- 博客(90)
- 收藏
- 关注
RSS订阅原创 【如何系统化搭建高效AI Agent：核心要素、流行框架与RAG流程详解】
然后和原问题一起输入到生成模型中,生成模型通常是像GPT这样的自回归模型,它根据原问题和检索到的信息生成最终的回答,不过,可能还有一些步骤需要注意,比如在检素前对文档库的预处理,比如建立索引,这样检素的时候可以快速找到相关文档,另外,生成后的结果可能需要进行后处理,比如去除重复内容,格式化、或者验证事实准确性等。首先,回忆一下RAG相关的知识,确保自己理解正确。比如,可能需要对多个文档的信息进行综合,或者解决信息冲突的问题,此外,生或模里需要有足够的能力理解检系到的内容,并生成连贯,准确的回答。
2026-06-11 15:31:52
173
原创 入门Claude Code:详细安装与配置分析内容分享
本文简要介绍了在Node.js环境下配置AI开发工具的流程：1)安装Claude Code（版本2.1.163）并进行基础配置；2)通过CCSwitch工具实现多模型切换，重点演示了接入Deepseek大模型（v4版本）的完整过程，包括API密钥配置和模型验证；3)在VSCode中集成工具后，最终通过AI生成一个包含自我介绍和联系方式的简约科技风前端个人主页（index.html）。整个过程涵盖了从环境搭建到实际应用的全链路操作。
2026-06-07 15:13:18
204
原创 基于YOLOv12的汽车机油滤芯缺陷检测实战（完整训练过程+结果分析）
本文基于YOLOv12n轻量化模型，完成汽车机油滤芯三类缺陷检测模型训练，在仅630张训练样本、CPU训练的条件下，实现整体mAP50=98.8%的超高精度，各类别检测精度均超97%，推理速度快、模型体积小，完全满足工业生产线的实时质检需求，可有效替代人工检测，提升生产效率、降低漏检率。
2026-06-03 12:10:57
223
4
原创 【基于 LLaMA-Factory 的 Qwen3-4B 高效微调实战：LoRA 配置、推理与模型合并详解】
本文介绍了LLaMAFactory工具的使用方法，主要包括三个核心部分：微调、推理和模型合并。首先详细说明了安装步骤和运行环境配置，包括GPU实例设置和依赖安装。其次重点解析了三个关键YAML配置文件的功能：训练配置文件定义模型学习参数，推理配置文件用于交互测试，合并配置文件将LoRA适配器整合到基础模型中。文章还对比了全量微调、LoRA和QLoRA三种微调方式的优缺点，并介绍了模型量化技术（如GPTQ、AWQ）及其应用场景。最后提供了模型下载方式（ModelScope）和API批量推理的实现方法。该工具通
2026-05-29 20:43:30
299
原创 基于 YOLOv10 的汽车机油滤芯缺陷检测系统（训练 + 测试 + 可视化 + 避坑）
本文基于YOLOv10n轻量化算法实现汽车机油滤芯外观缺陷智能检测系统，包含数据集制作、模型训练与评估全流程。针对三种缺陷类型（合格滤芯、外圈破损、固定板破损），在Windows系统下完成模型训练，取得mAP50达97.5%、单图推理仅4.8ms的优异性能。详细介绍了YOLO格式数据集构建、训练参数配置、Windows环境避坑技巧，并提供精度分析、结果可视化（训练曲线、混淆矩阵）的完整代码。该系统具有高精度、轻量化（226万参数）、工业适用性强等特点，可直接应用于自动化产线检测、毕业设计等场景。
2026-05-28 21:10:48
311
原创 【从零搭建本地电商智能客服 Agent：Dify+Ollama+Qwen3.5 部署全流程】
本文介绍了一套基于Docker自托管的开源电商智能客服解决方案，采用Dify+Ollama+Qwen3.5:4b技术栈实现完全本地化部署。该方案通过WSL2环境配置、Dify容器部署、Ollama模型对接三个核心步骤，构建了包含商品查询、价格计算、促销读取等功能的智能客服Agent。系统采用SQLite存储商品数据，支持离线运行且无需支付API费用，有效解决了传统方案的成本高、隐私风险等问题。文章详细阐述了从环境搭建到业务逻辑实现的全流程，并提供了常见问题的解决方案，为开发者提供了一个可复用的低成本智能客服
