- 博客(68)
- 收藏
- 关注
RSS订阅原创 构建高可靠NFS存储：自动化挂载保障机制的设计与优势
通过将Systemd服务控制智能重试脚本与文件系统锁定相结合，我们构建了一个面向生产环境的NFS高可靠挂载方案。该方案已在多个AI计算集群中验证，显著降低了因存储问题导致的业务中断率（从月均1.2次降至0次）。建议在关键业务存储系统中优先采用此类自动化保障设计，以提升系统鲁棒性。技术演进思考：未来可集成Prometheus监控模块，实时上报挂载状态，实现从"自动化"到"智能化"的跨越。
2025-03-18 15:08:49
935
原创 在 Ubuntu 中配置 NFS 共享服务的完整指南
网络文件系统（NFS）作为 Linux 系统间实现文件共享的标准协议，在分布式计算和容器化部署场景中具有重要作用。本文将详细演示如何在 Ubuntu 系统上配置 NFS 服务端与客户端，并实现可靠的持久化挂载。通过本文的配置，您已成功搭建了支持高可用性的 NFS 文件共享服务。建议在生产环境中配合 SSH 隧道或 VPN 增强安全性。对于 Kubernetes 等容器平台，可结合 PV/PVC 实现动态存储供给。NFS 协议规范 RFC 7530性能调优：尝试启用 async 模式并配合 UPS 电源。
2025-03-18 14:58:27
994
原创 在瑞芯微RK3588平台上使用RKNN部署YOLOv8Pose模型的C++实战指南
在人工智能和计算机视觉领域，人体姿态估计是一项极具挑战性的任务，它对于理解人类行为、增强人机交互等方面具有重要意义。YOLOv8Pose作为YOLO系列中的新成员，以其高效和准确性在人体姿态估计任务中脱颖而出。本文将详细介绍如何在瑞芯微RK3588平台上，使用RKNN（Rockchip Neural Network Toolkit）框架部署YOLOv8Pose模型，并进行C++代码的编译和运行。注 本文全部代码、数据、模型、库，均已放置在文末的百度云盘链接里
2024-12-24 12:09:25
1146
原创 使用RKNN进行YOLOv8人体姿态估计的实战教程：yolov8-pose.onnx转yolov8-pose.rknn+推理全流程
之前文章有提到“YOLOv8的原生模型包含了后处理步骤，其中一些形状超出了RK3588的矩阵计算限制，因此需要对输出层进行一些裁剪”，通过裁剪后得到的onnx能够顺利的进行rknn转换，本文将对转rnkk过程，以及相应的后处理进行阐述。并在文末附上全部源码、数据、模型的百度云盘链接。
2024-12-24 12:00:02
790
原创 RK3588平台上YOLOv8-pose模型转换：yolov8-pose.pt转yolov8-pose.onnx
YOLOv8的原生模型包含了后处理步骤，其中一些形状超出了RK3588的矩阵计算限制，因此需要对输出层进行一些裁剪。本文将详细介绍YOLOv8模型从PyTorch格式（.pt）转换为适合RK3588平台上推理的yolov8-pose.onnx结构，以便后续能够顺利将onnx转rknn格式并在RK3588设备上高效运行。注本文涉及的全部代码都已上传到百度云盘，链接置于文末
2024-12-24 11:44:21
632
原创 RK3588平台上YOLOv8模型转换与CentOS 7.8 Docker镜像拉取超时问题解决指南
YOLOv8的原生模型包含了后处理步骤，其中一些形状超出了RK3588的矩阵计算限制，因此需要对输出层进行一些裁剪。本文将详细介绍如何在RK3588平台上将YOLOv8模型从PyTorch格式（.pt）转换为Rockchip的RKNN格式，以便在RK3588设备上高效运行。
2024-12-17 09:39:01
787
原创 YOLOv11轻量化改进 | Conv篇 | MSBlock轻量级架构下的高效检测（既轻量又提点）
本文详细探讨了一种被称为MSBlock的模块，它是YOLOv8目标检测算法的改进之一。MSBlock能够提高实时目标检测器在多尺度特征表示方面的能力。它通过层次化特征融合和异构卷积核选择的方式来实现这一目标。与此同时，MSBlock还能保持模型的轻量级特性，并提高模型的mAP精度。本文详细介绍了MSBlock的原理、代码实现以及添加方式，并提供了详细的训练过程记录。我们的目标是为目标检测社区提供一种高效和表现优秀的目标检测器，称为YOLO-MS。
