Datawhale夏令营第五期-CV竞赛-Task1-学习笔记

最新推荐文章于 2024-08-29 23:50:45 发布
最新推荐文章于 2024-08-29 23:50:45 发布
阅读量113 收藏 2
点赞数 1
文章标签： 机器学习 深度学习 计算机视觉
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/qq_45194542/article/details/141500568
版权

本赛题最终目标：是开发一套智能识别系统，用于自动检测和分类城市管理中的违规行为。

Step1：报名赛事！（已完成）

Step2：领取厚德云支持的GPU在线算力！

厚德云链接：厚德云

1、注册厚德云平台

2、租用4090

链接：厚德云

Step3：30分钟体验baseline！

  1. 下载baseline相关文件

复制如下命令，在终端中执行：

apt install git-lfs git lfs install git clone https://www.modelscope.cn/datasets/Datawhale/AI_Camp5_baseline_CV.git

  1. 一键运行baseline！（大约需要25分钟）

  1. 下载结果文件result.zip

  1. 记得GPU使用完成后，关机~

Step4：上传提交结果到比赛网站！

评分大概需要 2 分钟～评分结束后可以在【结果提交】看到评分结果哟！（预期分数在0.004分左右😉~）

qq_45194542
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
datawhale夏令营第五期
m0_74418366的博客
08-26 175
本赛题最终目标是开发一套智能识别系统，能够自动检测和分类城市管理中的违规行为。该系统应利用先进的图像处理和计算机视觉技术，通过对摄像头捕获的视频进行分析，自动准确识别违规行为，并及时向管理部门发出告警，以实现更高效的城市管理。baseline只使用了v8n训练2轮，所以第一次打算先换成更大的v8x模型训练10轮，后面再试试缝模块之类的方法。但是没想到map从第三轮就不变了，由于以前没做过目标检测任务，所以暂时原因不详。最终结果也很有意思，和baseline同分。
Datawhale AI夏令营第五期魔搭-CV竞赛方向Task1笔记--初识yolo模型
2401_82557688的博客
08-22 767
本赛题最终目标是开发一套智能识别系统，能够自动检测和分类城市管理中的违规行为。该系统应利用先进的图像处理和计算机视觉技术，通过对摄像头捕获的视频进行分析，自动准确识别违规行为，并及时向管理部门发出告警，以实现更高效的城市管理。本质上是属于CV中的目标检测题型.
Datawhale AI夏令营第五期-CV task1学习笔记
qq_57067122的博客
08-26 100
1. 尝试在本地运行，但是始终遇到“ModuleNotFoundError: No module named 'ultralytics'”的报错，即使安装好相关库也始终未能解决，因而没有跑通。2. 尝试在厚德云GPU上运行，除了第一次运行遇到数据下载出错导致的报错以外，运行流畅，约20分钟完成，成绩0.0047834701569362。1. 了解代码和模型的含义：单纯跑通不了解模型，也不明白如何修改和提升效率。2. 了解评分机制：尝试在本地使用验证集进行测试。3. 尝试在本地跑通代码。
DataWhale夏令营第二期-CV方向Task1笔记
qq_51050990的博客
07-13 695
在Stable-Diffusion、Sora已经广泛进入我们现实生活的当下，我们总能够看到一些AI生成的图像、视频，这些图像视频可能是栩栩如生也可能是错漏百出，但是我们不可否认的是现在的深度学习算法已经一步一步地通过学习真实数据的特征去试图生成新的、逼真的数据。在未来，可能我们根本无法去分辨出一张图像是真实拍摄的还是由AI绘制生成的，这也就是DeepFake的概念。
Datawhale AI夏令营第五期-CV task2学习笔记
最新发布
qq_57067122的博客
08-29 22
YOLOv8n（"nano"）是最小的变体，具有较少的参数和计算量。task2代码中给出了yolov8n和yolov8s两种模型，这两种模型是YOLOv8模型的两种变体。YOLOv8n 更适合实时应用或者资源受限的设备，例如移动设备或者嵌入式系统，因为它在速度和资源消耗上优化得更好。YOLOv8s 适合需要更高准确性的应用场景，同时能够容忍较高的计算资源消耗，例如在服务器或高性能计算环境中运行。YOLOv8s 能够更好地捕捉细节和处理复杂的场景，在目标检测任务中的精度会比 YOLOv8n 高。
DataWhale夏令营第二期-CV方向Task2笔记
qq_51050990的博客
07-17 948
在中，我们可以了解到，深度学习是机器学习的一个分支。深度学习依赖于深层神经网络，模拟人脑进行学习。神经网络由众多神经元连接而成，每个神经元又由输入、权重、激活函数、输出而组成。如同人脑中的神经元一样，神经网络中的神经元接收前一个神经元传递过来的输入信号，通过权重方法或是缩小这一信号，再由激活函数控制神经元是否输出信号，也就是提供非线性，最终输出信号传递到下一个神经元。所以在深度学习中，神经网络只是比机器学习中的更加深罢了。通过更深的神经网络，深度学习模型能够适应更为复杂的任务，提取到更深层级的特征信息。
Datawhale AI 夏令营第五期 CV竞赛方向Task1笔记--初识yolo模型
