- 博客(5)
- 收藏
- 关注
RSS订阅原创 【Datawhale TASK3】YOLO进一步上分
数据增强是机器学习和深度学习中常用的技术，用于通过从现有数据集中生成新的训练样本来提高模型的泛化能力。YOLO 模型的训练设置包括多种超参数和配置，这些设置会影响模型的性能、速度和准确性。通常，在初始训练时期，学习率从低开始，逐渐增加以稳定训练过程。但是，由于您的模型已经从以前的数据集中学习了一些特征，因此立即从更高的学习率开始可能更有益。YOLOv8模型的使用者提供了灵活性，允许根据特定应用场景的需求调整模型的行为和性能。可以被设置为一个整数，用于训练和验证模式，表示将输入图像调整为正方形的尺寸，例如。
2024-08-31 23:54:35
658
原创 【Datawhale TASK2】YOLO模型详解及优化
物体检测是计算机视觉领域的一个重要任务，它的目标是在图像或视频帧中识别和定位感兴趣的物体。物体检测算法不仅要识别图像中的对象属于哪个类别，还要确定它们在图像中的具体位置，通常以边界框（bounding box）的形式表示。输入：物体检测算法的输入通常是一张图像或视频帧。特征提取：算法使用深度学习模型（如卷积神经网络CNN）来提取图像的特征。这些特征捕捉了图像中的视觉信息，为后续的物体识别和定位提供基础。候选区域生成。
2024-08-29 22:36:09
1119
原创 【Datawhale AI夏令营】TASK-4-2024/8/20
然而，由于大模型的参数量巨大， 进行全量参数微调需要消耗非常多的算力。为了解决这一问题，研究者提出了参数高效微调（Parameter-efficient Fine-tuning），也称为轻量化微调 （Lightweight Fine-tuning），这些方法通过训练极少的模型参数，同时保证微调后的模型表现可以与全量微调相媲美。常用的轻量化微调技术有LoRA、Adapter 和 Prompt Tuning。LoRA 是通过低秩矩阵分解，在原始矩阵的基础上增加一个旁路矩阵，然后只更新旁路矩阵的参数。
2024-08-21 23:48:45
711
原创 【Datawhale AI夏令营】TASK-3-2024/8/15
知识局限性数据安全性大模型幻觉RAG：检索增强生成（Retrieval Augmented Generation）。通过引入外部知识，使大模型能够生成准确且符合上下文的答案，同时能够减少模型幻觉的出现。索引：将文档库分割成较短的Chunk，即文本块或者文本片段，然后构建成向量索引检索：计算问题和Chunks的相似度，检索出若干个相关的Chunk生成：将检索到的Chunks作为背景信息，生成问题的回答。
2024-08-17 21:58:45
784
原创 【Datawhale AI夏令营】TASK-1-2024/8/9
bfloat16是一种16位的浮点数表示方法，它使用了8位来表示指数，7位来表示尾数（mantissa），还有1位用于符号。这种数据类型特别适用于需要高计算性能但对精度要求不是极致的场景，比如在大规模机器学习训练和推理中。A10可能指的是某种特定的硬件或计算环境，它可能优化了bfloat16的使用。float16也是16位的浮点数，但它使用了5位来表示指数，10位来表示尾数，还有1位用于符号。相比于bfloat16float16提供了更高的精度，但可能在计算性能上有所牺牲。P100。
2024-08-09 23:49:39
286
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