2026-05-26 23:06:10
445
原创 【基于 ReAct 框架的电商智能客服 AI Agent 设计与实现】
本文基于 ReAct 推理行动框架，搭建完成兼具在线、离线双模式的电商 AI 智能客服 Agent。项目打破传统问答机器人局限，赋予大模型调用外部工具、自主拆解复杂问题的能力，能够独立处理商品查询、优惠解读、价格计算等日常客服业务，具备良好的学习参考价值与商业落地潜力。拓展工具类型，对接线上数据库、第三方物流 API，丰富业务场景增加长期记忆模块，留存历史会话记录，提升上下文关联理解能力优化流式输出效果，逐字返回答复内容，优化人机交互观感开发简易可视化界面，降低非技术人员操作使用门槛。
2026-05-25 21:41:14
476
原创 【基于讯飞语音识别 + DeepSeek 大模型的课堂视频智能转写与分析系统】
本文设计了一套课堂教学视频智能处理系统，通过集成视频音频提取、语音转写、文本优化和课堂活动识别功能，实现全流程自动化处理。系统采用讯飞星火API进行高精度语音识别，结合DeepSeek大模型实现文本降噪、角色修正和活动标注，最终输出标准化CSV和JSON格式数据。关键技术包括视频转音频处理、语音识别接口调用、大模型文本优化等，具有自动化程度高、识别准确率≥95%、部署轻量化等特点，可广泛应用于智慧教育、课堂分析和教学资源数字化等场景。系统有效解决了传统课堂视频处理效率低、错误多的问题，为教育信息化提供了高效
2026-05-24 22:58:18
982
原创 【LangChain RAG 入门实战：PDF 文档检索问答】
在大模型应用开发中，RAG（检索增强生成） 是最常用、最落地的技术。它可以让 AI 基于你自己的 PDF 文档进行回答，而不是胡编乱造。chunk_overlap=100：块之间重叠 100 字符，保证语义连贯。separators：按中文标点、换行符智能切分，最适合中文。FAISS 是 Meta 开源的高性能本地向量数据库。3. 向量模型：阿里通义 DashScope。系统自动在 PDF 里查找最相关的内容。2. 文本分块：RAG 最核心步骤。输入问题 → 返回最相关的文本块。
2026-05-23 23:19:16
457
原创 基于 Flask —— 异步任务处理接口服务
1）导入需要的工具Flask：做网站 / 接口的框架jsonify：返回 JSON 格式数据（给接口用）threading：多线程（后台同时跑多个任务）ThreadPoolExecutor：线程池（控制最多跑几个任务）requests：调用别的接口2）创建 Flask 服务 + 中文不乱码配置创建服务让中文不乱码（你刚才问的就是这个）3）全局变量：锁、线程池、任务状态lock：防止多线程同时改数据出错executor：最多同时跑 2 个任务。
2026-05-22 21:06:09
431
原创 Python+AI 大模型实现课堂教学质量智能分析｜加权评分 + 自动诊断 + 改进建议
本文实现了一套AI 驱动的全自动课堂教学质量分析系统，通过多维度数据评分 + 大模型智能诊断，让课堂评估从 “人工主观” 走向 “数据客观”。系统可快速输出课堂得分、问题分析、改进建议，大幅提升教研效率，降低评课成本，是智慧教育领域非常实用的技术工具。
2026-05-22 20:18:09
781
原创 【基于 YOLOv10 与 PyQt5 的汽车零件缺陷检测系统实战开发】
