Java开发，人工智能，边缘计算，致力于掌握前沿技术

原创 推荐一个基于Springboot + Vue 开发的前后端分离博客

接入QQ，微博第三方登录，接入腾讯云人机验证、websocket博客作为新手入门项目是十分不错的，项目所用的技术栈覆盖的也比较广，适合初学者学习。主要难点在于权限管理、第三方登录、websocket这块。做的不好的地方请大家见谅，有问题的或者有好的建议可以私聊联系我。

原创 AI模型边云协作框架：云端大模型与边缘小模型协同分布式训练和部署

生成式人工智能（Generative Artificial Intelligence, GenAI）通过内容生成为用户提供多样化的服务，逐渐成为未来网络服务的关键组成部分。然而，训练和部署大型人工智能模型往往伴随着巨大的计算和通信开销。此外，依赖云端的生成任务需要高性能计算设施和远程访问能力，这给集中式AI服务带来了严峻的挑战。因此，亟需一种分布式服务架构，将部分任务从云端迁移至边缘，以实现更私密、实时且个性化的用户体验。

原创 yolov8模型对于小目标检测进行切片推理并将推理结果保存为xml文件

切片推理是一种通过将大图像分割成多个小块（切片）来进行目标检测的技术。这种方法主要用于提高对小目标和高分辨率图像的检测效果。高分辨率图像包含大量的像素信息，直接将整个图像输入到模型中可能会导致计算资源的消耗过大，内存不足，或者模型无法处理这么大的输入。通过切片，原本的大图像被分解为多个较小的部分，这样不仅降低了对计算资源的需求，也能避免模型因处理过大输入而性能下降。切片（Slicing）是将一张大图像分割成多个较小的矩形区域，每个区域称为一个“切片”。

原创 二、MMRotate旋转框目标检测训练DOTA数据集（模型推理与部署，保存推理结果为xml文件并构建镜像）

在上一篇文章中介绍了MMRotate的概述、安装和训练Dota数据集全流程，由于文章篇幅限制还剩下一部分模型的推理和部署环节没有写，为避免后续对这部分工作的遗忘，决定还是补充上这部分的笔记，仅作记录，如有不足之处还请指出！

原创 mmyolo训练模型报错：ValueError: Key img_path is not in available keys解决办法

mmyolo训练模型报错：ValueError: Key img_path is not in available keys解决办法执行：pip install albumentations==1.3.1，即可解决

原创 yolov10来了！用yolov10训练自己的数据集（原理、训练、部署、应用）

在我们深入探讨YOLOv10之前，让我们回顾一下YOLO的发展历程。YOLO在实时目标检测领域一直是先驱，兼顾速度和准确性。从YOLOv1到YOLOv9，每个版本在架构、优化和数据增强方面都引入了显著的改进。然而，随着模型的发展，某些限制依然存在，特别是对后处理依赖非极大值抑制（NMS），这会减慢推理速度。YOLOv10正面解决了这些挑战，使其成为实时应用中稳健高效的模型。清华大学研究人员推出的YOLOv10，作为首个无NMS目标检测模型，代表了计算机视觉领域的重大进步。

原创 AI新热点：边云协同：大模型结合小模型（大小模型联合推理）

AI模型规模不断剧增已是不争的事实。模型参数增长至百亿、千亿、万亿甚至十万亿，大模型在算力推动下演变为人工智能领域一场新的“军备竞赛”。这种竞赛很大程度推动了人工智能的发展，但随之而来的能耗和端侧部署问题限制了大模型应用落地。2022达摩院十大科技趋势指出，“大模型参数竞赛正进入冷静期，大小模型将在云边端协同进化”。历史上计算形态经历了几次重要变化：当本地计算成本低于通信成本时，计算模式由分时共享机制迅速转变为本地计算完成方式；当网络技术进步使得通信成本远低于计算成本时，开始出现由。

