【蜂群课堂】懒人精灵PP-PicoDet课程

一:目标检测介绍

PP-PicoDet 是百度提出的移动端友好和高精度Anchor-Free 目标检测算法,实测性能非常优越。

优点:

  1. 识别速度更快,
  2. 轻量级模型,更适合移动端设备运行,
  3. cpu占用低,更能稳定运行
  4. 可以断点恢复训练

缺点:

  1. 训练数据比yolov5多点,劳动力比较高
  2. 比yolov5更复杂点

二:自动化方面应用

1:验证识别 如:滑块验证等

2:目标动态识别 如:怪物动态移动位置等,识别目标不受影响

3:目标形态识别 如:怪物角度形态变化等,识别目标不受影响

4:目标光影变化识别 如:天气变化,光影变化等,识别目标不受影响

5:目标缩放识别 如:怪物目标放大或者缩小,识别目标不受影响

6:目标跨分辨率识别 如:自动化改变运行环境分辨率,识别目标不受影响

7:已经兼容安卓本地识别,不是服务器运算,是本地运算,目标检测速度快

三:PicoDet课程列表

  • 表示录制完成
  • 表示等待录制

课程分类

主课程列

段落课程列

上手

课节

  1. PicoDet目标检测课程
  2. 合作课程[老师2位]
  3. 本课程需显卡条件
  4. 解决:静态目标识别
  5. 解决:动态目标识别
  6. 解决:光影目标识别
  7. 解决:大小目标识别
  8. 解决:形态目标识别
  9. 解决:跨分辨率识别
  10. 可以单独报名学习
  11. 有学员今天学习,明天学费赚回来了,并且超几倍

注:本课程基于移动端单独开发的本地PP-PicoDet 插件实现,脱离服务器,完全自主的PP-PicoDet 目标检测,报名前先咨询,显卡最低960或以上,4g以上显存 并且为N卡, 目前不支持A卡

环境部署

  • 部署~硬件软件

比较难

27

  • 部署~软件安装
  • 部署~环境部署

标注训练

  • 训练~采集数据
  • 训练~标注数据

模型参数

  • 模型~参数设置
  • 模型~模型切换
  • 模型~数据训练
  • 模型~断点复训

识别命令

  • 命令~详解命令
  • 命令~加密模型
  • 命令~画目标框
  • 命令~优化目标框
  • 命令~函数封装
  • 命令~优化封装

识别验证

  • 滑块~单滑块计算
  • 滑块~双滑块计算
  • 滑块~双滑块优化

识别跳台

  • 跳一跳~采集训练
  • 跳一跳~计算距离
  • 跳一跳~跳台测试

识别资源

  • 万国-采集标注
  • 万国-训练数据
  • 万国-识别回收

识别怪物

  • 创魔-采集训练
  • 创魔-计算移动

识别指引

  • 蚁国-新手指引

说明

课程看起来比较少,不过主要是解决问题,如:解决一个验证,你对接平台也是费用,请人搞单个项目本地的,没有几百上千拿不下来,本课学会,完全自主,任何项目需要的都可以用,所以本课程价值自己考虑

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
以下是使用人工蜂群算法实现的0-1背包问题的Matlab代码: ```matlab % 0-1背包问题 % 使用人工蜂群算法进行求解 clc; clear; close all; % 参数设置 n = 20; % 物品数量 c = 50; % 背包容量 w = randi([1, 10], [1, n]); % 物品重量 v = randi([10, 100], [1, n]); % 物品价值 max_iter = 100; % 最大迭代次数 n_bees = 50; % 蜜蜂数量 limit = 20; % 限制值 % 初始化 x = zeros(n, 1); % 物品选择向量 L = zeros(n_bees, 1); % 蜜蜂距离 P = zeros(n_bees, n); % 蜜蜂位置 F = zeros(n_bees, 1); % 蜜蜂适应度 best_solution = []; % 最佳解 best_fitness = 0; % 最佳适应度 % 计算所有蜜蜂的适应度 for i = 1 : n_bees x = randi([0, 1], [n, 1]); W = w * x; if W > c % 如果超过了容量,则强制将一些物品移除 for j = 1 : limit idx = find(x == 1, 1); x(idx) = 0; W = w * x; if W <= c break; end end end V = v * x; F(i) = V; P(i, :) = x'; % 更新最佳解 if V > best_fitness best_fitness = V; best_solution = x; end end % 迭代优化 for t = 1 : max_iter % 采蜜蜂 for i = 1 : n_bees x = P(i, :); j = randi([1, n]); k = randi([1, n]); while k == j k = randi([1, n]); end x(j) = 1 - x(j); W = w * x'; if W > c % 如果超过了容量,则强制将一些物品移除 for j = 1 : limit idx = find(x == 1, 1); x(idx) = 0; W = w * x'; if W <= c break; end end end V = v * x'; L(i) = abs(F(i) - V); % 如果新的位置更好,则更新 if V > F(i) F(i) = V; P(i, :) = x; end end % 侦查蜂 for i = 1 : n_bees if rand() < 0.1 % 10%的概率进行随机搜索 x = randi([0, 1], [n, 1]); W = w * x; if W > c % 如果超过了容量,则强制将一些物品移除 for j = 1 : limit idx = find(x == 1, 1); x(idx) = 0; W = w * x; if W <= c break; end end end V = v * x; if V > F(i) F(i) = V; P(i, :) = x'; end end end % 工蜂 for i = 1 : n_bees x = P(i, :); j = randi([1, n]); k = randi([1, n]); while k == j k = randi([1, n]); end x(j) = 1 - x(j); W = w * x'; if W > c % 如果超过了容量,则强制将一些物品移除 for j = 1 : limit idx = find(x == 1, 1); x(idx) = 0; W = w * x'; if W <= c break; end end end V = v * x'; L(i) = abs(F(i) - V); % 如果新的位置更好,则更新 if V > F(i) F(i) = V; P(i, :) = x; end end % 计算所有蜜蜂的适应度 for i = 1 : n_bees x = P(i, :); W = w * x'; if W > c % 如果超过了容量,则强制将一些物品移除 for j = 1 : limit idx = find(x == 1, 1); x(idx) = 0; W = w * x'; if W <= c break; end end end V = v * x'; F(i) = V; P(i, :) = x'; % 更新最佳解 if V > best_fitness best_fitness = V; best_solution = x; end end % 显示当前最优解 fprintf('Iteration: %d Best Solution: %d\n', t, best_fitness); end fprintf('\nBest Solution:\n'); disp(best_solution'); fprintf('Best Fitness: %d\n', best_fitness); ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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