- 博客(903)
- 资源 (12)
- 收藏
- 关注
RSS订阅
转载 PyTorch Cookbook（常用代码段整理合集）
本文代码基于PyTorch 1.0版本，需要用到以下包import collectionsimport osimport shutilimport tqdmimport numpy as npimport PIL.Imageimport torchimport torchvision1 基础配置1-1 检查PyTorch版本torch.__version__ ...
2019-04-27 15:58:29
3389
4
原创 Linux常见命令汇总
Linux下统计当前文件夹下的文件个数、目录个数统计当前文件夹下文件的个数，包括子文件夹里的ls -lR|grep "^-"|wc -l统计文件夹下目录的个数，包括子文件夹里的ls -lR|grep "^d"|wc -l统计当前文件夹下文件的个数ls -l |grep "^-&quot
2018-12-06 11:08:08
1903
11
原创 本博客目录及版权申明
【C++ Primer 学习笔记】系列：第一部分 基本语言第二部分 容器和算法 【C++ Primer 学习笔记】： 容器和算法之【顺序容器】 【C++ Primer 学习笔记】： 容器和算法之【关联容器】 【C++ Primer 学习笔记】： 容器和算法之【泛型算法】第三部分 类和数据抽象第四部分 面向对象编程与泛型算法第五部分 高级主题【Java： 23种设计模式】系列 Java： 23
2015-11-25 17:37:30
1775
1
原创 OpenVLHarness：解锁多模态大模型的视觉工具调用能力
摘要： OpenVLHarness 提出一种无需微调多模态大模型（MLLM）的开源框架，通过“能力层”统一工具接口并渲染可读证据，结合“持久化多模态记忆”实现图像、掩码、深度等中间结果跨步骤复用。在22个基准上，性能平均提升9.7–12.6个百分点，显著优于仅靠增强推理的基线。实验表明，外部工具调用与可复用记忆是突破模型“脑补”局限的关键，且通过提示词优化（Harness Search）与工具生成（Tool Generation）可低成本适配垂直场景，为真实世界视觉智能体提供高效、可扩展的解决方案。
2026-11-05 15:46:02
5
原创 DeepSeek 深度洞察：优快云 博主 shanglianlm 的全栈 CV 技术图谱与工程哲学
优快云博主shanglianlm（mingo_敏）深耕计算机视觉与深度学习十余年，以真实工程问题驱动，构建了从理论到部署的完整知识体系。其866篇原创文章涵盖YOLO、EfficientNet等主流模型实现（附PyTorch代码与基准数据），系统梳理损失函数、归一化层等基础组件，并覆盖环境配置、性能优化与OpenVINO推理部署全流程。其GitHub项目CvPytorch为可复用的视觉工具箱，内容兼具深度与实用性，是初学者进阶与一线工程师避坑提效的优质资源。
2026-11-05 11:18:23
294
原创 OCR 字符污损 / 缺失检测：基于「结果可信度判别」的两条技术路线梳理
在真实 OCR 流水线中，图像端的污损会沿下面这条链路传导，最终表现为识别结果层面的异常图像端：折痕 / 墨团 / 水渍 / 模糊 / 压缩伪影 / 遮挡│ （污损遮挡字符笔画，破坏字符结构）▼识别端：字符缺失(漏识) / 字符错识 / 顺序错乱 / 行列错位 / 整行拒识│ （表现为置信度下降、长度异常、语义不完整）▼判别端：可信度评分低 / 错误严重程度高 / 命中"字符丢失"等错误类别本文讨论的路线A（路线 A）与路线 B（路线 B）都不直接做污损像素分割。
2026-11-02 11:42:09
183
原创 一文读懂新颖目标检测：三大基础模型如何“魔改“传统检测器
本文提出一种基于CLIP、SAM、GDINO的协作机制，将传统封闭式检测器Mask-RCNN改造为开放世界新颖目标检测器。通过三步策略：初筛与补漏、零样本标注（结合SAEG同义词平均）、精修与评分（SRM融合分类与掩码质量），实现对已知及未知类别的高效检测。核心创新在于模块化协同，充分发挥各模型优势，无需重新训练即可应对开放场景，为构建灵活、可扩展的视觉系统提供新范式。
2026-10-29 11:58:21
331
原创 AnyJev：不动一个字节权重，把开源 LLM 变成“决策模型“