原创 一、基于MMrotate旋转目标框检测（安装说明与踩坑记录）

MMRotate 是一款基于 PyTorch 的旋转框检测的开源工具箱，是 OpenMMLab 项目的成员之一。里面包含了rcnn、faster rcnn、r3det等各种旋转目标的检测模型，适合于遥感图像领域的目标检测。

原创 MMrotate报错AttributeError: ‘NoneType‘ object has no attribute ‘shape‘

使用MMrotate训练自定义数据集报错：AttributeError: ‘NoneType’ object has no attribute ‘shape’解决措施并非路径加载问题并非配置文件问题害我找老半天，看错误信息似乎是开始训练了一两条之后才报错，那么有没有可能是图片加载问题？或者是图片文件损坏？于是写了以下文件检查python：执行 python check_images.py，检查文件是否损坏运行结果如下：果然是有一个图像文件出错了，把这个文件删除，再次训练，正常了困扰我两天的

原创 时间序列预测：基于PyTorch框架的循环神经网络（RNN）实现销量预测

主要过程如下：1、首先读取数据集csv文件，读取每天每个地区的销量数据，整理为按照地区分类的销量数据csv文件，并且将每天的销量数据合并为以周（星期）为单位的销量汇总数据。以下代码实现都是按照周进行预测的，比如说可以预测未来1周，2周，3周...等某地的销量数据。2、数据整理好之后，执行train.py文件开始训练模型，模型生成的文件会保存至models文件夹下。3、待训练完成之后执行predict.py文件，修改文件中的开始日期进行预测未来几周的销量数据。4、观察模型训练效果，如果结构不理想

原创 大规模端云协同智能计算(大小模型端云协同联合学习)

端云协同智能就是力图通过将部分智能推理任务或智能推理任务的部分阶段卸载到端侧进行处理，利用端侧本地即时处理的优势，削减响应延时，降低云服务器负载；同时用户原始数据不离开本地，数据安全隐私可以得到良好的保障

原创 Github学生认真全流程指南！避坑！保姆级教程！

重回学生身份，当然要好好享受一番学生权益了，而学生邮箱就是最好的资源与服务。# 关于Github学生包（GitHub Student Developer Pack）Github的学生包里包括Github Pro账户，这是一个高级的 GitHub 账户类型，提供更多功能和服务，如私有仓库、团队协作工具等。以及`Github Copilot`等Github福利。您也可以用Github的学生认证获得一些开发工具的免费或折扣，直接认证`JetBrains`的学生认证。

原创 Ubuntu 20.04 设置开启 root 远程登录连接

**Ubuntu默认不设置 root 帐户和密码**如有需要，可在设置中开启允许 root 用户登录。具体操作步骤如下：

原创 ubuntu 20.04 设置国内镜像源（阿里源、清华源）

在网上搜了好多设置国内镜像源，都写的乱七八糟的，都是随便换，最后还是换得一堆问题。，我也是吃过亏之后才发现的。国内有很多Ubuntu的镜像源，包括阿里的、网易的，还有很多教育网的源，比如：清华源、中科大源。这里我用阿里云。

原创 IDEA 设置类注释模板作者、日期、描述等信息（推荐标准！）

IDEA 可以很简单的自定义类的注释模板，但是对于自定义方法注释模板并不是那么的友好。在网上查看了很多方法注释模板，但大多数都是需要写在方法里面，再copy到外面，不然就无法读取到方法参数。本文实现了在方法外通过/**注释的模板。

原创 Linux磁盘扩容并设置挂载点

从下方输出可以看出，我已经把sda硬盘从128G扩容到了192G，但是多出来的64G是属于空闲空间，并没有利用起来，所以下面想做的就是创建一个新的分区sda3，并且挂载到/var目录下。

原创 记一次农业工程学报投稿流程与感悟

总耗时接近7个月，中间接到好几次编辑部电话指导修改内容，整体感觉还好，不像网上查的那样。周期长可能是我文章质量不够高修改的比较慢吧，不过这个期刊对文章质量要求确实听严格的，任何一点自以为差不多的地方都会被专家指出来，所以不能心存侥幸。😔。

