LZ_Keep_Running-优快云博客

原创基于多维度语义相似度的文本评估系统设计与实现

在工业质检、智能客服和内容审核等领域，准确评估文本语义相似度对于确保回答质量和一致性至关重要。传统基于关键词匹配的方法难以处理语义相近但表达不同的文本，而单一相似度指标无法全面反映文本质量。本文设计并实现了一个基于预训练语言模型的多维度语义文本评估系统，结合余弦相似度、关键词覆盖率和BLEU分数，构建了可配置阈值的自动化评估框架。系统采用Sentence Transformer的all-MiniLM-L6-v2模型生成高质量的句子嵌入，通过图形化界面实现批量处理。实验结果表明，该多维度评估方

2025-11-12 14:07:54 691

原创 YOLOv11n-pose手部关键点检测实战

本文基于YOLOv11n-pose模型实现了一种高精度实时手部关键点检测方法。针对手部检测的特殊挑战，采用改进的CSPDarknet53作为主干网络，结合PANet进行多尺度特征融合。通过精心设计的数据增强策略和训练参数，在包含44,000张标注图像的数据集上训练得到模型。实验结果显示，该方法在测试集上达到0.934的mAP@0.5，关键点精度为0.823，同时保持45FPS的实时性能。该方法成功集成到目标检测平台，可准确检测21个手部关键点并形成完整的手部骨架，为人机交互等应用提供了有效解决方案。

2025-11-12 00:35:20 947

原创 Qwen3VL高精度2D/3D缺陷检测本地部署

Qwen3VL本地部署实现2D/3D缺陷检测本项目基于Qwen3VL大模型实现了高效准确的2D和3D缺陷检测系统。系统采用模块化设计，包含API客户端、图像处理工具和可视化模块，支持从普通图片理解到专业目标检测的多模式分析。核心功能：双平台API支持：可对接魔搭社区和阿里云平台的AI服务智能图像处理：自动编码/解码图像，支持高低分辨率切换多维度检测：同时实现2D图像缺陷识别和3D空间分析可视化展示：清晰标注检测结果并生成详细报告技术亮点：灵活的API客户端，支持多种模型配置智能图像参

2025-11-07 20:43:53 1039

原创智能变电巡检：AI检测新突破

摘要本文介绍了一个变电智能巡视目标检测平台的开发实现，包含图像识别、视频识别和批量文件夹推理功能。平台采用YOLO目标检测算法，具有清晰的设计结构，包含模型加载、检测工作线程、UI界面等模块。配置文件和样式文件采用国网绿色主题设计，支持参数调整和结果保存。平台能有效检测变电现场人员，辅助智能巡视工作，提高变电站安全管理效率。

2025-11-07 20:21:18 833

原创本地离线部署Qwen-Image-Edit-202509

Qwen-Image-Edit是阿里巴巴通义千问团队发布的20B参数图像编辑基础模型，支持精确文本编辑功能。本文介绍其本地离线部署方法：首先拉取17.14GB的Docker镜像（包含PyTorch 2.7.0和CUDA 12.8环境），修改容器标签后启动（需映射8888端口）。进入容器后按顺序执行镜像内脚本（移动文件、下载模型），建议使用无卡模式运行。最后通过浏览器访问本地8888端口即可使用。若需修改文件，需重新启动容器并挂载宿主机目录。该模型采用双路径输入和MMDiT架构，完全开源且支持商业用途。

2025-09-30 22:18:05 1202

原创 yolov13训练流程

YOLOv13训练流程主要包括数据准备和清洗两个阶段。数据准备阶段需要按照VOC标准格式标注数据，并将不同类别的数据分类存放。数据清洗阶段通过Python脚本进行严格校验，包括验证XML文件的完整性（检查标注结构、目标对象、边界框等）、图像文件的有效性（尺寸、格式等），以及图像与标注文件的一致性（尺寸匹配、边界框范围等）。脚本会创建日志记录处理过程，并自动分类存储有效数据和无效数据。该流程确保了训练数据的质量，为后续模型训练打下良好基础。

2025-09-29 13:11:26 1030

原创 yolov13环境部署

本文详细介绍了在RTX2060显卡环境下部署YOLOv13目标检测模型的完整流程。主要内容包括：1) 使用conda创建Python3.11虚拟环境；2) 安装指定版本的PyTorch及相关依赖；3) 下载YOLOv13源码和预训练模型；4) 安装额外的依赖包和flash-attention加速模块；5) 最后通过示例代码演示模型推理过程，并展示检测效果图。整个部署过程涉及环境配置、依赖安装、模型加载等多个环节，为YOLOv13的本地运行提供了完整指南。

2025-09-28 17:02:35 841

原创模型量化降低占用显存

KV缓存与以序列长度（上下文长度）、批处理大小（Batch Size）、模型维度（层数、隐藏层大小）以及缓存精度（不必与模型权重精度相同，通常为FP16 精度）等多个因素密切相关，可以按照公式VRAMkvcache≈2×层数×隐藏层维度×序列长度×批处理大小×每个值的字节数进行估算，这里就不做展开了。未量化的模型显存占用非常高，很难本地部署。例如，部署Q4_K_M的Qwen3-32B模型，所需要的显存大概为约19.8G（模型权重）+约14G（8K上下文KV缓存）+约1~2G（开销），一共大约35.3G。

2025-05-12 07:47:55 894

原创本地电脑部署deepseek-r1:8b

本地电脑部署deepseek-r1:8b

2025-02-06 18:08:43 529

原创若依微服务版ubuntu20.04 部署（基于docker-compose）

前提条件redis 6.0。

2025-01-20 20:10:29 731

原创 docker-compose 命令详解

docker-compose 是一个用于定义和运行多容器Docker应用的工具。Docker Compose 是 Docker 官方提供的一个用于定义和运行多容器 Docker 应用的工具。它允许我们使用 YAML 文件来配置应用的服务、网络和卷等，并使用单个命令来启动、停止和管理整个应用。以下是 Docker Compose 常用命令的详细解释：docker-compose up：启动并构建服务。docker-compose down：停止并移除服务。

2025-01-20 17:53:42 1688