- 博客(179)
- 收藏
- 关注
RSS订阅原创 14.1 人脸的三维重构（PRNet算法）
我们在写了colmap的三维重构的环境搭建与使用，该算法可以重构任意的物体，但对拍照要求比较高，本文介绍的PRNet算法专门用来三维重构人脸，并且单张图片就可以重构。
2025-12-24 14:31:35
134
原创 13.长视频和短视频的目标追踪（yolo_insightface模型）
在视频中提取出了5个id，而视频中实际上只有这5个人，我另外运行了3个视频，最后追踪的结果没有重复的头像，也没有漏掉的头像。运行时间和图片中的人头个数成正比，insightface检测每个头像的时间约为0.08s~0.2s之间。（Anaconda/Miniconda）创建独立环境，也可使用。在2.1搭建环境里运行以下代码即可。InsightFace 依赖。
2025-12-16 14:32:11
406
原创 12.rf-detr目标检测模型的环境搭建、数据集制作、模型训练和预测
这是测试结果，3个类的置信度都大于0.9，我用yolov8以相同的数据集训练模型，测试的置信度都小于0.8，可见该模型的效果更好，但该模型的pth文件500M左右，而yolo模型的pth文件只有6M左右。上面图片是images和labels文件夹，分别放图片和标签，最下面的txt文件里面是标签的所有类别，类别的存放方式如上图中打开的txt文件，这个文件有3个类别。，然后下拉页面，可以看到如下图的一个.zip文件的源代码下载，点击后得到一个zip的压缩文件，并解压zip文件。至此，模型训练完成。
2025-11-28 16:01:38
407
原创 11.2 yolov8用自己的数据集训练语义分割模型
本文看了博客和博客，将两个博客的内容串着操作了一遍，这里作为笔记用。1.下载下载后打开labelme.exe文件得到如下图：2.新建label保存标签上图中，images是图片的文件夹，json文件是标注后存放json文件的文件夹,然后打开数据集文件进行标注。
2025-07-24 16:39:08
878
原创 4.Stable Diffusion WebUI 模型训练
本文看了知乎的文章，这篇文章写的很详细，可能是我的SDW版本升级了，有的地方和这篇文章的不同，所以内容有部分的改动，但最后还是可以正常训练了，这里作为笔记用。如果要更全面了解Stable Diffusion WebUI 的使用，建议大家看上面那篇知乎的文章，文章写的很全，包括文生图、图生图的细节及模型训练、模型合并的细节，都讲的很详细。
2025-07-01 11:17:39
981
原创 3.Stable Diffusion WebUI本地部署和实践
本文看了和，本人根据它们部署了一遍，中间遇到一些报错，但根据报错提示解决了问题，最后部署成功，这里主要作为笔记用。
2025-06-27 10:52:21
927
原创 9.微调训练大模型Qwen2.5-0.5B
本文看了博客，该博客写的很详细，安装该博客操作时在我的电脑上报错时做了细微的代码变化，这里作为笔记用。
2025-06-24 15:06:09
498
原创 8. ollama 常用的Python使用命令
上一节写了ollama本地部署大模型，这里主要写ollama用python调用大模型。这里主要看了博客，这里作为笔记用，以下代码都能在python环境下跑通。
2025-06-19 17:20:37
454
原创 7. Ollama: 大模型本地部署和Python接口
Ollama 是一个开源的大型语言模型（LLM）服务工具，旨在简化在本地机器上部署和运行大型语言模型的过程。本地部署：Ollama 允许用户在本地机器上部署和运行大型语言模型，无需依赖外部服务器或云服务。这使得用户可以在私有环境中使用强大的语言模型功能，保护数据隐私和安全性.简化部署过程：通过提供一键安装和配置的脚本，Ollama 大幅简化了在 Docker 容器中部署大型语言模型的过程。用户只需运行简单的命令，即可快速搭建起模型运行环境，无需手动配置复杂的依赖和参数.