原创 困难样本挖掘：Hard Sample Mining（原理及实现）

困难例挖掘方法通常可以提高目标检测器的性能，因为它受到不平衡训练集的影响。在这项工作中，两种现有的困难例子挖掘方法（LRM和焦点损失，FL）被调整并结合到最先进的实时目标检测器YOLOv5中。广泛地评估了所提出的方法对于提高困难例性能的有效性。在2021年Anti-UAV挑战数据集上，与使用原始损失函数相比，所提出的方法使mAP提高了3%，与单独使用困难挖掘方法（LRM或FL）相比，提高了约1%。

原创 CentOS 7安装 NVIDIA 独立显卡驱动（禁用nouveau）

安装nvidia显卡驱动首先需要禁用nouveau，不然会碰到冲突的问题，导致无法安装nvidia显卡驱动。

原创 改进YOLOv8：添加CBAM注意力机制（涨点明显）

计算机视觉中的注意力机制是一种聚焦于局部信息的机制，其基本思想是让系统学会忽略无关信息而关注重点信息。这种机制在图像识别、物体检测和人脸识别等任务中都发挥了重要作用。注意力机制的实现方法有多种，其中包括模型、模型、模型等。这些模型可以将图像中的关键信息提取出来，并通过抑制无用信息来提高模型的性能。在计算机视觉中，注意力机制被广泛应用于各种任务，如目标检测、图像分类、人脸识别等。通过引入注意力机制，计算机视觉系统可以更加高效地处理图像数据，减少计算资源的浪费，同时提高模型的性能和准确性。

原创 springboot整合websocket后启动报错：javax.websocket.server.ServerContainer not available

为什么servletContext会返回null，定位到 ServerContainer 类，发现他是一个接口，那必定注入的时候是有相应的实现类，点击查看实现，居然有五个实现类，那就可以推断是依赖冲突导致不知道要注入哪个实现，最后获取Bean的时候返回了null。

原创 YOLOv8模型yaml结构图理解（逐层分析）

它展示了模型的三个主要部分：Backbone（主干网络）、Neck（颈部网络）和 Head（头部网络），以及它们的子模块和连接方式。YOLOv8的配置文件定义了模型的关键参数和结构，包括类别数、模型尺寸、骨架（backbone）和头部（head）结构。其中，x_{i} 是真实边界框的坐标，而 \hat{x}_{i} 是预测边界框的坐标。该损失计算预测与实际坐标之间的差异的平方和。其中，Area of Overlap是预测边界框和真实边界框重叠的区域面积，Area of Union是两个边界框覆盖的总面积。

转载 边缘云是什么？一分钟漫画读懂！

原创 Yarn install 报错 Resolving packages... [2/4] Fetching packages... info There appears to be trouble wi

到这里就执行不动了，提示网络出错，请重试。。。。

原创 LSTM模型预测时间序列：根据历史销量数据预测商品未来销量

经常会遇到一些需要预测的场景，比如预测品牌销售额，预测产品销量。今天分享一波使用 LSTM 进行端到端时间序列预测的完整代码和详细解释。我们先来了解两个主题：什么是时间序列分析？什么是 LSTM？时间序列分析：时间序列表示基于时间顺序的一系列数据。它可以是秒、分钟、小时、天、周、月、年。未来的数据将取决于它以前的值。在现实世界的案例中，我们主要有两种类型的时间序列分析：单变量时间序列（只有一列，因此即将到来的未来值将仅取决于它之前的值。如：仅依据历史销量数据预测未来数据）多元时间序列（不同类型的特征值并且目

