<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Zosse的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Zosse</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Zosse]]></copyright><item><title><![CDATA[华为AI培训-NLP实验]]></title><link>https://blog.csdn.net/Zosse/article/details/145207737</link><guid>https://blog.csdn.net/Zosse/article/details/145207737</guid><author>Zosse</author><pubDate>Sat, 18 Jan 2025 10:29:13 +0800</pubDate><description><![CDATA[ChatGLM3 使用了基于深度学习的方法，通过学习大量的标注数据，自动构建出一个语义词性标注模型，对文本进行语义词性标注。中文分词是将连续的汉字序列切分成有意义的词语序列的过程。修改之后保存，在Anaconda中进入自己的环境：conda activate student，进入自己要运行的文件中：cd D:\AI，运行python .\中文分词.py 信号与系统课程的教学方法给了我很大的启发，让我意识到在教学中要不断创新教学方法 ，将抽象的理论知识与实际应用相结合，提高学生的学习兴趣和积极性。]]></description><category></category></item><item><title><![CDATA[华为AI培训-ChatGLM3-6B 实验环境搭建（服务器）]]></title><link>https://blog.csdn.net/Zosse/article/details/145201268</link><guid>https://blog.csdn.net/Zosse/article/details/145201268</guid><author>Zosse</author><pubDate>Fri, 17 Jan 2025 11:35:17 +0800</pubDate><description><![CDATA[进入之后-选择右上角-Server-Add server-如图。ChatGLM3模型服务器部署(需要 GPU)(Linux)点击三个点-选择kitty.exe-OK。双击mtputty.exe。双击地址-是-即可进行操作。将购买的服务器和密码填入。]]></description><category></category></item><item><title><![CDATA[华为AI培训-ChatGLM3-6B 实验环境搭建（学生端）]]></title><link>https://blog.csdn.net/Zosse/article/details/145182612</link><guid>https://blog.csdn.net/Zosse/article/details/145182612</guid><author>Zosse</author><pubDate>Thu, 16 Jan 2025 15:59:29 +0800</pubDate><description><![CDATA[ChatGLM3-6B 是一个基于 GPT-3 模型的自然语言生成模型，拥有 1750 亿个参数，是目前公开发布的最大的 AI 语言模型之一。ChatGLM3-68 的训练数据来自于互联网上的大量文本，它可以自动学习语言的规律和模式，并生成具有逻辑性和连贯性的文本。改EMBEDDING路径（main.py62行) embeddings = HuggingFaceEmbeddings(model_name="D:/AI/chapter2/ChatGLM3-main/EMBEDDING")]]></description><category></category></item><item><title><![CDATA[乱糟糟的YOLOv8-detect和pose训练自己的数据集]]></title><link>https://blog.csdn.net/Zosse/article/details/132462652</link><guid>https://blog.csdn.net/Zosse/article/details/132462652</guid><author>Zosse</author><pubDate>Mon, 28 Aug 2023 20:37:43 +0800</pubDate><description><![CDATA[pose的数据集跟之前的有一点区别，首先标注关键点时，要先使用矩形框（rectangle）框出目标，然后在这个矩形框里面打关键点，必须保证每一张照片当中点的数量是相同的，就是说1234得对应上，每个点按顺序进行标注，总数需要是一样多的。3可以被遮挡，但是也得标，然后把这个点变成不可见就可以了。准备好了，直接terminal里输入就行，但是如果想改点啥比如说希望预测的时候不输出的类别，就输出框，他就改不了，因为这个ultra这个包都给整好了，封装的忒严重，想在这个模型上进行改进就得给他卸了，然后再搞。]]></description><category></category></item><item><title><![CDATA[Python删除txt文件中特定字符]]></title><link>https://blog.csdn.net/Zosse/article/details/132072260</link><guid>https://blog.csdn.net/Zosse/article/details/132072260</guid><author>Zosse</author><pubDate>Wed, 02 Aug 2023 21:56:49 +0800</pubDate><description><![CDATA[我要搞关键点检测，但是问题在于我的关键点个数每张图不一样，就导致我转出来的txt后面关键点不够了他就被补了0，如下图所示，要变成右边的那种。这个问题居然csdn没一个人写！我的半天时间都浪费在这破玩意上，但是说白了是因为我太菜，毁灭吧！拿走直接用，需要更改的就文件夹路径那块。]]></description><category></category></item><item><title><![CDATA[FastSAM 论文解读]]></title><link>https://blog.csdn.net/Zosse/article/details/131695880</link><guid>https://blog.csdn.net/Zosse/article/details/131695880</guid><author>Zosse</author><pubDate>Mon, 24 Jul 2023 17:19:07 +0800</pubDate><description><![CDATA[论文名称：Fast Segment Anything。]]