AI实战营课程笔记day1

已于 2023-05-31 21:20:36 修改
阅读量165 收藏
点赞数
文章标签： 人工智能 笔记 深度学习
于 2023-05-31 20:32:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hahamano1/article/details/130976551
版权

概述OpenMMlab的开源库：
深度学习框架介绍：theano，Caffe， Tensorflow
开源算法体系：OpenMMlab
开源了众多算法库，部署框架MMDeploy
代表算法库：MMDetection排名第一，开箱即用的预训练模型，复现顶会论文
模型就是效率、模型就是服务 MMyolo收集了yolo算法，即支持目标识别又包括物体分割

hahamano1
关注
AI实战营课程笔记day4
hahamano1的博客
06-06 196
MMPretrain 是一个全新升级的预训练开源算法框架，旨在提供各种强大的预训练主干网络， 并支持了不同的预训练策略。MMPretrain 源自著名的开源项目 MMClassification 和 MMSelfSup，并开发了许多令人兴奋的新功能。目前，预训练阶段对于视觉识别至关重要，凭借丰富而强大的预训练模型，能够改进各种下游视觉任务。代码库旨在成为一个易于使用和用户友好的代码库库，并简化学术研究活动和工程任务。
AI实战营课程笔记day6
hahamano1的博客
06-08 112
MMDetection 是一个基于 PyTorch 的目标检测开源工具箱。它是 OpenMMLab 项目的一部分。MMDetection 将检测框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的检测模型.MMDetection 支持了各种不同的检测任务，包括目标检测，实例分割，全景分割，以及半监督目标检测。基本的框和 mask 操作都实现了 GPU 版本，训练速度比其他代码库更快或者相当，包括 Detectron2, maskrcnn-benchmark 和 SimpleDet。
AI实战营课程笔记day7
hahamano1的博客
06-08 108
MMDetection 支持在 Linux，Windows 和 macOS 上运行。它需要 Python 3.7 以上，CUDA 9.2 以上和 PyTorch 1.6 以上。使用 MIM 安装 MMEngine 和 MMCV。
AI实战营课程笔记day3
hahamano1的博客
06-03 99
使用OpenMMLab开源目标检测算法库MMDetection，分别训练Faster R CNN和RTMDet的三角板目标检测算法。目标检测：分别训练Faster R CNN和RTMDet-Tiny目标检测模型、训练日志可视化、测试集评估、对图像、摄像头画面预测。关键点检测：训练RTMPose-S关键点检测模型、训练日志可视化、测试集上评估、分别对“图像、视频、摄像头画面”预测。目标检测预测框，用于后续Top-Down关键点检测算法。在测试集上评估精度，预测图像、视频、摄像头实时画面。
AI实战营课程笔记day2
hahamano1的博客
06-02 104
人体姿态估计（Human Pose Estimation）是计算机视觉领域中的一个重要研究方向，也是计算机理解人类动作、行为必不可少的一步，人体姿态估计是指通过计算机算法在图像或视频中定位人体关键点，目前被广泛应用于动作检测、虚拟现实、人机交互、视频监控等诸多领域。本次课程涵盖人体姿态估计的介绍与应用、2D 姿态估计、3D 姿态估计、DensePose、Body Mesh 以及 MMPose 等内容。
AI实战营课程笔记day5
hahamano1的博客
06-06 112
为了管理深度学习实验的各种设置，我们使用配置文件来记录所有这些配置。这种配置文件系统具有模块化和继承特性，更多细节可以在MMEngine 中的教程。MMPretrain 主要使用 python 文件作为配置文件，所有配置文件都放置在 configs 文件夹下。
OpenMMlab AI实战营 打卡笔记DAY5
weixin_49644231的博客
02-08 228
OpenMMlab AI实战营 打卡笔记DAY5
OpenMMLab AI 实战营二期笔记(day1)
aph64的博客
06-01 232
Al实战营是OpenMMLab为提升学生和在职开发者的AI实践能力推出的特色培养项目，通过线上课程讲解与优秀讲师11指导，同时配套课后答疑、实战作业帮助开发者快速上手。
OpenMMlab AI实战营 打卡笔记DAY1
weixin_49644231的博客
02-02 244
OpenMMLab AI实战营 打卡笔记DAY1
【七班】人体姿态估计概论笔记【OpenMMLab AI实战营第二期Day2】
chenghong1的专栏
06-02 231