原创 如何解决网页中的pdf文件无法下载？pdf打印显示空白怎么办？

偶然间，遇到这样一个问题，一个网页上的附件pdf想要下载打印下来，奈何尝试多种办法都不能将其下载下载，点击打印出现的也是一片空白。

原创 有哪些你直呼好用的科研效率神器？

今天来分享几款科研免费小工具，帮你读懂外刊、追踪文献、搞定翻译、解除限制……甚至轻松制作PPT。一身好装备，提高科研效率。

原创 YOLOv8训练自己的数据集+常用传参说明

yolov8已经出来好几个月了，并且yolov8从刚开始出来之后的小版本也升级好几次，总体变化不大，个别文件存放位置发生了变化，以下以最新版本的YOLOv8来详细学习和使用YOLOv8完成一次目标检测。数据集下载链接：[小麦病虫害yolov8目标检测YOLO格式数据集，带标注，包含12个分类5600多张图像，原论文自用精心整理：https://download.csdn.net/download/MacWx/89766936

原创 Ubuntu 20.04（服务器版）安装 Anaconda

Anaconda是一个开源的Python发行版本，包含了包括Python、Conda、科学计算库等180多个科学包及其依赖项。因此，安装了Anaconda就不用再单独安装CUDA、Python等。CUDA，在进行深度学习的时候，需要用到GPU，CUDA就是一个调用GPU的工具。只有NVidia显卡才能使用CUDA。现有的主流深度学习框架基本都是基于CUDA进行GPU加速的。cuDNN，CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。

原创 英文论文（sci）解读复现:基于YOLOv5的自然场景下苹果叶片病害实时检测

针对自然场景中复杂背景下多尺度、异型苹果叶片病害的准确定位与识别问题，提出了一种基于改进YOLOv5s模型的苹果叶片病害检测方法。首先，该模型利用双向特征金字塔网络(BiFPN)高效实现多尺度特征融合;然后，加入变压器和卷积块注意模块(CBAM)注意机制，减少无效背景信息的干扰，提高疾病特征的表达能力，提高模型的准确性和召回率。实验结果表明，所提出的 BTC-YOLOv5s模型(模型尺寸为15.8M)能够在自然场景中有效检测4种苹果叶片病害，平均精度(mAP)为84.3%。

原创 我的创作纪念日——创作的第2048天

每接触到新的知识，每遇到新的bug，每产生新的ider，我都会及时记录下来，问题的产生原因，解决过程，解决办法，问题感悟等等，就这样日积月累持续到现在。从最开始接触电脑的小白，经历过计算机基础，计算机硬件与维修，计算机程序设计，Java开发，到现在研究人工智能、云计算与边缘计算，C站记录了我的成长，我也见证了C站的一步步发展。现在回看前几年写下的文章，真是“惨不忍睹”，每一个创作里程碑，也是我的表达写作能力和逻辑思维的一次提升，创作让我更加深入地理解学过的知识，也给我留下足够深刻的回忆。

原创 如何使用 YOLOv5 获得最佳 mAP 和最佳训练结果

大多数情况下，无需更改模型或训练设置即可获得良好的结果，**前提是数据集足够大且标记良好**。如果一开始没有得到好的结果，你可以采取一些步骤来改进，但我们始终建议用户在考虑任何更改之前**先使用所有默认设置进行训练**。这有助于建立性能基线baseline并发现需要改进的领域。

原创 基于多模态融合与图神经网络的用户精准感知系统研究

近年来人工智能技术的发展影响到了企业与个人的方方面面，深度学习技术作为人工智能技术的一个分支发展尤为迅速，并且在文本、语音、图像等数据上已经取得了很大的成功。目前，将语音、图像、文本等多种类型的数据进行多模态融合，服务于具体的业务场景是人工智能的一个重要发展方向。除了图像、文本、语音等数据外，许多行业领域还存在着图结构的数据，例如社会科学中的社交网络、电子商务领域中的商品与用户关系、通信网络的拓扑结构等，为了充分挖掘这些图结构数据的特征，图神经网络技术被提出，并在很多行业表现出巨大的发展潜力。