在工业质检领域，汽车零件的缺陷检测是保障产品质量的关键环节。传统人编辑CSDN同步助手工检测效率低、误检率高，难以满足规模化生产需求。本文将结合YOLOv10 目标检测算法与PyQt5 GUI 框架，开发一套集图片检测、视频检测、摄像头实时检测于一体的汽车零件缺陷检测系统，实现工业质检的智能化、可视化与高效化。本项目分为两部分核心实现：基础检测脚本（验证模型效果）+ 可视化 GUI 系统（落地实用工具），零基础也能快速复现，适合工业检测、算法落地等场景学习与应用。
2026-05-19 21:05:14
572
原创 【YOLOv10配置方法以及常见参数的·具体说明】
Yolov10是深度学习的一种目录检测模型，其配置文件通常采用YAML格式。通过调整这些配置文件中的参数，可以实现对模型训练，验证以及推理行为的精细控制。以下是关于YOLOv10配置方法以及常见参数的·具体说明。
2026-05-19 20:40:28
424
原创 【基于讯飞语音识别 + 大模型优化的课堂师生对话自动转写与结构化输出系统】
在智慧教育、课堂实录分析、教学行为研究中，自动将课堂音视频转换为结构化师生对话是非常核心的需求。本文基于：MoviePy 视频提取音频讯飞开放平台 语音识别（带说话人分离）DeepSeek-V3 大模型文本降噪 + 角色修正自动输出 CSV / JSON 标准格式控制台打印完整对话最终实现一套端到端课堂对话自动转写系统，可直接用于实际项目PythonFlask：提供 API 接口MoviePy：视频转音频讯飞开放平台 API：语音识别。
2026-05-18 22:41:47
288
原创 基于深度学习的可回收垃圾材质识别与分类研究毕业设计--整套 C/S 架构完整方案
架构组成：• Server 服务端：Flask + 你训练好的 ResNet18 五分类模型（后端接口）• Client 客户端：PyQt5 桌面界面（不本地加载模型，只调接口）• 流程：PyQt 选图 → 传给 Flask 后端 → 后端 AI 识别 → 返回类别 + 置信度 → 界面展示安装依赖。
2026-05-07 21:41:59
445
原创 什么是数据增强？超通俗详细讲解（AI/深度学习专用）
在不新增真实采集的原始数据的前提下，对已有数据集做变换、扰动、裁剪、拼接、加噪等操作，批量生成更多“等价但不一样”的样本，用来扩充训练集、防止模型过拟合、提升泛化能力。数据增强就是低成本、零标注成本，对原有样本做合理随机变换，造出海量等价训练数据，专治深度学习数据少、过拟合、实战效果差三大问题，是做CV、NLP项目必用的基础操作。- 几何变换：随机翻转（水平/垂直）、随机裁剪、缩放、平移、旋转、透视变换。模型见过正着、反着、亮的、暗的、歪着的猫，以后随便拍什么角度都能识别。
2026-05-06 21:11:08
297
原创 【保姆级教程：阿里云百炼 API Key 获取与 OpenAI 兼容调用指南】
大家好！今天给大家带来一篇超详细的教程，教你如何从 0 开始，在阿里云百炼平台获取 API Key，并通过 OpenAI SDK 来调用通义千问大模型。全程无坑，新手也能一次跑通！
2026-05-06 21:06:49
1666
原创 【从零入门本地大模型：Ollama 安装部署 + Qwen2.5 实现零样本情感分类】
Ollama 是一款能让你在本地电脑上一键部署、运行各种大模型的工具。它把模型下载、依赖配置、运行环境全部封装好了，只需要几条命令，就能在你的 Windows 电脑上跑通 Qwen、Llama、Mistral 等热门模型，不用再折腾复杂的 Python 环境。下面我以 Windows 系统为例，带你从零安装并运行你的第一个本地大模型。
2026-05-02 18:23:09
741
原创 【【零基础保姆级】YOLOv5 v2.0 环境搭建 + 口罩检测自定义数据集训练教程（Windows CPU 版）下】
