u010522887的专栏

手把手带你本地体验 Llama3.1

Ollama 也许是当前最便捷的大模型部署工具，配合Open WebUI，人人都可以拥有大模型自由。

阿里开源语音大模型：语音识别效果和性能强于 Whisper，还能检测掌声、笑声、咳嗽等

体验一下开源的视频生成模型？EasyAnimate-v3 支持图像/文本生成视频，及高分辨率超长视频生成

今天带大家在本地搭建一款微信机器人，调用的是 Windows 电脑端的微信，无需云服务器，无需部署，更安全可靠。

动手捏一个基于 LLM 的微信机器人，有手就能做

天池挑战赛 baseline 方案，大模型指令微调入门级项目，实现一个优质的【小说创作】大模型。

通过个人微信聊天记录，来微调大模型，快速入门大模型指令微调

本文将系统盘点：目前市面上都有哪些**可以免费调用的云端API**？ 方便大家开发基于LLM的应用，快速实现自己的想法，让创意起飞~🚀

如果你的身边有一个随时待命、聪明绝顶的AI小助手，能够听懂你的话，理解你的需求，用温暖的声音回应你，会是一种什么体验？今天，带大家一起搭建一个语音对话机器人，拥有一个专属的个人AI小助手。本文面向技术小白，以最通俗易懂的语言，最贴心的步骤指导，确保你能够轻松上手，快速掌握。

在了解了图像分类和目标检测的基本概念后，很多同学发现现有的算法模型往往只能识别特定类别的目标，面对全新的目标类别，这些训好的模型往往就无能为力了。本次分享将带领大家从 0 到 1 搭建一个面向现实场景的商品识别系统，旨在帮助初学者快速走通从理论到应用的过程，希望对感兴趣的同学提供一点帮助。

本次分享将带领大家从 0 到 1 完成一个基于 OCR 和 LLM 的视频字幕提取和智能视频问答项目，通过 OCR 实现视频字幕提取，采用 ErnieBot 完成对视频字幕内容的理解，并回答相关问题，最后采用 Gradio 搭建应用。本项目旨在帮助初学者快速搭建入门级 AI 应用，并分享开发过程中遇到的一些坑，希望对感兴趣的同学提供一点帮助。

本文详细介绍了如何在Linux系统上部署Stable Diffusion WebUI，首先介绍了Stable Diffusion和LoRA模型的基本概念，然后完成WebUI的下载、安装和配置。在部署过程中，作者分享了解决常见问题的方法，文章的后半部分专注于LoRA模型的训练，包括准备训练数据集、修改训练脚本和启动训练过程。作者提供了详细的命令和步骤，以帮助读者训练自己的LoRA模型，并将其集成到Stable Diffusion WebUI中。

本文将基于飞桨AI开发框架，走完一个完整的人体姿态估计项目，从基础的数据准备到模型训练，再到应用开发和部署，旨在帮助初学者快速入门并掌握关键技能。首先了解了如何使用PaddlePaddle框架和COCO数据集来构建和训练一个高效的人体关键点检测模型，其次采用PP-TinyPose模型通过Gradio创建了一个交互式的前端应用。

基于YOLOv8的SAR图像目标检测系统，覆盖数据制作、数据可视化、模型训练/评估/推理/部署全流程，最后通过 Gradio 界面进行展示。

本文带领大家从零开始构建一个人脸口罩检测的前后端分离的Flask应用。首先，我们采用PaddleDetection训练得到了人脸口罩检测模型，然后基于 ONNX 完成了模型推理，最后基于Flask框架搭建了一个前后端分离的Web应用，包括如何实现模型推理的后端接口、如何搭建前端界面，以及启动和运行整个服务。

本文通过一个计算机视觉领域中最基础的任务之语义分割，带领大家熟悉百度PaddleSeg深度学习框架中的各种组件，覆盖了数据准备、模型训练评估、推理部署的全流程，最后通过应用开发实现了一个简单的前后端分离项目。

本项目通过计算机视觉领域中最基础的任务之目标检测，带领大家熟悉如何启动一个AI Studio后台任务，来完成自己的训练任务，从0到1跑通一个检测任务的全流程

阿里开源了一款全新的多智能体协同的Multi-Agent应用框架-AgentScope，早先的单智能体还只能完成对话类等一些简单的应用，通过调用外部API（如搜索 绘画 配音等）也只是拓展了单智能体的能力边界。如果能够调用多个智能体，并做好多个智能体之间的协同配合，就能够打造出内容和样式更加丰富的应用。本项目将以飞花令为切入点，利用AgentsSope开发框架，打造一款和Agent玩飞花令的游戏，希望能够给爱好古诗词的朋友带来一种全新的体验：摆脱场地和人员的限制，随时随地和Agent玩飞花令！

本篇主要介绍了学习Python之前的准备工作，主要介绍了Python环境管理工具Miniconda和开发者工具VS code的安装，下篇文章我们将从0到1开始学习Python编程语言的一些基础概念。

本次分享将带领大家从0到1完成一个目标检测任务的模型训练评估和推理部署全流程，项目将采用以PaddleDetection为核心的飞浆深度学习框架进行开发，并总结开发过程中踩过的一些坑，希望能为有类似项目需求的同学提供一点帮助。

本次分享将带领大家从0到1完成一个图像分类任务的模型训练评估和推理部署全流程，项目将采用以PaddleClas为核心的飞浆深度学习套装进行开发，并总结开发过程中踩过的一些坑，希望对有类似项目需求的同学提供一点帮助。这个部分的目的是将我们的模型部署到移动端（比如手机），这样就不用依赖云端服务器来进行推理了，飞浆已对上述需求所需要的功能实现进行了封装，主要体现在PaddleLite这个组件上，细节可参考。如上，我们便完成了数据的准备工作，接下来将选用一个model完成模型在该数据集上的训练。