原创 远程服务器ubuntu安装Jupyter Lab详细教程

不用打开电脑，不用启动anaconda，随时随地，公交地铁上使用手机输入网站就能启动进行代码编写、数据分析，着实是很方便。在你成功白嫖一台服务器之后，可以按照下面的教程，手把手教你配置一个专属于你自己的远程 Jupyter Notebook，随时随地利用Python进行数据分析。

原创 边缘智能：边缘计算驱动实时深度学习

边缘协同推理具有极大的应用价值，目前，正处于快速发展期，但清晰而又统一的处理方法尚未形成，值得我们重点研究. 本文对边缘协同智能的发展历史进行了简要回顾，对推理过程中涉及到的关键技术进行了归纳整理. 通过对不同关键技术的纵向总结、适用场景分析以及技术间的对比等，重点从动态场景角度提出了边缘协同推理存在的挑战与值得发展的方向. 整体来看，边缘协同推理目前还有极大的发展空间，我们未来的研究工作重点将放在动态场景建模以及动态场景下的边缘协同推理可靠性保障方面。

转载 目标检测YoloV5模型优化：数据集处理（标注原则）

数据数量还是数据质量vs.如果要追求数据的质量，我们就必须有严格而统一的标注规则，反之就是指标下降。

原创 边缘智能:边缘计算和人工智能的深度融合

通信技术正在经历一场新的革命。第五代蜂窝无线系统(5G)的出现，带来了增强型移动宽带(eMBB)、超可靠低延迟通信(URLLC)和大规模机器类型通信(mMTC)。随着物联网(IoT)的普及，广泛分布的移动和物联网设备产生了更多的数据，可能比超大规模云数据中心产生的数据还要多。具体来说，根据爱立信的预测，45%到2024年，全球互联网数据的40ZB将由物联网设备产生。将如此庞大的数据从边缘转移到云端是非常棘手的，因为这可能会导致网络过度拥堵。

原创 边云协同：大小模型如何协同推理？

历史上计算形态经历了几次重要变化。当本地计算成本低于通信成本时，计算模式由分时共享机制迅速转变为本地计算完成方式；当网络技术进步使得通信成本远低于计算成本时，开始出现由本地计算向云计算的过渡。随着硬件成本降低、计算能力提升、通信带宽飞跃、传感器感知能力进化等技术进步持续发生，传统计算长久以“算力为王”的模式来部署完成，即任务汇聚到大型机上集中处理，而后分散到用户终端设备处理，再然后相当一部分的计算任务重新汇聚到云计算中心处理。

转载 轻量级骨架首选：MobileNetV3完全解析

相对重量级网络而言，轻量级网络的特点是。更适用于存储空间和功耗受限的场景，例如移动端嵌入式设备等边缘计算设备。因此轻量级网络受到了广泛的关注，其中MobileNet可谓是其中的佼佼者。MobileNetV3经过了V1和V2前两代的积累，性能和速度都表现优异，受到学术界和工业界的追捧，无疑是轻量级网络的“抗把子“。MobileNetV3 参数是由（network architecture search）搜索获取的，又继承的V1和V2的一些实用成果，并引人SE通道注意力机制，可谓集大成者。

转载 带你了解边缘云到底是什么云？

根据《边缘云计算技术与标准化白皮书》给出的定义，边缘云是基于云计算技术的核心和边缘计算的能力，构筑在边缘基础设施之上的云计算平台。形成边缘位置的计算、网络、存储、安全等能力全面的弹性云平台，并与中心云和物联网终端形成“云边端三体协同”的端到端的技术架构，通过将网络转发、存储、计算，智能化数据分析等工作放在边缘处理，降低响应时延、减轻云端压力、降低带宽成本，并供全网调度、算力分发等云服务。边缘云的诸多优势为用户带来了许多便利，其社会需求和市场空间无疑是非常巨大，具体来看：1、降低时延。