上一篇教程已完成 YOLOv5 v2.0 口罩检测模型训练（mAP@.5 86.5%），彻底解决了环境兼容、版本报错、训练闪退等问题。本文聚焦全场景口罩检测实操，一次性讲解三种核心用法 —— 本地图片检测、本地视频检测、摄像头实时识别，全程纯 CPU 运行，无需额外配置，所有命令 / 代码可直接复制，衔接训练成果，快速完成课设、毕设全流程演示，新手零踩坑、零冗余操作。
2026-04-28 22:36:16
387
原创 【【零基础保姆级】YOLOv5 v2.0 环境搭建 + 口罩检测自定义数据集训练教程（Windows CPU 版）上】
从零搭建 YOLOv5 环境，训练口罩识别自定义数据集，适配低配置电脑、CPU 训练，覆盖代码下载、环境配置、数据集部署、训练指令及常见报错解决方案，纯新手可 1:1 复刻，避开版本兼容、路径报错等坑。1. 数据集结构data/├── train/│ ├── images/ # 训练集图片│ └── labels/ # 训练集标签txt├── valid/│ ├── images/ # 验证集图片│ └── labels/ # 验证集标签txt└── data.yaml # 数据集配置文件。
2026-04-28 22:02:08
576
原创 【深度学习目标检测｜YOLOv4 学术级全方位解析】
YOLOv4 是 YOLO 系列学术优化的巅峰之作，通过BOF+BOS双策略，将数据增强、损失函数、网络结构、注意力机制、特征融合等核心模块做到了极致平衡。它不仅实现了实时检测的速度与精度最优解，更成为后续 YOLOv5/v7/v8 等版本的优化范式，无论是深度学习入门、目标检测研究，还是工业算法选型，YOLOv4 都是必须掌握的经典模型。
2026-04-28 19:57:31
424
原创 【基于 PyQt5 + PaddleOCR 的工业视觉型号检测系统开发】
在现代工业生产中，产品型号与包装不匹配是常见质量问题。传统人工检测效率低、易疲劳。本文分享一套三摄像头实时 OCR 检测系统，可自动识别型号、异常报警、截图存档。这个系统的核心功能是——用3个摄像头（2台海康工业相机+1台USB相机）实时采集画面，通过PaddleOCR识别产品和包装上的型号，自动比对是否匹配，出现异常时触发声光报警，还能自动保存异常截图，全程无需人工干预，典型的工业流水线防错场景应用。
2026-04-27 22:02:47
447
原创 【从零吃透 YOLO 目标检测：原理演进 + PyTorch 代码全流程详解】
YOLO（You Only Look Once）是计算机视觉领域最经典、最实用的单阶段目标检测算法，凭借速度快、端到端、易部署霸榜工业实时检测场景。本文结合课件与源码，从基础概念→v1~v4 演进→YOLOv3 核心原理→完整代码流程一站式讲透，新手也能直接跟着跑通项目。
2026-04-21 23:15:34
414
原创 PyQt5 四大实战案例详解：从基础窗口到智能应用
核心功能 调用系统默认摄像头，实时采集视频流 定时器定时刷新画面，保证视频流畅显示 按钮控制摄像头开启 / 关闭 自动适配界面尺寸，优化画面显示效果 窗口关闭时自动释放摄像头资源 适用场景 视频监控、人脸识别界面、图像处理工具、直播画面预览、视觉项目开发。本文将通过基础窗口、农产品价格预测、实时摄像头显示、计算器四大实战案例，带你快速掌握 PyQt5 界面开发与功能实现，覆盖基础语法、机器学习集成、多媒体处理、逻辑交互全场景。用于触发点击事件，如登录、计算、开关、提交等，是 GUI 交互核心。
2026-04-15 19:16:54
462
原创 【零基础学 PyQt5：环境搭建、Qt Designer 配置、UI 转 PY、窗口开发全流程】
Qt Designer 是 可视化界面设计工具，随 PyQt5 自动安装。它的作用：不用写代码，用鼠标拖拽，就能设计出漂亮的 GUI 界面。你只需要：1. 打开 Qt Designer2. 从左侧拖按钮、输入框、标签到窗口3. 调整大小、颜色、字体4. 保存成 .ui 文件5. 一键转成 Python 代码PyQt5 是 Qt 框架的 Python 绑定版本，是目前 Python 生态中最成熟、最稳定、企业最常用的 GUI（图形用户界面）开发库。PyQt5 能做什么？
