，CLIP支持动态文本输入实现零样本分类，具有更强的灵活性。训练时，模型通过对比学习优化批内图文对的余弦相似度矩阵，使用温度系数调整相似度分布。这种架构使CLIP能够理解开放词汇的语义关联，为多模态任务提供通用基础。
2026-08-06 18:47:24
284
原创 神经网络模型量化完整讲解
文章摘要 模型量化是将神经网络中的高精度数值（如FP32）转换为低位宽表示（如INT8/INT4）的技术，旨在减小模型体积、降低内存占用并提升推理速度。量化通过线性映射公式（含scale和zero_point参数）实现浮点数与整数的转换，需在精度损失与效率提升间取得平衡。量化粒度包括逐层、逐通道和逐组量化，而对称量化（适合权重）与非对称量化（适合激活值）是两种主要方法。实际加速效果取决于硬件支持、推理框架优化及量化策略选择。该技术对部署大模型到资源受限设备至关重要，但需权衡精度、速度和工程复杂度。
2026-08-04 17:51:02
324
原创 深度学习模型部署利器：ONNX 全解析
ONNX（开放神经网络交换格式）是一种用于机器学习模型的开放标准和文件格式，旨在实现不同训练框架（如PyTorch、TensorFlow）与推理引擎（如ONNX Runtime、TensorRT）之间的互操作性。其核心价值包括： 训练与部署解耦：允许使用不同语言和硬件部署模型。 统一计算图表达：标准化模型结构、算子、输入输出等。 跨硬件支持：同一模型可运行在CPU、GPU、NPU等设备上。 ONNX模型本质是Protocol Buffers序列化文件，包含计算图（GraphProto）、算子节点（NodeP
2026-07-30 16:02:45
561
原创 Transformer 学习笔记（二）：Position Encoding（位置编码）详解
摘要： Transformer模型通过Embedding表示单词的语义（What），而Position Encoding则提供位置信息（Where）。由于Self-Attention机制本身无法感知顺序（如“我爱你”和“你爱我”会被视为相同），需额外引入位置编码。CNN因卷积核的滑动特性天然具备位置感知能力，而Transformer需通过数学公式生成位置编码（如正弦和余弦函数），满足唯一性、连续性、距离可计算和外推性。编码与Embedding相加（而非拼接）以保持维度一致，并通过不同频率的波形组合确保每个位
2026-07-08 16:50:22
326
原创 Transformer 学习笔记（一）：Embedding 原理详解
本文详细讲解了Transformer中的Embedding原理。主要内容包括：1）Embedding是将离散Token映射为连续向量的过程；2）不能直接使用Token ID的原因；3）Vocabulary（词表）的概念；4）Embedding Matrix是可学习的查找表；5）Embedding的工作原理是查表操作；6）解释了Embedding维度的含义；7）维度选择的超参数性质；8）随机初始化的必要性；9）Embedding的学习机制；10）语义相似Token的向量会趋近；11）与YOLO训练过程的类比；
2026-07-08 11:37:58
209
原创 Transformer：从零到精通全解析
本文介绍了Transformer的由来、核心思想和关键结构。Transformer是为解决RNN无法并行处理序列、长距离依赖等问题而提出的，其核心在于自注意力机制（Self-Attention），通过QKV（Query-Key-Value）计算让所有词相互交流，实现全局建模。Transformer的主要优势包括并行训练能力强、长距离依赖处理优秀、可扩展性极佳等。它还突破了文本领域，通过图像分块（Patch）的方式进入计算机视觉，催生了ViT、DETR等模型。Transformer的提出统一了序列处理，成为现
2026-07-08 11:36:53
236
原创 Ultralytics 项目结构超详细说明
模块名是否存在模块是否 import参数数量是否正确from 层索引是否正确通道数是否对上检测头输入层数量是否正确。
2026-07-02 14:39:55
317
1
原创 YOLO实例分割详细解析
YOLO实例分割核心思想解析 YOLO实例分割在目标检测基础上增加Mask分支，采用Prototype机制高效生成掩码。其核心流程是： 双分支结构：检测头输出bbox/cls/score，Mask头生成32张基础模板（Prototype） 系数组合：每个目标预测32维系数，通过线性组合Prototype生成实例掩码 优化设计：模板尺寸缩减至160×160降低计算量，配合Crop和Upsample保证精度 高效优势：相比逐目标预测，Prototype方案减少3倍以上计算量，内存占用更低 与Mask R-CNN
2026-07-02 11:42:14