></description><category></category></item><item><title><![CDATA[MedSAM 论文详解]]></title><link>https://blog.csdn.net/Zosse/article/details/131631978</link><guid>https://blog.csdn.net/Zosse/article/details/131631978</guid><author>Zosse</author><pubDate>Mon, 10 Jul 2023 12:30:04 +0800</pubDate><description><![CDATA[论文名称：Segment Anything in Medical Images立个flag，要快快之前把这个玩意搞好，用在我自己的数据集上！]]></description><category></category></item><item><title><![CDATA[DETRs Beat YOLOs on Real-time Object Detection论文详解]]></title><link>https://blog.csdn.net/Zosse/article/details/131488928</link><guid>https://blog.csdn.net/Zosse/article/details/131488928</guid><author>Zosse</author><pubDate>Sat, 01 Jul 2023 16:39:35 +0800</pubDate><description><![CDATA[最近，基于端到端Transformer的检测器（DETRs）已经取得了显著的性能。然而，DETRs的高计算成本问题尚未得到有效解决，限制了它们的实际应用，并阻止它们充分利用无后处理的优点，例如非最大值抑制（NMS）。本文首先分析了现代实时目标检测器中NMS对推理速度的影响，并建立了一个端到端速度基准。为避免NMS引起的推理延迟，我们提出了Real-Time DEtection TRansformer（RT-DETR），这是我们所知道的第一个实时端到端物体检测器。]]></description><category></category></item><item><title><![CDATA[Prefix-Tuning论文解读]]></title><link>https://blog.csdn.net/Zosse/article/details/130955632</link><guid>https://blog.csdn.net/Zosse/article/details/130955632</guid><author>Zosse</author><pubDate>Mon, 12 Jun 2023 11:00:11 +0800</pubDate><description><![CDATA[微调是利用大型预训练语言模型来执行下游任务时所使用的方法。但是，它会修改所有语言模型参数，因此需要为每个任务存储完整的模型。本文提出prefix-tuning，一种用于自然语言处理任务的可以替代fine-tune的轻量级方法，它冻结语言模型的参数而代之以优化一系列连续的任务特定(task-specific)向量，称之为prefix。前缀微调从提示学习中获得启发，引导后续的token关注这个prefix，就好像它是虚拟的单词一样。]]></description><category></category></item><item><title><![CDATA[大模型时代的科研基础之：Prompt Engineering]]></title><link>https://blog.csdn.net/Zosse/article/details/130803824</link><guid>https://blog.csdn.net/Zosse/article/details/130803824</guid><author>Zosse</author><pubDate>Tue, 30 May 2023 19:55:19 +0800</pubDate><description><![CDATA[乱七八糟总结一下，想不起来就看看。]]></description><category></category></item><item><title><![CDATA[Segment Anything论文详解（SAM）]]></title><link>https://blog.csdn.net/Zosse/article/details/130026210</link><guid>https://blog.csdn.net/Zosse/article/details/130026210</guid><author>Zosse</author><pubDate>Wed, 12 Apr 2023 21:06:28 +0800</pubDate><description><![CDATA[分割是一个广泛的领域：交互式分割，边缘检测，超像素化，目标区域生成，前景分割，语义分割，实例分割，全景分割等。不同于多任务系统（单个模型执行一组固定的任务，如联合语义、实例和全光分割，训练和测试任务相同），我们的可提示分割的模型，可以作为一个更大的系统中的一个组件，在推理时执行一个新的、不同的任务，例如，执行实例分割，一个可提示分割模型与现有的目标检测器相结合。提示只是指定要在图像中分割的内容，可以有效的输出，即使提示是模棱两可的，可以指多个对象，输出应该是一个合理的至少一个对象的mask。]]></description><category></category></item><item><title><![CDATA[Composited FishNet论文详解]]></title><link>https://blog.csdn.net/Zosse/article/details/129886699</link><guid>https://blog.csdn.net/Zosse/article/details/129886699</guid><author>Zosse</author><pubDate>Mon, 03 Apr 2023 11:34:34 +0800</pubDate><description><![CDATA[论文名称：1.Abstact(研究问题的重要意义，现在存在的问题，引出研究内容，研究内容的好处，本文创新点，实验结果)为了实现复杂水下环境下的鱼类识别和定位，本文提出了一种基于复合主干和增强路径聚合网络的复合鱼类检测框架——复合鱼网。通过对残差网络(ResNet)的改进，设计了一种新的复合骨干网络(CBresnet)来学习场景变化信息。]]></description><category></category></item><item><title><![CDATA[【CVPR 2023】FasterNet论文详解]]></title><link>https://blog.csdn.net/Zosse/article/details/129692956</link><guid>https://blog.csdn.net/Zosse/article/details/129692956</guid><author>Zosse</author><pubDate>Fri, 31 Mar 2023 18:42:32 +0800</pubDate><description><![CDATA[论文名称：Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks作者发现由于效率低下的每秒浮点运算，每秒浮点运算的减少并不一定会导致类似水平的延迟减少。提出通过同时减少冗余计算和内存访问有效地提取空间特征。然后基于PConv进一步提出FasterNet，再准的基础上更快。]]