2026-04-15 18:48:43
547
原创 【基于 TextRNN 的微博四分类情感分析实战】
本项目使用微博四分类情感数据集（simplifyweibo_4_moods.csv），数据集包含带标签的微博文本，标签对应四种核心情感：• 0：喜悦• 1：愤怒• 2：厌恶• 3：低落我们的目标是训练一个深度学习模型，自动识别微博文本对应的情感类别，适用于舆情监控、用户反馈分析等实际场景。
2026-04-13 23:59:39
805
2
原创 【无需复杂配置！MediaPipe 快速实现人体 + 人脸关键点检测（附完整代码）】
人体姿态估计是计算机视觉常用技术，MediaPipe Pose 提供了开箱即用的方案，无需复杂配置，就能快速检测静态图片中人体33个3D关键点，适合新手入门学习。本文用极简代码，实现静态图片姿态检测、关键点坐标输出及可视化。运行说明：运行后会弹出原图、关键点骨架图，同时自动弹出3D姿态窗口，控制台输出关键点坐标，按任意键退出。核心功能：读取图片、检测33个人体关键点、输出3D坐标、绘制骨架、3D姿态可视化；传统的人脸关键点仅支持 68 点，精度有限；，支持实时摄像头检测，速度快、精度高、部署简单。
2026-04-09 11:14:25
156
原创 《从仿射变换到实时手势识别：构建完整换脸与手势交互系统的全流程指南》
MediaPipe 手部识别的核心逻辑：通过预训练模型检测图像中的手部区域，再回归出手部 21 个关键点的三维坐标（x,y,z），同时支持关键点之间的骨骼连接绘制，我们只需调用封装好的 API 即可快速实现功能。这是一个零门槛、易上手的实时手部关键点识别实现方案，基于 Google 开源的 MediaPipe 框架和 OpenCV 库，无需复杂模型训练，几行代码就能实现摄像头实时手部 21 个关键点检测与可视化。2. 做出对应手势（0 - 拳头、1 - 手掌、2 - 指向、3 - 剪刀手、4-OK）；
2026-04-08 22:46:12
531
原创 【基于OpenCV+Dlib的人脸相关检测实战：疲劳、年龄性别、表情全实现】
核心工具与应用场景 本次实战主要依赖两大核心工具：OpenCV（用于图像读取、预处理、模型加载和画面展示）和Dlib（用于人脸检测、68个人脸关键点定位，精度高、易用性强），辅助使用sklearn计算欧氏距离、PIL解决OpenCV中文显示问题。适用场景涵盖：• 驾驶员疲劳监控：实时检测闭眼状态，避免危险驾驶• 课堂/办公状态检测：识别学员/员工疲劳、专注度• 人脸基础特征分析：快速识别年龄、性别、表情，适用于零售、安防等场景• 基础人脸检测：基于CNN的高精度人脸定位，为后续分析提供基础。
2026-04-08 00:38:45
1118
原创 【dlib+OpenCV实战：人脸68关键点定位+5种表情（哭/怒/笑）检测】
dlib 库提供了预训练的 68 点人脸关键点检测模型，搭配 OpenCV 即可快速实现关键点定位与面部轮廓绘制，无需复杂训练，开箱即用。◦ cv2.convexHull() + cv2.drawContours()：生成凸包，绘制闭合轮廓。实现方法：人在微笑时，嘴角会上扬，嘴的宽度和与整个脸颊(下颌)的宽度之比变大。检测图像中的人脸，标注出 68 个关键点，并显示每个关键点的序号，直观展示关键点分布。基于 68 关键点，绘制脸部轮廓、眉毛、眼睛、嘴巴的闭合轮廓，实现面部轮廓可视化。
2026-04-03 17:11:37
646
原创 【Windows 安装 dlib 保姆级教程 + OpenCV vs dlib 人脸检测实战对比】
先确认你的 Python 版本,确保 whl 文件和你的 Python 版本完全匹配，不然大概率会安装失败。步骤 2：用 pip 安装 whl 文件。这说明我的 Python 是。查看本地 Python 版本。，对应 whl 文件里的。