524
原创 YOLACT分割：32个原型如何生成百万Mask
本文探讨了实例分割中直接预测每个目标的掩码（Mask）的计算量问题，并介绍了YOLACT和YOLO-Seg中采用的Prototype（原型）方法的高效原理。 核心要点： 直接预测的问题：若直接为每个目标预测640×640的掩码，100个目标需输出4096万个数值，计算量和内存消耗巨大。 Prototype方案： 网络先预测32张基础掩码（Prototype），作为可组合的“积木”。 每个目标仅需预测32个系数（Coefficient），通过线性组合生成最终掩码。 效率对比：Prototype方法将输出量减少
2026-07-02 10:54:22
366
原创 图像分割模型演进史：从FCN到SAM
图像分割模型发展历程可分为两大技术路线：1）逐像素分类（FCN/U-Net/DeepLab），直接输出像素类别概率图(B,C,H,W)，通过argmax生成Mask；2）实例级生成（Mask R-CNN/YOLACT/YOLO11/SAM），先检测目标或接收提示，再生成对应Mask。前者输出密集预测结果，后者通过原型组合或ROI预测方式生成Mask。最新模型如SAM还引入多候选Mask和评分机制，展现更灵活的分割能力。两类方法在输出形式和后处理流程上存在本质差异，反映了分割技术的演进方向。
2026-07-02 10:04:53
174
原创 图像分割完整概念解析
图像分割是计算机视觉中的核心任务，通过像素级分类实现精细化的物体识别与区域划分。文章系统梳理了图像分割的发展脉络：从基础分类、目标检测到实例分割、全景分割，最终演进至支持交互提示的SAM时代。详细解析了四种分割类型（语义/实例/全景/提示分割）的区别与应用场景，典型模型如U-Net、Mask R-CNN的工作原理，以及Dice Loss、IoU等核心指标。该技术在医疗、自动驾驶、工业检测等领域具有重要应用价值，成为理解视觉内容的关键技术路径。
2026-07-02 09:53:36
172
原创 Poetry 从零到工程实践：小白系统笔记
这篇文章系统介绍了Python项目依赖管理工具Poetry的完整使用指南。主要内容包括： 依赖管理的必要性：解释为什么需要管理项目依赖，避免环境混乱 Python基础概念：区分包、环境和项目的区别 工具对比：分析pip、venv、conda、Poetry、Docker各自解决的问题 Poetry核心思想：强调依赖声明和版本锁定的重要性 安装配置：推荐使用pipx安装Poetry 项目结构：介绍pyproject.toml和poetry.lock文件的作用 详细功能：包括依赖分组、虚拟环境管理、与conda/
2026-06-17 14:25:17
385
原创 Docker 完整命令手册（含参数缩写对应英文原意+详解+示例）
本文是一份 Docker 命令手册，包含常用命令的参数缩写、英文原意、详细说明和实用示例。内容分为四部分：1) 通用高频参数对照表；2) 基础全局命令；3) 镜像管理命令；4) 容器操作命令（核心重点）。重点介绍了 docker run 的复杂参数配置，以及容器生命周期管理（创建、启停、删除）和交互式操作。手册采用统一格式：短参数(-x)对应完整单词，长参数(--xxx)直接使用，便于理解和记忆。适用于 Docker 日常运维和开发参考。
2026-06-11 14:03:53
381
原创 YOLO26 完整学习笔记：从 Anchor-Free、TAL、STAL 到端到端无 NMS 部署
YOLO26 是 Ultralytics 推出的新一代统一实时视觉模型，在 YOLO11 基础上针对端到端部署进行了全面优化。其核心改进包括：采用双头结构（O2M/O2O）实现兼容传统与无 NMS 推理，移除 DFL 实现直接边界框回归，引入 STAL 标签分配策略提升小目标检测，以及 Progressive Loss 和 MuSGD 优化器等协同设计。默认支持 300 个预测框的端到端输出，无需后处理 NMS，同时保持多任务扩展能力。相比前代，YOLO26 通过整套系统级创新实现了精度与部署效率的平衡，是
2026-06-08 13:52:04
1006
原创 YOLO11 全面笔记：从网络结构到训练、推理解码与源码阅读
YOLO11核心解析：架构、训练与推理 YOLO11是Ultralytics在2024年发布的最新YOLO系列模型，延续了YOLOv8的Anchor-Free检测框架，主要改进在于网络结构优化。本文从三个维度解析YOLO11： 架构创新：将C2f模块替换为C3k2，并在Backbone末端SPPF后新增C2PSA模块，保持P3/P4/P5三尺度检测 核心机制：保留DFL边界框回归、Task-Aligned正样本分配等关键设计 任务支持：提供检测/分割/分类/姿态估计/旋转框检测五种任务类型 相比YOLOv8