></description><category></category></item><item><title><![CDATA[Python 视频提取图片，图片重命名再放到同一文件夹]]></title><link>https://blog.csdn.net/Zosse/article/details/129406081</link><guid>https://blog.csdn.net/Zosse/article/details/129406081</guid><author>Zosse</author><pubDate>Wed, 08 Mar 2023 16:28:14 +0800</pubDate><description><![CDATA[本篇博客可谓造福人类，非常方便。]]></description><category></category></item><item><title><![CDATA[目标检测YOLOV7 添加计数功能]]></title><link>https://blog.csdn.net/Zosse/article/details/128941524</link><guid>https://blog.csdn.net/Zosse/article/details/128941524</guid><author>Zosse</author><pubDate>Wed, 08 Feb 2023 19:29:48 +0800</pubDate><description><![CDATA[开学我就研二下了，感叹时光飞逝。因为好多人在评论里问，所以出一篇！注：本文章应该是适用所有YOLO系列。]]></description><category></category></item><item><title><![CDATA[图像分割--入门了解]]></title><link>https://blog.csdn.net/Zosse/article/details/128616544</link><guid>https://blog.csdn.net/Zosse/article/details/128616544</guid><author>Zosse</author><pubDate>Wed, 08 Feb 2023 19:00:40 +0800</pubDate><description><![CDATA[语义分割对图1进行类别划分，在属于小男孩的像素点标蓝色，背景标黄，这就形成了类，但是三个帅哥分不出，都一个颜色。先检测目标物体，在进行分割，只对特定的物体进行分类，相对语义分割，实例分割需要标注出图上同一物体的不同个体（帅哥1，帅哥2，帅哥3）。但实例分割只对图像中的对象进行检测，并对检测到的对象进行分割，而全景分割是对图中的所有物体包括背景都要进行检测和分割。全景分割跟语义分割的区别就是，一个识别背景一个不识别背景，所以标注全景分割的数据集的时候，只需先将整张图片全部框起上，然后在标注剩余的目标就可以。]]></description><category></category></item><item><title><![CDATA[关于mmpose]]></title><link>https://blog.csdn.net/Zosse/article/details/128477258</link><guid>https://blog.csdn.net/Zosse/article/details/128477258</guid><author>Zosse</author><pubDate>Fri, 30 Dec 2022 11:43:07 +0800</pubDate><description><![CDATA[打开labelme，先画大框，选择Edit下的Create Rectangle选项，将需要标注的位置框起来，然后选择Create Point选项，在这个框里点关键点，每个点命不可以相同，保存生成json文件，还不能直接用，需要将生成的json文件转化为coco的json文件。环境配置网上有很多，搞一搞就行，训练自己的数据集的时候，有一个数据集注册的机制，先模仿原版写出自己要检测的动物，需要修改名字和关键点个数，然后在animal/_init_.py文件里导入新建的文件。]]></description><category></category></item><item><title><![CDATA[3D深度相机---结构光]]></title><link>https://blog.csdn.net/Zosse/article/details/128163483</link><guid>https://blog.csdn.net/Zosse/article/details/128163483</guid><author>Zosse</author><pubDate>Sat, 03 Dec 2022 20:59:52 +0800</pubDate><description><![CDATA[去年的仪器仪表的课有汇报，我还专门为3D深度像机做了个调研，一直用inter realsense的，最近老师让看结构光方案的，正好总结一下。由于基于双目立体视觉的深度相机对环境光照强度比较敏感，且比较依赖图像本身的特征，因此在光照不足、缺乏纹理等情况下很难提取到有效鲁棒的特征，从而导致匹配误差增大甚至匹配失败。基于结构光法的深度相机就是为了解决上述双目匹配算法的复杂度和鲁棒性问题而提出的，结构光法不依赖于物体本身的颜色和纹理，采用了主动投影已知图案的方法来实现快速鲁棒的匹配特征点，能够达到较高的精度，也大大]]></description><category></category></item><item><title><![CDATA[CLIP后续--LSeg，GroupViT，ViLD，CLIPasso]]></title><link>https://blog.csdn.net/Zosse/article/details/126933245</link><guid>https://blog.csdn.net/Zosse/article/details/126933245</guid><author>Zosse</author><pubDate>Sun, 27 Nov 2022 22:15:26 +0800</pubDate><description><![CDATA[这个博客开了有两个月，一直没写成，最近封寝给它完成~躺平第三天。]]></description><category></category></item><item><title><![CDATA[【CVPR 2022】QueryDet:加速高分辨率小目标检测]]></title><link>https://blog.csdn.net/Zosse/article/details/128032496</link><guid>https://blog.csdn.net/Zosse/article/details/128032496</guid><author>Zosse</author><pubDate>Fri, 25 Nov 2022 15:04:42 +0800</pubDate><description><![CDATA[背景：对小目标检测的性能和效果不满意解决办法：先用低分辨率的图片预测到小目标的粗定位；用这些粗位置稀疏引导的高分辨率特征计算出准确的预测结果。小目标检测中出现性能衰减原因：（1）由于下采样操作导致引导小目标的特征消失，或被background中的噪声污染。（2）低分辨率特征对应的感受野无法与小目标的尺度相匹配。（3）小目标较小的偏差就会导致IoU上较大的扰动，导致小目标检测先天难于大目标。现有的小目标检测方法通常通过放大输入图像尺寸或减少降采样率来维持较大分辨率的特征，进而提升小目标检测的性能。]]></description><category></category></item></channel></rss>