它不试图造一个更强的模型，而是让现有开源模型输出的"判断"变得可用。如果你手头已经有 Qwen、Gemma 等开源模型，需要做分类、路由、打分这类封闭决策，并且希望概率可以直接用于自动化阈值，AnyJev 提供了一条零训练、可本地部署、Apache-2.0 的绝佳路径。但在选型时，请务必优先评估基座模型本身的能力。毕竟，再好的"读出层"，也无法从一块普通的石头里读出黄金。
2026-10-27 14:41:55
26
原创 UniFace Studio：一站式开源人脸分析平台介绍
UniFace Studio 是一个基于 ONNX Runtime 的开源人脸分析平台，支持15项全栈功能，涵盖检测、识别、关键点、表情、活体检测等。通过 Gradio 提供可视化界面，开箱即用，无需复杂配置。项目采用统一 ONNX 推理，兼容多平台，自动下载模型，结构清晰，适合研究与部署。快速上手仅需克隆仓库、安装依赖并启动应用，即可在浏览器中实时体验人脸分析全流程。
2026-10-23 15:15:23
264
原创 手把手教你部署 VideoJev-4B：环境配置、启动与端口映射
本文手把手指导在NVIDIA GPU Linux服务器上部署VideoJev-4B交互式Web Demo，涵盖环境配置、模型下载、依赖安装、端口映射及后台运行。需确保显存≥24GB，使用Conda创建Python 3.11环境，通过ModelScope下载模型权重，设置VIDEOJEV_CHECKPOINT环境变量后启动Gradio服务（默认端口7860）。通过SSH端口转发可本地访问，支持Temporal grounding与Video QA功能。提供启动、后台运行、日志查看、停止服务等完整操作流程。
2026-10-20 16:47:07
151
原创 Jag：用直接框预测实现高效视觉定位
Jag提出一种高效视觉定位方法，摒弃传统自回归生成坐标的方式，转而直接从多模态模型的最后隐藏状态回归边界框四维坐标。该方法仅需一次前向传播，显著提升推理速度（快20倍），在Qwen3.5-0.8B轻量模型上达到与专用大模型相当甚至更优的精度。通过几何损失（L1 + GIoU）联合训练，结合两阶段微调策略，充分释放预训练模型的空间理解能力。实验表明，Jag在多个基准上表现优异，尤其在单目标定位中精准度高，但对多实例选择仍存挑战。
2026-10-16 16:33:07
256
原创 使用 SGLang 部署 MiniMax-H3
本文记录在单机 NVIDIA GPU 服务器上使用 SGLang Diffusion 部署 MiniMax-H3 的过程，包括模型检查、运行环境、服务配置、Web 页面、Spectrum 加速和常见问题。
2026-10-14 16:47:36
168
原创 McByte++ 技术解析：无需训练，如何搞定体育视频中的长时多目标跟踪？
McByte++提出一种无需训练的长时多目标跟踪方法，针对体育视频中遮挡、镜头运动等挑战，通过轻量掩码传播（EdgeTAM）、受控掩码辅助、在线重识别与条件运动补偿实现精准跟踪。其核心为“选择性融合”：仅在模糊或孤立场景启用掩码，利用时间聚合的外观特征进行长时身份记忆与双向重连，结合可靠性评估的运动补偿，显著提升身份一致性（IDF1↑6.1）与追踪精度（HOTA↑3.0），且全程零训练、高效可部署。
2026-10-10 16:53:43
369
原创 VISTA：让多模态模型学会“回看“与“放大“的视觉交互系统
VISTA提出一种新型多模态视觉交互系统，解决传统模型在长程任务中因“一次性编码”与上下文限制导致的视觉记忆丢失问题。通过保留原始分辨率的无损视觉记忆、支持空间放大与时间回溯的主动检查机制，以及独立于上下文的笔记系统，VISTA赋予模型“回看”与“放大”的能力，实现更精准的推理与规划。其核心在于让模型主动掌控视觉信息，突破初始编码瓶颈，推动多模态系统从被动感知迈向主动探索。
2026-10-10 13:59:12
44
原创 NVIDIA DGX Spark 部署 Qwen-Image-2.1：踩坑、适配与调优全记录
本文记录在 NVIDIA DGX Spark 类 ARM64 GPU 服务器上，部署 Qwen-Image-2.1 Gradio Web 界面的完整过程。
2026-09-30 11:38:49
114
原创 Migician：揭示多模态大语言模型中自由形式多图像定位的魔法