2026-04-03 10:19:02
530
原创 【从入门到实战：OpenCV 人脸识别四种算法实现全解析】
人脸识别是计算机视觉领域最经典、最实用的应用之一。，无需复杂训练、无需 GPU，仅用少量样本就能实现精准识别。本文将通过，从最基础的静态识别，一步步升级到，每段代码都保留原貌并详细解释，带你从零掌握 OpenCV 人脸识别全流程。
2026-04-02 00:39:33
804
原创 【自然语言处理：词嵌入技术与 CBOW 模型详解】
在 NLP 中，计算机无法直接理解文字，必须把文本 → 数字向量。传统方法：One-Hot、词袋模型（CountVectorizer）One‑Hot 编码每个词对应一个只有 1 个 1、其余为 0 的向量缺点极度稀疏维度灾难无法表示语义相似性无法捕捉上下文词袋模型• CountVectorizer：统计词频• ngram_range(1,2)：1 个词、2 个词组合• 缺点◦ 参数空间爆炸，无法处理 N>3 的情况◦ 不考虑词与词之间的语义联系◦ 无法表示相似性。
2026-04-01 23:54:08
1188
原创 【OpenCV 计算机视觉四大核心实战：从背景建模到目标跟踪】
背景建模的核心是区分静态背景和动态前景，通过 MOG2 算法构建背景模型，自动提取视频中的运动物体，常用于监控、人流统计、运动分析等场景。import cv2# 打开视频/摄像头cap = cv2.VideoCapture('test.avi') # 改为0则调用摄像头# 定义结构元与背景减法器break# 背景建模，提取前景# 开运算去噪# 轮廓检测# 过滤小目标# 显示结果break。
2026-03-30 22:32:47
308
原创 【基于 ResNet18 迁移学习的食物分类实战】
对于低级特征的任务（如边缘检测），最好使用浅层模型的层，而对于高级特征的任务（如分类），则应选择更深层次的模型。1、梯度消失和梯度爆炸 梯度消失：若每一层的误差梯度小于1，反向传播时，网络越深，梯度越趋近于0 梯度爆炸：若每一层的误差梯度大于1，反向传播时，网络越深，梯度越来越大。2、冻结预训练模型的参数：保持预训练模型的权重不变，只训练新增加的层或者微调一些层，避免因为在数据集中过拟合导致预训练模型过度拟合。3、在新数据集上训练新增加的层：在冻结预训练模型的参数情况下，训练新增加的层。
2026-03-28 00:19:19
956
原创 【基于 CNN 的食物图片分类：数据增强、最优模型保存与学习率调整实战】
对比有无数据增强对模型训练效果的影响实现最优模型自动保存与加载加入动态学习率调整优化训练过程本项目完整实现了食物图片分类数据增强是提升模型泛化能力的关键手段最优模型保存保证实战中使用最佳性能模型动态学习率调整让训练更稳定、精度更高。
2026-03-24 23:46:56
732
原创 【实战案例：基于特征匹配的指纹识别系统开发】
角点检测：角点（Corner）是图像中在两个或多个方向上灰度值发生剧烈变化的点。提示：cv2.circle(src, (x,y), 3, (0, 0, 255), -1)，绘制实心圆。基于 SIFT 特征匹配的图像验证程序，核心用途是判断两张指纹（或其他）图像是否为同一目标。特征提取：是指从原始数据中抽取关键信息，将其转化为具有判别性的特征向量的过程。指纹验证案例中，指纹1与模板图片匹配成功了，分别在两图内标出匹配成功点的坐标。要求：匹配结果最近的distance小于次接近distance的0.4。
2026-03-23 23:19:45
354
Python3.9-Win64-dlib预编译whl包
2026-04-03
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人