2024-11-18 16:03:55
745
原创 YOLOv11轻量化改进 | Conv篇 | 变核卷积轻量级架构下的高效检测（既轻量又提点）
本文介绍了一种创新的卷积方法—AKConv，用于解决标准卷积中固定采样形状的限制问题。AKConv能够让卷积核具有任意数量和形状的参数，从而提高特征提取的灵活性和准确性。通过初始采样坐标算法和适应性采样位置调整，AKConv能够适应不同的目标，并且支持线性增减卷积参数，以优化轻量级模型的性能。本文还提供了AKConv的代码和添加教程，同时给出了推荐的添加位置。基于卷积运算的神经网络在深度学习领域取得了显著的成果，但标准卷积运算存在两个固有缺陷。
2024-11-18 15:20:56
835
原创 YOLOv8进阶实战：融合SAHI超推理算法，在无人机应用中精准捕捉视频与图片中的微小目标
YOLOv8改进是一种先进的目标检测算法，通过引入辅助超推理算法SAHI推理，使得小目标无法逃避检测。SAHI推理算法结合视频和图片的特点，利用先进的超推理技术，提高了目标检测的准确性和鲁棒性。不仅如此，YOLOv8改进还支持对视频和图片进行实时的目标检测，将检测结果直观地呈现给用户。这一技术的应用范围广泛，可以用于安防领域，提升监控设备的性能和效率；也可以用于无人驾驶领域，实现精准的目标识别和跟踪。总之，YOLOv8改进是一项具有突破性的技术，为目标检测领域带来了重大的进展。
2024-11-13 10:18:40
605
原创 YOLOv8改进 | 利用YOLOv8进行视频划定区域目标统计计数
本项目旨在利用YOLOv8算法来实现视频中划定区域目标的统计计数。YOLOv8是一种目标检测算法，能够实现实时目标检测和定位。视频划定区域目标统计计数是指在一个视频中，对于指定的区域，统计出该区域内出现的目标物体数量。该项目的工作流程如下：首先，利用YOLOv8算法对输入的视频进行目标检测和定位，识别出视频中的各个目标物体。然后，通过设定的划定区域，筛选出位于该区域内的目标物体。最后，对筛选出的目标物体进行统计计数，得出区域内目标物体的数量。
2024-11-12 16:27:50
397
原创 YOLOV8应用|排球垫球计数|附带全部数据集与源码（见文末百度云盘链接）
该项目旨在利用YOLOv8算法实现排球垫球动作的自动识别与计数。YOLOv8作为计算机视觉领域的先进目标检测算法，具备高精度和实时性的特点，非常适合用于体育训练和测试中的自动化计数。项目将排球垫球视频作为输入，通过YOLOv8算法检测视频中的排球及垫球动作，自动记录垫球次数。为实现此功能，项目需准备排球垫球数据集，并训练YOLOv8模型以识别排球和垫球动作。源码部分将包括数据预处理、模型训练、推理部署等步骤，确保系统能够实时、准确地计数排球垫球次数。
2024-11-12 16:00:52
545
原创 YOLOv8改进 | 自定义数据集训练 | 注意力机制 | 添加HAttention(HAT）（附完整代码 + 修改教程 + 运行教程+个人数据标注教程+半自动标注教程+训练结果可视化教程+部署教程）
注：全部代码见文末百度网盘链接CVPR 2023中提出了一种名为的方法，旨在通过结合深度学习技术和注意力机制来改进图像超分辨率任务。该方法将通道注意力和基于窗口的自注意力机制相结合，充分利用它们在利用全局统计信息和强大的局部拟合能力方面的互补优势。此外，作者还引入了一个重叠的交叉注意力模块，用于增强相邻窗口特征之间的交互作用，以更好地聚合跨窗口信息。文中通过 LAM 的分析，LAM 能够显示出哪些输入像素对于重建贡献最大，如下图。
2024-10-30 13:16:59
399
原创 七、大模型（LLMs）推理面