Migician提出首个端到端的自由形式多图像定位模型，突破传统思维链方法在错误传播、速度与语义抽象上的局限。通过两阶段训练与模型合并策略，结合自建的MGrounding-630k大规模数据集和MIG-Bench评测基准，实现跨图像精准定位，在差异识别、指代定位等10类任务中显著优于现有方法，推动多模态大模型向真实场景应用迈进。
2026-09-28 16:48:22
172
原创 从“看见缺陷“到“处置缺陷“：质检 Agent 如何把漏检、判废、追溯、复盘串成一条闭环？
从"看见缺陷"到"处置缺陷"，中间隔着的不是一项算法，而是一套将感知、判断、行动、验证、学习串联起来的系统能力。能力层级核心价值关键技术解决的问题感知层压低漏检率多模态融合、多阶段推理、记忆机制单模态盲区、无记忆检测决策层智能分级处置多目标权衡、不确定性建模、权限光谱二元判废、误判放大追溯层因果链重建一物一档、知识图谱、事件链留痕数据孤岛、事后猜测复盘层知识资产沉淀知识原子化、主动推送、验证回路经验沉睡、闭环缺失演进路线：关联模式识别 → 基于统计与规则的质量管控。
2026-09-28 10:02:22
45
原创 RAG + 视觉语言模型实现风力机叶片免训练缺陷检测
本文提出一种基于多模态RAG与视觉语言模型（VLM）的风力机叶片免训练缺陷检测方法，通过构建图文知识库、混合检索与关键词重排序，动态增强Qwen-VL-Max的推理能力。无需任务微调，即可实现94.55%的准确率，有效应对光照变化与罕见缺陷，具备可解释性与可扩展性，为工业视觉检测提供新范式。
2026-09-24 17:01:59
172
原创 Qwen-Image-2.1：基于 ComfyUI 的GeForce RTX 4090单卡部署实践
本文介绍在NVIDIA RTX 4090（24GB显存）上通过ComfyUI部署Qwen-Image-2.1文生图模型的完整流程。基于ModelScope的Comfy-Org/Qwen-Image-2.1版本，模型拆分为INT8量化扩散模型、Qwen3-VL文本编码器与BF16 VAE，适配单卡低显存运行。通过软链接接入ComfyUI，配置基础工作流实现512×512图像生成，验证模型加载、文本编码与解码链路正常，支持快速复现与高效部署。
2026-09-24 14:56:39
317
原创 为什么你的 “开放词汇“ 关系预测其实是个伪命题？—— 从 RelateAnything 说起
深度学习论文: RelateAnything: Real-Time Open-Vocabulary Relation Prediction From Any InputsPDF: https://arxiv.org/pdf/2609.12552PyTorch代码: https://github.com/Maelic/RelateAnything模型权重: https://huggingface.co/collections/maelic/relateanything数据集 RA-4M: https:
2026-09-23 17:45:21
67
原创 边缘端ViT新范式！EdgeCrafter：用任务特化蒸馏打造10M参数51.7 AP的密集预测神器
深度学习论文: EdgeCrafter: Compact ViTs for Edge Dense Prediction via Task-Specialized DistillationPDF:https://arxiv.org/pdf/2603.18739PyTorch代码: https://github.com/shanglianlm0525/CvPytorchPyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks近年来，视觉T
2026-09-21 15:09:05
166
原创 SAM 3.1 长视频推理 OOM 排查全指南：为什么显存会越跑越大，以及如何根治
Long Video│▼││▼│ ││ │││▼ ▼│▼Next Chunk核心目标是把显存占用从VRAM ∝ 视频长度变成接近视频跑 10 分钟和跑 10 小时，峰值显存基本保持在同一量级。这比单纯调更根本。
2026-09-21 14:30:49
300
原创 text-conditioned diffusion model 网络结构详解
阶段输入文本条件来源可训练参数输出Stage 1 预训练图像 + 文本描述真实文本(e_T) 或 隐式嵌入(t_imp) 50/50随机去噪预测 + 隐式嵌入Stage 2 微调图像(+可选文本/标签)真实文本 或 隐式嵌入掩码 + 分类推理图像（无需文本）隐式嵌入(t_imp)无（全部冻结）分类结果 + 分割掩码文本条件注入方式：通过 Cross-Attention 将 CLIP 文本嵌入注入 U-Net 的每一层，让去噪过程受文本语义指导。
