Deep Learing
关注
分享
扫一扫
文章平均质量分 88
Deep Learing
@BreCaspian
A researcher in the fields of artificial intelligence and computer vision.
展开
-
一文详解MCP技术——MCP是什么，为什么重要 ？
MCP是一种标准化协议，旨在为AI模型提供一个统一的接口，使其能够无缝访问和操作外部资源。通过简化集成过程、提升安全性和可扩展性，MCP成为了连接AI与外部世界的桥梁，为AI应用的开发和部署带来了革命性的变化。原创 2025-04-02 19:11:23 · 2404 阅读 · 0 评论 -
一文详解Softmax与Sigmoid函数
在机器学习和深度学习领域，激活函数是神经网络的核心组件，它们通过引入非线性特性，使模型能够捕捉复杂的模式和关系。在分类任务中，Softmax 和 Sigmoid 是两种最常用的激活函数。尽管它们都能将实数映射到概率空间，但它们的数学定义、应用场景和实际效果有着显著差异。原创 2025-03-23 22:01:21 · 1510 阅读 · 0 评论 -
如何快速评估模型改进后的整体性能效果
如何在改进模型后快速评估它的整体性能效果，避免漫长的训练等待，还能保证结果既可对比又真实可靠原创 2025-03-14 18:13:29 · 888 阅读 · 0 评论 -
YOLOv12源码及模型权重——免费下载
YOLOv12源码及模型权重——免费下载原创 2025-02-20 11:53:12 · 822 阅读 · 0 评论 -
YOLOv12训练自己的数据集——利用Google Colab环境和Roboflow工具
本文将详细介绍如何在自定义数据集上训练YOLOv12模型，包括数据集准备、模型训练和推理验证的全流程。您将学习如何利用Google Colab环境和Roboflow工具，基于一个示例数据集（集装箱检测）完成YOLOv12的训练，并获得可用于实际应用的目标检测模型原创 2025-02-20 10:53:11 · 2245 阅读 · 1 评论 -
《YOLOv12 - 注意力机制驱动的实时目标检测新篇章》——论文详解
2025年2月，来自布法罗大学和中科院大学的团队提出了《YOLOv12: Attention-Centric Real-Time Object Detectors》，在YOLO框架中首次引入以注意力机制为核心的设计，推出了YOLOv12。这一模型不仅保留了实时检测的高速特性，还通过创新的网络架构设计，显著提升了检测精度，超越了此前所有主流实时目标检测器。原创 2025-02-20 10:33:48 · 1049 阅读 · 0 评论 -
目标检测模型性能评估：mAP50、mAP50-95、Precision 和 Recall 及测试集质量的重要性
目标检测模型性能评估：mAP50、mAP50-95、Precision 和 Recall 及测试集质量的重要性原创 2025-02-12 22:29:18 · 5107 阅读 · 0 评论 -
YOLO自定义数据集实现K折交叉验证——K-Fold Cross Validation
实现K折交叉验证（K-Fold Cross Validation）对于YOLO（You Only Look Once）自定义数据集的目标检测任务可以显著提升模型的可靠性和泛化能力。原创 2025-02-12 19:02:36 · 1229 阅读 · 0 评论 -
神经辐射场（NeRF）：从2D图像到3D场景的革命性重建
神经辐射场（Neural Radiance Fields, NeRF）提出了一种全新的方法，通过神经网络隐式表示3D场景，并基于体积渲染技术生成高质量的图像。NeRF的基本思想是将空间中的每个点表示为一个五维的函数，神经网络学习到这一函数后，可以通过它来生成任何视角下的场景图像。原创 2025-02-07 11:05:14 · 1517 阅读 · 0 评论