本文精心汇总了多家顶尖互联网公司在大模型大模型（LLMs）推理面考核中的核心考点，并针对这些考点提供了详尽的解答。• 十、在使用LLM（Lamma2模型）对同一组prompt重复进行5次 greedy 预测时，为什么针对相同的prompt，• 六、有哪些省内存的大语言模型训练/微调/推理方法？• 一、为什么大模型推理时显存涨的那么多还一直占着？• 二、大模型在gpu和cpu上推理速度如何？• 十五、大模型推理时，显存中有那几部分数据？• 十四、如何让大模型处理更长的文本？
2024-10-29 15:36:37
135
原创 YOLOv8改进 | 自定义数据集训练 |利用ModulatedDeformConv优化YOLO下采样(降低参数 + 网络层数 + 计算量)（附完整代码 +部署教程）
本文介绍了一种改进机制，即使用ModulatedDeformConv来替代模型中的下采样操作。ModulatedDeformConv的主要思想是通过引入可学习的空间偏移量来动态调整感受野，以增强卷积神经网络对图像中几何变换的适应能力。与传统的Conv方法不同，可变形Conv通过学习下采样位置来提高检测精度。而这种方法可以减少计算量、网络层数和网络参数，因此在自己的数据集上尝试一下是值得推荐的。此外还对对自定义数据集的训练以及半自动化标注的方法进行简单介绍，帮助力读者快速在自己的数据集上进行实验与应用。
2024-10-29 15:23:43
312
原创 YOLOv8改进 | 自定义数据集训练 | 2024最新ECCV最新大感受野的小波卷积WTCo（附完整代码 + 修改教程 + 运行教程+个人数据标注教程+半自动标注教程+训练结果可视化教程+部署教程）
本文介绍了一种名为WTConv（小波卷积层）的改进机制，它利用小波变换（WT）来解决卷积神经网络（CNN）在实现大感受野时参数过多的问题。WTConv的主要目标是通过对输入数据的不同频率带进行处理，使CNN能够更有效地捕捉局部和全局特征。WTConv成功解决了CNN在感受野扩展中的参数膨胀问题，提供了一种更高效、鲁棒且易于集成的卷积层解决方案。这种机制被应用于二次创新的YOLOv8中的C2f，可以减少20%的参数量和计算量，达到了较好的轻量化效果（这种小波Conv目前非常流行）。
2024-10-29 14:41:44
424
原创 六、大模型（LLMs）参数高效微调(PEFT) 面
链接: https://pan.baidu.com/s/1TYqdCK53tDFEYGtAvpnTbA 提取码: 6a9s。考核中的核心考点，并针对这些考点提供了详尽的解答。通过网盘分享的文件：06大模型（LLMs）参数高效微调(PEFT) 面。）有哪些方法，能不能稍微介绍一下它们间？这种微调方法和全参数比起来有什么劣势吗？能不能总结一下各种参数高效微调方法？高效参数微调，如何进行存储？多种不同的高效微调方法对比。模型显存占用的部分有哪些？微调方法为啥能加速训练？微调计算可训练参数的比例。
2024-10-28 16:54:24
443
原创 五、大模型（LLMs）RAG检索增强生成面
本文精心汇总了多家顶尖互联网公司在大模型RAG检索增强生成考核中的核心考点，并针对这些考点提供了详尽的解答。并提供电子版本，见于文末百度云盘链接中，供读者查阅。如何对齐检索模型的输出和大语言模型的偏好？二、能不能介绍一下常见的文本分块方法？中具体是起到了一个什么作用，我刚搜了下。六、为什么要提取标题甚至是多级标题？一、为什么需要使用大模型辅助召回？如何通过后检索处理提升检索结果？检索到的文本，如果生成正确回复？九、如何提取表格和图片中的数据？如何协调查询和文档的语义空间？有哪些方法，对应的区别是什么？
2024-10-28 16:45:46
722
原创 四、大模型（LLMS）langchain面
• 2.2 LangChain 中 Prompt Templates and Values 是什么？• 2.5 LangChain 中 Indexes and Retrievers 是什么？• 2.1 LangChain 中 Components and Chains 是什么？• 2.7 LangChain 中 Agents and Toolkits 是什么？• 2.4 LangChain 中 Output Parsers 是什么？• 三、什么是 LangChain Agent?