2026-09-17 18:01:05
42
原创 IMDD-1M：迈向开放词汇工业缺陷理解：用百万级多模态数据集训练扩散模型
做工业质检的朋友应该都有同感：产品上的缺陷千奇百怪，从半导体晶圆上的微小划痕，到金属铸件内部的空洞，再到纺织面料上若隐若现的色差——任何一个细节没盯住，整批产品就可能报废。过去我们靠人工目检，效率低、主观性强，还容易看花眼。后来上了自动光学检测（AOI）系统，好歹自动化了，但新问题又来了：误报率居高不下，遇到没见过的缺陷模式就傻眼，换条产线还得重新调参，根本跨不了线。这两年视觉-语言模型（VLM）火得一塌糊涂，CLIP、ALIGN、Flamingo 这些模型在自然图像上玩得风生水起。
2026-09-16 14:26:09
65
原创 Agglomerative Token Clustering (ATC) 详解
一张448×448的图像经 ViT 处理后可能产生 1024 个 Token，其中大量是背景、纯色区域等冗余信息。正是为解决这一问题而生：它通过自底向上的层次合并，将相似 Token 聚合为更少的语义单元，在大幅降低计算量的同时保留关键视觉信息。本文将从原理、数学表达、工程价值及工业场景避坑指南四个维度，系统拆解 ATC。
2026-09-11 14:30:53
50
原创 基于生成模型与DINOv3特征差异的工业异常数据自动生成与像素级标注方案
本文提出的方案，构建了一套端到端、全自动的工业异常数据集生产流水线，完整实现正常图像生成、前景区域约束、可控异常生成、特征差异比对、像素级自动标注、智能质量过滤全流程自动化。方案最核心的创新逻辑，是摒弃了传统"生成区域即缺陷区域"的粗糙标注方式，利用正常图与异常图的特征空间差异，反向还原真实缺陷边界；同时依托同一特征差异机制完成样本质量校验，让数据生成、标注、质控形成完整闭环。
2026-09-09 17:02:43
41
原创 RTX 4090本地部署MiniCPM5-2B模型（vLLM高性能推理）实操教程
MiniCPM5-2B是OpenBMB联合ModelBest推出的轻量级高性能大语言模型，仅2B参数量，兼顾推理速度与文本生成、代码生成能力，对消费级高端显卡兼容性极佳。本文基于显卡，采用vLLM高性能推理框架完成模型本地部署，全程实现模型下载、环境配置、API服务启动、接口调用测试全流程，开箱即用，适合本地私有化部署、模型功能验证、轻量推理场景落地。vLLM自0.21版本起原生支持MiniCPM5系列模型，可充分释放4090显卡的CUDA算力，大幅提升推理效率。
2026-09-09 14:49:03
227
原创 【SenseNova U1.5 Lite实战 】本地部署指南
8B参数配合MoT（Mixture-of-Transformers）设计，在消费级显卡上即可实现。❌ 若cuda为False，请检查驱动版本或重新安装PyTorch cu121版本。：以下为薄封装示例。生产环境建议将模型加载移至全局单例，避免每次请求重新加载权重。：4090运行BF16显存贴边（峰值21.5GB），不建议同时运行其他GPU任务。，脚本自动回退原生SDPA注意力机制，功能完整，仅显存占用上升约2-3GB。拼接式架构，模块间特征转换损耗大、链路长。，包含生成/理解/编辑三个Tab页。
2026-09-04 18:07:51
641
原创 基于本地部署 Qwen3.8 的双图参考定位实战：从背景差分到语义理解
通过本地部署 Qwen3.8 并结合双图参考 Prompt，我们可以用极低的工程成本实现传统 CV 难以企及的语义级变化检测。0-1000 归一化坐标体系、鲁棒的 JSON 输出以及强大的指令遵循能力，使其成为工业落地的理想选择。
2026-09-04 14:41:57
64
原创 ICCV 2025竞赛冠军方案｜SaSaSa2VA：基于SAM2+多模态大模型的指代表达视频分割
针对ICCV 2025 LSVOS RVOS赛道，SaSaSa2VA以J&F 67.45夺冠，超第二名2.80分。针对Sa2VA单令牌及时序建模不足，提出分割增强（关键帧压缩+多片段SEG令牌）和测试时选择性平均集成，分别提升超10分和约2分，为RVOS提供高效新思路。
2026-09-04 14:25:00
118