2026-06-05 11:35:24
560
原创 YOLOv8 目标检测完整学习笔记
适合已经听说过 YOLO、但希望真正理解 YOLOv8 工作流程的读者。本文主要讨论经典的。实例分割、姿态估计和旋转框检测是在检测模型基础上的扩展，不是本文重点。Ultralytics 的主分支会持续演进，因此源码中可能同时出现后续模型的兼容逻辑。学习 YOLOv8 时，先抓住本文整理的核心路径，再阅读源码会轻松很多。
2026-06-04 17:01:50
712
原创 YOLOv5 终极解析笔记：结构 + 源码 + 调参一站式吃透
本文是YOLOv5目标检测模型的完整学习笔记，涵盖了从网络结构到训练与推理的全流程。主要内容包括： 整体结构：YOLOv5由Backbone（特征提取）、Neck（多尺度特征融合）和Detect Head（预测边界框、置信度和类别）三部分组成。 核心概念： Anchor机制的本质与使用方式 边界框解码公式（Sigmoid、平方等操作的作用） 多尺度检测的重要性 训练流程： 标签分配策略（如何匹配真实框与预测框） 三类损失函数（边界框、置信度、分类） 数据增强与优化技巧 推理流程： 前处理（Letterbox
2026-06-02 18:20:47
1150
原创 YOLO中SPP/SPPF核心解析与网络结构图
以标准输入640×640【输入端 Input】 640×640×3↓│ Backbone 主干特征提取网络 ││ 下采样倍率逐层提升，输出3路特征分支（特征金字塔基础） ││ ││ 分支P3：下采样8倍 → 80×80×C 【浅层特征】负责：小目标 ││ 分支P4：下采样16倍 → 40×40×C 【中层特征】负责：中目标 ││ 分支P5：下采样32倍 → 20×20×C 【深层特征】负责：大目标 ││▶ P3(80×80)、P4(40×40)：无SPP/SPPF，直接进入Neck│。
2026-05-27 17:11:21
489
原创 目标检测算法的时间演进：从滑窗到 YOLO26 / 开放词表 / 实时 DETR
DETR 的边界框定位还可以更精细。传统检测器通常直接回归框坐标。D-FINE 把框回归改成：Fine-grained Distribution Refinement，细粒度分布逐步优化也就是说，它不只是输出一个固定坐标，而是学习更细粒度的位置分布，并通过多层 refinement 逐步变准。它还提出 GO-LSD，即 Global Optimal Localization Self-Distillation，让浅层和深层之间传递定位知识。
2026-05-27 08:58:25
517
原创 从零吃透 Focal Loss（通俗版+分步推导+数值演算）
样本类型标签yyyptp_tpt样本特点1−pt2(1-p_t)^21−pt2普通CEFocal Loss损失被压制比例极简单负样本00.99模型百分百认出背景0.0120.00010.0120.0001−log0.99≈0.0101−log0.99≈0.0101≈0.75×0.0001×0.0101≈0.00000076≈0.75×0.0001×0.0101≈0.00000076几乎归零。
2026-05-26 18:23:16
327
原创 YOLO 算法为何使用 BCE（二元交叉熵）损失
Softmax = 单选题（类别互斥），BCE = 多选题/判断题（类别独立）；YOLO 检测场景常出现多目标共存，分类分支只能用 BCE；置信度是“有无物体”的二分类，天然适配 BCE；相比 MSE，BCE 训练更稳定、纠错能力更强，是 YOLO 的最优选择。
2026-05-26 17:48:42
379
原创 RetinaNet 详细讲解（含 Focal Loss 核心原理）
RetinaNet 是单阶段目标检测里程碑，核心创新是Focal Loss，解决类别不平衡问题ResNet+FPN+双分支检测头（分类头用 Sigmoid，回归头用 Smooth L1）FLpt−αt1−ptγlogptFLpt−αt1−ptγlogptα\alphaα平衡正负样本，γ\gammaγ聚焦困难样本。
2026-05-26 16:51:56
426
原创 FPN 特征金字塔网络 完整讲解（含论文地址）
主流 CNN（ResNet/VGG）前向传播后，只拿最深层输出做预测。深层特征：感受野大、语义信息强（分类准），但分辨率极低，位置信息丢失严重小目标几乎检测不到，大目标定位也容易偏移CNN 前向传播为自下而上过程，每经过一个 Stage，特征图尺寸下采样 2 倍，通道数递增。我们把每个 Stage 最后一层输出记作C 层特征C3C4C5C3C4C5：最常用的三层，下采样倍率分别为 1/8、1/16、1/32下标越小 → 分辨率越高、细节/位置越强、语义越弱；