2024-10-28 16:03:32
251
原创 三、大模型（LLMs）微调面
• 34 在预训练阶段，若模型训练文本时不包含标记，而在后续预测阶段却添加了标记；或者相反，训练阶段加入了。• 6 领域模型Continue PreTrain ，如何 让模型在预训练过程中就学习到更多的知识？• 25 微调大模型时，如果 batch size 设置太小 会出现什么问题？• 26 微调大模型时，如果 batch size 设置太大 会出现什么问题？• 5 领域数据训练后，通用能力往往会有所下降，如何缓解模型遗忘通用能力？• 15 想让模型学习某个领域或行业的知识，是应该预训练还是应该微调？
2024-10-28 15:53:50
369
原创 二、大模型（LLMs）进阶面
本文精心汇总了多家顶尖互联网公司在大模型进阶知识考核中的核心考点，并针对这些考点提供了详尽的解答。鉴于文章篇幅限制，下文将仅展示题目概览与部分问题的解答，而详尽的答案解析则已妥善存放于文末提供的百度云盘链接中，供读者查阅。
2024-10-28 15:35:08
488
原创 一、大模型（LLMs）基础面
本文精心汇总了多家顶尖互联网公司在大模型基础知识考核中的核心考点，并针对这些考点提供了详尽的解答。鉴于文章篇幅限制，下文将仅展示题目概览，而详尽的答案解析则已妥善存放于文末提供的百度云盘链接中，供读者查阅
2024-10-28 15:20:57
538
原创 大模型面试-Layer normalization篇
7.LN 在 LLMs 中的不同位置 有什么区别么？如果有，能介绍一下区别么？可以缓解爆炸式模型更新的问题，把模型更新限制在常数，使得模型训练过程更稳定。3. RMS Norm 相比于 Layer Norm 有什么特点？中的不同位置 有什么区别么？如果有，能介绍一下区别么？1. Layer Norm 的计算公式写一下？2. RMS Norm 的计算公式写一下？缺点：训练不稳定，可能会导致训练崩溃。，去除掉计算均值进行平移的部分。在深层的梯度范式逐渐增大，导致使用。在深层的梯度范式近似相等，所以使用。
2024-10-28 14:13:15
463
原创 大模型面试-基础面
大模型:一般指1亿以上参数的模型，但是这个标准一直在升级，目前万亿参数以上的模型也有了。大语言模型(Large LanguageModel，LLM)是针对语言的大模型。
2024-10-28 13:44:58
575
原创 YOLOv8改进 | 自定义数据集训练 | 2024最新线性可变形卷积LDConv替换传统下采（附完整代码 + 修改教程 + 运行教程+个人数据标注教程+半自动标注教程+训练结果可视化教程+部署教程）
本文介绍了一种改进机制，利用最新的线性可变形卷积LDConv取代了YOLOv8中的传统下采样操作。LDConv旨在解决标准卷积操作的局限性，标准卷积在固定形状和大小的局部窗口中进行采样，无法适应不同物体的形状。虽然可变形卷积允许灵活的采样位置，但参数数量随着卷积核大小呈平方增长，计算效率较低。LDConv提供了更大的灵活性，允许卷积核的参数数量呈线性增长，从而解决了可变形卷积参数数量平方增长的问题，同时实现了轻量化。
2024-10-28 10:48:18
372
原创 基于PyTorch+Transformer实现谣言检测系统
大家好，我是机长本专栏将持续收集整理市场上深度学习的相关项目，旨在为准备从事深度学习工作或相关科研活动的伙伴，储备、提升更多的实际开发经验，每个项目实例都可作为实际开发项目写入简历，且都附带完整的代码与数据集。可通过百度云盘进行获取，实现开箱即用正在跟新中~深度学习落地实战_机 ＿ 长的博客-优快云博客本项目中使用的数据是微博头条新闻数据，该数据集的下载网址为:通过网盘分享的文件：100.基于PyTorch+Transformer实现谣言检测系统。
2024-10-28 09:57:32
275
1
原创 YOLO11改进 | 自定义数据集训练 | VMamba助力YOLO11检测（附完整代码 + 修改教程 + 运行教程+个人数据标注教程+半自动标注教程+训练结果可视化教程+部署教程）
本文还详细探讨了如何将Mamba注意力模块应用于Yolo11，创造出Yolo11-Mamba网络，该网络在全局特征捕捉能力上得到了显著提升。文末提供百度云盘链接包含全部代码以及数据集
2024-10-08 14:28:02
1799
原创 YOLOv8改进 | 自定义数据集训练 | VMamba助力YOLOv8检测（附完整代码 + 修改教程 + 运行教程+个人数据标注教程+半自动标注教程+训练结果可视化教程+部署教程）
本文还详细探讨了如何将Mamba注意力模块应用于YoloV8，创造出Yolo-Mamba网络，该网络在全局特征捕捉能力上得到了显著提升。并在文末提供全部代码与数据集的百度云盘链接，可一键部署运行
2024-10-08 13:04:25
1993
原创 YOLOv8改进 | 自定义数据集训练 | AirNet助力YOLOv8检测（附完整代码 + 修改教程 + 运行教程+个人数据标注教程+半自动标注教程+训练结果可视化教程+部署教程）