原创 基于 DINOv3 + Qdrant + Qwen3.8-27B 的工业 Visual RAG：少样本新目标识别与免训练扩展
模型负责能力，数据库负责知识。组件职责DINOv3视觉表示与候选召回Qdrant企业视觉长期记忆Prototype多视角目标级表示具体视觉证据Qwen3.8基于 Reference 的视觉推理与验证OOD Gate不知道时允许回答"不认识"对于新目标，只需 3～5 张参考图 + 名称 + 描述 + 业务信息，即可生成 Embedding → 更新 Prototype → 写入 Qdrant →立即可用。
2026-09-01 09:59:47
454
原创 Qdrant之二： Multimodal RAG
来源：https://qdrant.tech/documentation/tutorials-build-essentials/multimodal-search/功能：实现（文搜图、图搜文），基于模型，无需OCR提取图像文本。
2026-08-28 18:20:20
196
原创 Qdrant之一： 使用指南
Qdrant是Rust开发的高性能向量搜索引擎，专门处理非结构化数据（文本、图片、音频等）的向量检索。核心能力包括向量存储、元数据过滤、混合检索、向量量化、多租户隔离，对外提供REST/gRPC接口，支持多语言客户端对接，常用于RAG知识库、相似内容召回、图片检索、推荐系统等场景。
2026-08-27 19:17:51
377
原创 Ubuntu22.04 RTX4090 完整部署SenseNova U1‑8B‑MoT指南
硬件：RTX 4090 24GB｜系统：Ubuntu 22.04 LTS。
2026-08-25 14:00:25
83
原创 深度学习论文: Synthetic Object Compositions for Scalable and Accurate Learning in Detection, Segmentation,
人类视觉可依据格式塔原则将场景拆解为独立语义对象，对应计算机视觉中的目标检测、实例分割与视觉定位任务，广泛支撑机器人感知、自动驾驶、图像编辑等应用。现有人工标注数据集受限于高昂标注成本，存在类别长尾、场景组合覆盖不足的固有缺陷。现有合成数据方案分为两类。仿真渲染类可输出高精度真值，但受三维资产约束，目标多样性不足，适用场景受限。文生图结合伪标签的方法场景丰富，但引入生成与标注噪声，标注可靠性差。
2026-08-20 10:58:09
51
原创 Z-Image：重新思考文生图模型的效率边界
阿里巴巴通义实验室开源了Z-Image-Turbo图像生成模型，仅60亿参数、8步采样即达到开源模型第一的1161 Elo评分。其核心技术包括：1）S3-DiT单流架构实现跨模态高效交互；2）Decoupled-DMD蒸馏技术将推理步数压缩至8步；3）DMDR强化学习提升生成质量。该模型以1/5参数量达到对标模型87.4%的生成质量，且推理成本最低（5美元/千图），支持中英双语渲染，并通过量化适配消费级硬件。这一成果证明了通过架构创新和训练优化，而非单纯扩大规模，同样能实现高效高质量的图像生成。
2026-08-17 10:56:59
57
原创 深度学习论文: Fully Distributed Multi-View 3D Tracking in Real-Time
深度学习论文: Fully Distributed Multi-View 3D Tracking in Real-TimePyTorch代码:PyTorch代码:多相机多目标跟踪（MCMT）是智慧城市、智慧仓储的核心感知技术，上千路相机组网的落地需求持续高涨。现有方案分为集中式、去中心化、纯分布式三类，相机又分为重叠/无重叠视场两种拓扑，重叠视场的三维几何信息可有效缓解跟踪遮挡难题。集中式方案虽精度高，但单节点承载全部计算与通信，大规模部署时带宽、延迟、稳定性缺陷突出；
2026-08-14 09:25:52
75
CUDA并行程序设计 GPU编程指南
2019-05-02
linux下安装Anaconda3+pytorch+tensorboardX依赖包
2019-03-23
Quartz 示例代码
2017-05-02
java反射示例代码
2017-05-01
CUDA C编程权威指南
2019-05-02
Java反射机制代码
2017-05-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人