2026-05-26 15:30:50
381
原创 YOLO进化史：从v1到v26的完整解析
YOLO（You Only Look Once）是一种高效的单阶段目标检测算法，其核心思想是将检测任务转化为单次前向传播的密集预测问题，相比传统两阶段方法大幅提升速度。经典YOLOv1通过网格划分预测边界框和类别，而现代YOLO演进为Backbone-Neck-Head结构，支持多尺度特征融合。从anchor-based到anchor-free的转变简化了模型设计，YOLOv8等新版本采用解耦头等优化。训练时优化边界框损失、分类损失等，并通过NMS后处理过滤冗余检测。最新趋势如YOLOv10致力于实现端到端
2026-05-20 15:37:42
852
原创 YOLO目标检测核心思想解析
因为 YOLO 直接预测连续数值。x = 0.52y = 0.36w = 0.21h = 0.40这些都是连续值，不是简单的“是”或“不是”。从图像像素 → 直接回归出目标框和类别这和传统方法不同。先找一些可能有目标的位置再判断这些位置是什么我直接看整张图，然后一次性告诉你所有目标在哪里、是什么YOLO 的本质是：把目标检测看成一个单阶段的密集预测问题，让神经网络一次性从整张图中回归出所有目标的位置、类别和置信度。整张图输入网络↓提取特征↓在多个尺度的特征图上预测大量候选框↓。
2026-05-20 13:43:57
395
原创 目标检测核心概念全解：从 BBox、IoU 到 mAP，一篇讲透
输入图片↓Backbone 提取特征↓Neck 融合多尺度特征↓Head 输出大量候选框↓根据置信度过滤低分框↓使用 NMS 删除重复框↓输出最终检测结果置信度：模型有多确定这个框里有某类目标。IoU：两个框重叠得有多厉害。NMS：重复框太多时，只留下最靠谱的框。mAP：综合评价模型检测得准不准。Backbone：负责看图提特征。Neck：负责融合不同尺度信息。Head：负责输出类别、位置和置信度。Anchor：提前准备好的默认框。
2026-05-19 11:38:41
407
原创 两阶段目标检测——RoI Pooling与RoIAlign特征提取详解
RoI Pooling / RoIAlign 都是为了：把不同大小的候选框区域，转换成固定大小的特征，供第二阶段检测头分类和边框回归使用。候选框坐标和 bin 边界会取整，使用 max pooling，速度快但有量化误差。RoIAlign：不取整，保留浮点坐标，使用双线性插值采样，空间对齐更准确。RoIAlign因为它能更好地保持候选框和特征之间的位置对齐。
2026-05-18 16:14:02
447
原创 目标检测中的区域建议(Region Proposal)：高效候选框初筛
区域建议是目标检测中的候选目标区域，主要用于两阶段检测器。快速找出可能包含目标的区域它通常不负责判断具体类别，而是判断区域是否像一个物体。后续检测头会对这些区域进行分类和边界框回归。一句话概括：区域建议就是目标检测中的“候选框初筛机制”：先从整张图中找出可能有目标的区域，再让后续网络判断这些区域到底是什么以及边框是否准确。
2026-05-18 11:49:27
714
原创 深度学习——迁移学习实战指南
迁移学习就是把大模型在大数据上学到的通用表示拿来复用，再针对自己的任务做少量训练。小数据：冻结预训练模型，只训练分类头中等数据：解冻后几层微调大数据或领域差异大：全模型小学习率微调少数据也能训练出不错模型训练更快泛化更好更容易得到强 baseline。
2026-05-11 14:43:49
557
原创 深度学习——优化器终极指南
想快速稳定出结果，用 AdamW；训练 CNN 且追求最终泛化，可以试 SGD + Momentum；训练 Transformer 基本优先 AdamW；优化器选完后，学习率、weight decay 和 scheduler 往往比优化器名字本身更重要。
2026-05-09 16:37:29
525
原创 Python Callable终极指南：从零到精通
Callable = 可以加括号 () 执行的函数/对象Callable 就是用来标注：这个参数必须传一个函数！
2026-04-22 14:59:32
269
人工智能NVIDIA AI软件生态技术栈：从CUDA到TensorRT的深度学习推理优化与部署系统设计人工智能基于NVIDIA技术栈的AI部署体系：从CUDA到TensorRT的全流程推理优化系统设计
2026-09-07
【计算机视觉】基于YOLOv5的目标检测模型解析：从网络结构、Anchor机制到训练推理全流程技术详解
2026-06-02
【计算机视觉】卷积神经网络变种技术综述：从基础原理到目标检测应用的系统解析
2026-06-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人