2025-06-18 11:15:06
1109
原创 5.yolov5目标检测的transfomer模型介绍（python）
trunc_normal是截断正态分布，用来初始化权重张量（用截断正态分布填充张量，a是下限，b是上限，mean是均值,正态分布的标准差,tensor要初始化的张量）。# 1.截断正态分布，用来初始化权重张量（用截断正态分布填充张量，a是下限，b是上限，mean是均值,正态分布的标准差,tensor要初始化的张量）运行结果如下：显然，该模块建立了一个3X3的tensor张量，且填充的数据符合均值为0，方差为1，最大值为2，最小值为-2的正态分布。
2025-03-26 17:20:26
1073
原创 2.1 transformer模型原理及代码(python)
本文参考了其他一些博客，在这里作了一个汇总，参考最多的是博客、博客和博客，也看了其他博客，在这里不详细的说了，作为笔记用。
2025-03-16 13:06:28
1278
原创 1.Qt写简单的登录界面(c++)
Qt是我们设计界面最常用的方法，当然，Qt也可以画图等，所以Qt很常用，在这里首先介绍简单的界面设计。其实Qt也有其他语言的，前面我用Qt的designer做过python的简单界面设计，可以看博客4. designer建立关于目标检测的简单界面（python)_qt designer 目标检测-优快云博客，今天在这里用vs的c++实现Qt的简单界面设计，qt在vs的环境配置可以看我的另一篇博客9.8 Visual Studio 2022安装Qt 和安装graphic-优快云博客。
2025-03-02 12:47:31
1087
原创 9.8 Visual Studio 2022安装Qt 和安装graphic
点击扩展-QT VS Tools-Qt Versions，然后点击右侧绿色加号，选择QT的安装目录。然后双击这个文件，如果没有注册账户，需要用自己的邮箱注册账户，然后根据提示操作即可。至此，在visual studio 2022中安装QT完毕。再在右边QT右边有个“在浏览器中查看”，打开后出现如下画面。添加完毕之后点击确定，这时候我们重新创建QT项目测试一下。安装之后，进入到vs主界面，我们发现扩展菜单中多了一行。然后双击该文件,依次点击直到安装完成即可。这里作为笔记用，也很重要。单击“下载EasyX”
2025-03-01 12:44:55
1217
原创 1_4.最大括号深度（python）
代码很简单，直接看代码就可以了解思路。数字 8 在嵌套的 3 层括号中。数字 3 在嵌套的 3 层括号中。嵌套深度是嵌套括号的。
2025-02-28 14:47:24
199
原创 1_3. 跳格子2_动态规划（python）
动态规划算法会对每一个子问题只计算一次，然后将其计算结果保存在一个表格中，当再次需要计算已经计算过的子问题时，只是在表格中简单地查看一下结果，从而获得较高的效率。动态规划算法解决了“子问题重叠性质”问题，子问题重叠性质是指在用递归算法自顶向下对问题进行求解时，每次产生的子问题并不总是新问题，有些子问题会被重复计算多次。小明和朋友玩跳格子游戏，有n个连续格子组成的圆圈，每个格子有不同的分数，小朋友可以选择从任意格子起跳，但是不能跳连续的格子，不能回头跳，也不能超过一圈。输出能够得到的最高分，比如：3。
2025-02-23 15:12:10
374
原创 1_2 流浪地球(python)
发动机启动的方式分为“手动启动”和“关联启动”两种方式如果在时刻1一个发动机被启动，下一个时刻 2与之相邻的两个发动机就会被“关联启动”。如果准备启动某个发动机时，它已经被启动了，则什么都不用做。发动机0与发动机 N-1是相邻的。流浪地球计划在赤道上均匀部署了N个转向发动机，按位置顺序编号为0~N-1。N 代表部署发动机的总个数，E 代表计划手动启动的发动机总个数。T 代表发动机的手动启动时刻，P 代表此发动机的位置编号。的思路，代码也是，这里作为笔记用。N 代表最后被启动的发动机个数。
2025-02-23 14:32:08
389
原创 9.回文数(python)
将输入转换为字符串，然后比较字符串的前半部分与后半部分反转，若相同，则返回true,否则返回false.从左向右读, 为 -121。从右向左读, 为 121-。因此它不是一个回文数。回文数是指正序（从左向右）和倒序（从右向左）读都是一样的整数。从右向左读, 为 01。因此它不是一个回文数。是一个回文整数，返回。
2025-02-22 17:22:20
279
原创 4. designer建立关于目标检测的简单界面（python)
首先建立的界面效果如下：以上界面中，检测图1是yolov8模型检测得到的图片显示，检测图2是deeplabv3模型检测处理后得到的图片；下面检测数量是两个模型分别检测到的目标数量（图片中人的个数）；右上角的相同是指两个模型的检测数量是否相同，若相同则显示"true",否则显示“false”。下面简单介绍该功能实现的步骤。
2025-02-22 16:17:48
1278
原创 7.整数反转
思路：1.先将整数转换为字符串，再反转字符串，循环字符串的第一位，若第一位是“0”时则裁剪掉，直到第一位不是0为止。3.整数为负值时，对其绝对值做步骤1的操作，最后转回整数后乘以-1即可。2.绝对值小于10的整数返回整数本身。如果反转后整数超过 32 位的有符号整数的范围。给你一个 32 位的有符号整数。中的数字部分反转后的结果。外的整数单独返回为0.