【课程说明】人体姿态估计（Human Pose Estimation）是计算机理解人类动作、行为必不可少的一步，本次课程涵盖人体姿态估计的介绍与应用、2D 姿态估计、3D 姿态估计、DensePose、Body Mesh 以及 MMPose 等内容。【讲师介绍】卢策吾 上海交通大学电院计算机系教授、博士生导师。【课程地址】【ToDo】本课作为概论性质的介绍，内容挺多，因此打算再分为两到三次笔记进行学习和总结，敬请期待！0. 人体姿态估计的介绍与应用什么是姿态估计？
技术心得笔记 ------深度学习7日打卡营
03-15
通过day2的飞机识别实战项目，学员们学习了如何利用数据增强技术，如图像翻转，来增加数据集的多样性，从而提高模型的泛化能力。此外，还学习了网络配置，理解了如何搭建模型结构，以及如何进行模型训练和评估，这些...
【AI大模型应用开发】【LangChain系列】5. 实战LangChain的智能体Agents模块
同学小张的博客
02-11 3947
LangChain的智能体Agents模块实战，一步步拆解实现步骤。
图像分类学习笔记DAY04
sunniness_7的博客
03-07 215
柠檬分类实战 思考并动手进行调优，以在验证集上的准确率为评价指标，验证集上准确率越高，得分越高！ 思考：数据本身已进行了数据增强，所以可以从其他方面入手来实现提高准确率。本文通过修改定义Adam优化器以及batch_size(从32改为128）提高了准确率。因为效果比较好，所以没有对网络模型进行优化。模型的优化也是一个重要的方面。 # 导入所需要的库 from sklearn.utils import shuffle import os import pandas as pd import numpy as
【ChatGPT模型精调训练】AI 大模型精调 Fine-Tuning （微调）训练图文代码实战详解
AI天才研究院
03-09 935
选择预训练模型：选择一个在类似任务上已经训练好的模型作为起点。数据准备：准备并预处理你的数据集，使其适合模型的输入格式。微调：在你的特定数据集上继续训练模型，调整模型的权重。评估：评估微调后模型的性能。应用：将微调后的模型部署到实际应用中。Fine-Tuning（精调）是指在预训练模型的基础上，对模型进行微调，使其适应特定任务。预训练模型通常在大量无标签数据上进行训练，以学习通用的语言表示。通过 Fine-Tuning，我们可以在较小的标签数据集上训练模型，以便模型能够更好地解决特定任务。
【人工智能学习之PaddleOCR快速上手】
Jiagym的博客
10-12 1075
在配置文件中，可以设置组建模型、优化器、损失函数、模型前后处理的参数，PaddleOCR从配置文件中读取到这些参数，进而组建出完整的训练流程，完成模型训练，在需要对模型进行优化的时，可以通过修改配置文件中的参数完成配置，使用简单且方便修改。而 L2 正则化中，添加正则化项的目的在于减少参数平方的总和。准确检测的标准是检测框与标注框的IOU大于某个阈值，正确识别的检测框中的文本与标注的文本相同。如果缺少带标注的数据，或者不想投入研发成本，建议直接调用开放的API，开放的API覆盖了目前比较常见的一些垂类。
线性判别器LDA
qq_52421831的博客
10-10 1201
LDA是一种有监督的降维方法，和它比较类似的是PCA(一种无监督的降维方法)
2 机器学习之基本术语
此博客内容主要是小可日常工作中的一些问题解决的记录整理而成
10-11 621
这组记录的集合称为一个“数据集”(data set)，其中每条记录是关于一个事件或对象（这里是一个西瓜）的描述，称为一个“示例”(instance)或“样本”(sample)反映事件或对象在某方面的表现或性质的事项，例如“色泽”​“根蒂”​“敲声”​，称为“属性”(attribute)或“特征”(feature)；xid)是d维样本空间中的一个向量，xi∈，其中xij是xi在第j个属性上的取值（例如上述第3个西瓜在第2个属性上的值是“硬挺”​）​，d称为样本xi的“维数”(dimensionality)。
论文及其创新点学习cvpr2022 On the Integration of Self-Attention and Convolution
qq_53536373的博客
10-13 269
论文创新点，将注意力机制 和卷积 相结合。
骨架提取（持续更新）
最新发布
xiongmaowangd的博客
10-13 447
骨架提取是图像处理或计算机视觉中的一种技术，用于从二值化图像中提取物体的中心线或轮廓，通常称为“骨架”或“细化图像”。这一技术主要用于简化形状表示，同时保留物体的拓扑结构。这里我们强调了，是对二值化图像中进行提取。
OpenMMLab与计算机视觉基础：AI实战营Day1精华
"本次课程是AI基础实战营的第一天，主要介绍了计算机视觉的基本概念和OpenMMLab开源算法体系。由同济大学的张子豪主讲，内容涵盖了从计算机视觉的基本问题，如图像识别、人脸识别，到更高级的应用如图像生成、风格...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值