本文将为读者带来一种适用多种复杂场景的全能图像修复网络AIrNet网络，其由对比基降解编码器（CBDE）和降解引导修复网络（DGRN）两个网络组成，能够在未知损坏类型和程度的情况下恢复受损图像。此外、还提供将其与YOLOv8等目标检测模型有效结合改进的方法，使其能显著提升模型在处理受损图像时的性能，并对自定义数据集的训练以及半自动化标注的方法进行简单介绍，帮助力读者快速在自己的数据集上进行实验与应用。
2024-09-20 15:42:29
1570
2
原创 七、其他注意事项
在算法嵌入式部署的过程中，除了上述核心环节外，还有一些其他重要的注意事项需要关注。这些注意事项涵盖了从项目规划到后期维护的各个方面，对于确保算法的成功部署和长期稳定运行至关重要。
2024-07-19 15:35:33
357
原创 三、模型转换和压缩扩写
模型转换是深度学习领域中的一个重要环节，它指的是将使用不同训练框架或平台训练得到的模型转换为另一种框架或平台所支持的格式，以便于在不同环境或设备上进行部署和应用。综上所述，模型转换和压缩是深度学习领域中的重要技术，它们分别解决了模型跨框架兼容性和资源受限设备部署的问题。通过合理的使用模型转换和压缩技术，可以显著提高深度学习模型的实用性和可部署性。模型压缩是指在不显著降低模型性能的前提下，通过减少模型参数数量、降低模型复杂度等方式来减小模型体积，提高模型在资源受限设备上的运行效率和可部署性。
2024-07-19 15:21:35
466
原创 二、嵌入式设备适配
在嵌入式系统开发过程中，嵌入式设备的适配是一个至关重要的环节。由于嵌入式设备种类繁多，性能各异，且通常具有严格的资源限制（如处理器速度、内存容量、存储空间等），因此在进行软件或算法部署时，必须充分考虑设备的特性，以确保系统能够稳定运行并满足预期的性能要求。以下是对嵌入式设备适配过程的详细扩写。
2024-07-19 15:18:36
533
原创 一、算法选择和优化
通过调整算法参数，可以在保证准确性的前提下，提高算法的运行效率和资源利用率。因此，在选择算法时，应尽量选择那些具有良好可扩展性和可维护性的算法，以便在后续的开发和维护过程中能够方便地进行修改和升级。：在评估的基础上，选择那些既能在嵌入式设备上运行，又能满足应用性能要求的算法。在选定算法后，针对嵌入式设备的资源限制，对算法进行优化是必不可少的步骤。在算法嵌入式部署的初期，选择合适的算法是至关重要的步骤。通过合理的算法选择和精细的优化工作，可以确保算法在嵌入式设备上的高效、可靠运行。
2024-07-19 15:16:12
571
原创 算法嵌入式部署
算法嵌入式部署是指将算法（包括传统算法和深度学习算法等）集成并运行在嵌入式设备上的过程。这个过程涉及多个步骤，包括算法的选择和优化、嵌入式设备的适配、模型转换和压缩、代码编写与编译、调试与测试等。
2024-07-19 15:13:05
795
原创 深度学习落地实战：大模型生成图片
大家好，我是机长本专栏将持续收集整理市场上深度学习的相关项目，旨在为准备从事深度学习工作或相关科研活动的伙伴，储备、提升更多的实际开发经验，每个项目实例都可作为实际开发项目写入简历，且都附带完整的代码与数据集。可通过百度云盘进行获取，实现开箱即用正在跟新中~深度学习落地实战_机 ＿ 长的博客-优快云博客。
2024-07-19 12:21:53
1671
原创 Mamba-yolo|结合Mamba注意力机制的视觉检测
Demystify Mamba in Vision: A Linear AttentionPerspective一文中引入Baseline Mamba，指明Mamba在处理各种高分辨率图像的视觉任务有着很好的效率。发现了强大的Mamba和线性注意力Transformer（ linear attention Transformer）非常相似，然后就分析了两者之间的异同。
2024-07-17 19:56:43
2443
2
原创 深度学习落地实战：人流量监测
大家好，我是机长本专栏将持续收集整理市场上深度学习的相关项目，旨在为准备从事深度学习工作或相关科研活动的伙伴，储备、提升更多的实际开发经验，每个项目实例都可作为实际开发项目写入简历，且都附带完整的代码与数据集。可通过百度云盘进行获取，实现开箱即用正在跟新中~
2024-07-17 16:45:11
382
原创 深度学习落地实战：人脸面部表情识别
人脸面部表情识别项目具有重要意义。它不仅能够深入理解人类情感表达，还能在多个领域发挥关键作用。在教育、心理咨询中，通过识别学生的情绪反应，教师可以及时调整教学策略，提升教学质量；在人机交互领域，表情识别技术能让机器更加智能地理解人类情感，增强用户体验。此外，该技术还应用于安全监控、自动驾驶等领域，帮助预防潜在风险，保障公共安全。总之，人脸面部表情识别项目对于推动科技进步、改善人类生活具有深远意义。
2024-07-17 16:37:07
1861
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人