2025-02-21 15:11:46
472
1
原创 6.z字形变换（python）
如3行时，我们建立一个数组res，数组包含3个“”元素，则在遍历s = "PAYPALISHIRING"的过程中，对res根据index依次由前到后和由后到前的加入s的元素，最后再把res的各元素拼接即可。，以从上往下、从左到右进行 Z 字形排列。
2025-02-21 14:25:04
529
1
原创 3.1 actor基本框架（c#的Akka.Actor模式）
Actor A：完成任务后发送消息给Actor B。Actor B：接收到消息后执行自己的任务。// Actor A// 模拟任务完成// 模拟耗时操作// 通知 Actor B});// Actor B// 模拟任务完成// 模拟耗时操作});//创建 ActorSystem// 创建 Actor B// 创建 Actor A，并传入 Actor B 的引用// 触发 Actor A 开始工作。
2025-02-20 15:20:52
546
原创 1_1. 二维数组
2.遍历字典，若len(dic["value"] == 1],nums2[i][j] = -1若长度大于1，则遍历dic["value"],求每个(i, j)与其他(i, j)的最小距离mindistance,得到nums2[i][j] = mindistance。需要为数组中的每个元素找到距离最近的、值相等的元素，并计算它们的坐标差值之和。若某个元素没有值相等的元素，则返回-1。1.用字典将值相同的坐标放在一起 dic = { “value": [(i, j), (l, m) ,......]}
2025-02-16 14:16:19
289
1
原创 12. c++调用类对象和结构体
这里主要了解如何引用类对象和this的含义，具体可以看。这里主要了解如何引用类对象和this的含义，具体可以看。
2025-02-12 14:35:02
317
1
原创 2.基于transformer的语言模型（python)
该模型看了别人的博客，是谁的忘记了，这里只是作为笔记用（transform和注意力机制的原理后续有时间了会结合代码详细解释，在这里先上训练和预测代码）。
2025-02-11 14:01:36
236
1
原创 1.Deepseekv3论文的部分解释
1. DeepSeek-V3是一个强大的专家混合 （MoE） 语言模型，总共有 671B 个参数，每个令牌激活了 37B。2. DeepSeek-V3 采用了多头潜在注意力 （MLA） 和 DeepSeekMoE 架构，实现了高效的推理和具有成本效益的训练。3. DeepSeek-V3 开创了一种用于负载均衡的辅助无损策略，目的是最大限度地减少鼓励负载均衡对模型性能的不利影响。并设定了多标记预测训练目标以获得更强的评估基准的整体性能。
2025-02-07 17:32:01
1086
原创 4.寻找两个正序数组的中位数
合并数组 = [1,2,3,4] ，中位数 (2 + 3) / 2 = 2.5。合并数组 = [1,2,3] ，中位数 2。请你找出并返回这两个正序数组的。的正序（从小到大）数组。算法的时间复杂度应该为。
2025-02-06 18:00:07
178
原创 11.八叉树的创建
（Octree）是一种空间分割数据结构，用于在三维空间中对对象进行高效的存储和查询。的扩展，将三维空间划分为八个相等大小的子立方体（八个子节点），每个。可以进一步细分为八个子节点，以此类推。
2025-02-06 17:05:28
319
原创 3.无重复字的最长字串（python和c++）
（2）如果地产dic中有s[i],说明temp中有s[i]，这时候对temp进行从头遍历删除temp的元素和dic的键，直到删除到遇到s[i]这个元素和dic的键（遍历的是temp而不是dic），并刚好将该元素删除为止.（1）比较temp的长度与outs的大小，若outs小于temp的长度，则outs = temp的长度;，请你找出其中不含有重复字符的。请注意，你的答案必须是。因为无重复字符的最长子串是。因为无重复字符的最长子串是。因为无重复字符的最长子串是。，所以其长度为 3。，所以其长度为 3。
2025-01-24 11:11:44
409
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