withoutObject的博客
08-26 640
开发一套智能识别系统，能够自动检测和分类城市管理中的违规行为。该系统应利用先进的图像处理和计算机视觉技术，通过对摄像头捕获的视频进行分析，自动准确识别违规行为，并及时向管理部门发出告警，以实现更高效的城市管理。根据给定的城管视频监控数据集，进行城市违规行为的检测。违规行为主要包括垃圾桶满溢、机动车违停、非机动车违停等。选手需要能够从视频中分析并标记出违规行为，提供违规行为发生的时间和位置信息。【机动车违停】机动车在设有禁止停车标志、标线的路段停车，或在非机动车道、人行横道、施工地段等禁止停车的地方停车。
【Datawhale AI 夏令营第二期--机器学习-电力需求挑战赛-Task3学习笔记】
weixin_44757227的博客
07-19 1114
时间序列预测是一个不断发展的领域，随着技术的进步，我们可以期待更多的优化方法和模型的出现。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。
Datawhale AI夏令营第五期魔搭-CV竞赛方向Task1笔记--yolo模型进阶理解
2401_82557688的博客
08-29 662
福州大学 我是一个温柔的刀客2024/8/28在这次的CV夏令营活动中,大家其实不必完完全全理解每一行代码,其实计算机相关的学习都是从懵懵懂懂开始的,第一步不妨先跑一跑代码看看能达到什么效果,后面再继续深入学习理解其中的原理!那么这一次我们的任务主要是继续了解物体检测的相关任务以及技术实现.
记一次：Datawhale AI夏令营-第四期-魔搭-AIGC-Task03 可图lora资源
08-15
记一次：Datawhale AI夏令营-第四期-魔搭-AIGC-Task03 可图测试资源
记一次：Datawhale AI夏令营-第四期-魔搭-AIGC-Task03 可图测试资源
08-15
记一次：Datawhale AI夏令营-第四期-魔搭-AIGC-Task03 可图测试资源
Datawhale AI夏令营第四期魔搭- AIGC文生图方向 task01笔记
08-09
Datawhale AI夏令营第四期魔搭- AIGC文生图方向 task01笔记
【Datawhale AI 夏令营第三期学习笔记Taks1】 跑通baseline #Datawhale AI 夏令营
07-28
【Datawhale AI 夏令营第三期学习笔记Taks1】 跑通baseline #Datawhale AI 夏令营
机器学习和深度学习·贝叶斯优化和optuna
2301_80132162的博客
08-29 731
先验：取点取了n个点之后…后验：近似取得极值。
划分聚类方法实现与应用
m0_73676887的博客
08-29 548
划分聚类，通过划分的方式将数据集划分为多个不重叠的子集（簇），每一个子集作为一个聚类（类别）。在划分的过程中，首先由用户确定划分子集的个数kkk，然后随机选定kkk个点作为每一个子集的中心点，接下来通过迭代的方式：计算数据集中每个点与各个中心点之间的距离，更新中心点的位置；最终将数据集划分为kkk个子集，即将数据划分为kkk类。而评估划分的好坏标准就是：保证同一划分的样本之间的差异尽可能的小，且不同划分中的样本差异尽可能的大。
机器学习/数据分析--通俗语言带你入门随机森林，并用随机森林进行天气分类预测(Accuracy为0.92)
weixin_74085818的博客
08-29 912
Bagging集成核心思想：将数据集集随机分为N份，每一份用一个模型求解，最后将所有模型结果进行投票得出结果。自动采样法自动采样法，可以有放回的采样，假设m个样本的数据集，每一次随机拿去一个样本，然后放回，这样就有概率下一次再被选中，经过m次采样，一次大概有百分之63.2%(数学公式推导而出)的数据被选中。数学公式推导：假设每一个样本被选择的概率为 1/m，这样进行m次选择，没有选择的概率为：​1−1mm1−m1​m当m->∞\infty∞1e≈0.368。e。
什么是Dropout在机器学习中？
2301_79729084的博客
08-29 138
Dropout是深度学习中一种简单而有效的正则化技术，它通过随机丢弃神经网络中的部分神经元来减少模型的复杂性、防止过拟合，并提高模型的泛化能力。在训练过程中，Dropout使得每次前向传播时神经网络的结构都有所不同，这有助于模型学习到更加鲁棒的特征表示。
焦虑相关症状与错误相关大脑活动的机器学习研究
u011661076的博客
08-28 805
摘要 焦虑症状可能会影响大脑对错误的加工方式。然而，许多研究报告的结果相互矛盾且不可再现，因此大脑对错误的反应(即错误相关负波[ERN]；错误相关正波[Pe])与特定焦虑症状的对应关系仍不清楚。本研究收集了171名被试的16个焦虑维度自述评分，并采集了他们的EEG信号。然后，使用机器学习(1)识别与ERN/Pe增大有关的主要症状；(2)评估传统统计方法的泛化能力。本研究结果表明，ERN的振幅以及其他大脑信号变化编码了与个体错误加工相关的信息。泛化性检查结果表明，改变结果验证方法可以获得反映个体差异和临床有
Datawhale AI 夏令营
07-12
DataWhale AI夏令营是一款由阿里云举办的针对青少年和大学生的科技教育活动。这个暑期项目旨在激发参与者对人工智能、大数据和机器学习的兴趣，通过一系列课程、实践项目和比赛，帮助他们提升相关的技能知识。活动中...
评论
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