·整体结构：
后端：
1.Application：启动的入口函数；
2.common：常量、枚举值；
3.config：装载、数据库；
4.WebAppConfig：资源的映射；
5.Albumcontroller：接受外部的请求，做出相应并返回到前端。
前端：
访问后端上传接口；
1.Vue组件实现轮播；
2.Tag实现标签的排列显示；
3.在照片上传成功之后会对图片进行渲染等一系列处理。
阿里云高校计划视觉AI五天训练营教程 Day 3 - 电子相册搭建（人脸、表情识别）
2020-11-01
1135
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
在这个人工智能已经普及的时代，各行各业都充斥着AI的身影。大部分人认为人工智能起点高，入门难，想要使用AI服务又无法独立完成编写，阿里云视觉平台是基于阿里巴巴视觉智能技术实践经验，面向视觉智能技术企业和开发商（含开发者），为其提供高易用、普惠的视觉API服务，帮助企业快速建立视觉智能技术的应用能力的综合性视觉AI能力平台。开发者可以通过阿里云视觉平台提供的通用且标准化的接入方式，快速接入及使用阿里云视觉平台提供的包括人脸人体、文字识别、商品理解、内容安全、图像识别、图像生产、分割抠图、视觉搜索、目标检测、图像分析处理、视频理解、视频生产、视频分割13个类目多个API能力。
相关文章
|
3月前
|
JSON
人工智能
数据格式
AI计算机视觉笔记二十六：YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8，并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据，文档介绍了如何使用`labelme`标注工具进行关键点标注，并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后，通过Jupyter Notebook可视化标注结果确保准确性。最后，文档展示了如何组织数据集目录结构，并提供了训练与测试代码示例，包括配置文件`smoke.yaml`及训练脚本`train.py`，帮助读者完成自定义模型的训练与评估。
434
2
2
|
2天前
|
机器学习/深度学习
存储
人工智能
【AI系统】谷歌 TPU v2 训练芯片
2017年，谷歌推出TPU v2，专为神经网络训练设计，标志着从推理转向训练的重大转变。TPU v2引入多项创新，包括Vector Memory、Vector Unit、MXU及HBM内存，以应对训练中数据并行、计算复杂度高等挑战。其高效互联技术构建了TPU v2超级计算机，显著提升大规模模型训练的效率和性能。
8
0
0
|
2月前
|
Python
机器学习/深度学习
人工智能
手把手教你从零开始构建并训练你的第一个强化学习智能体：深入浅出Agent项目实战，带你体验编程与AI结合的乐趣
【10月更文挑战第1天】本文通过构建一个简单的强化学习环境，演示了如何创建和训练智能体以完成特定任务。我们使用Python、OpenAI Gym和PyTorch搭建了一个基础的智能体，使其学会在CartPole-v1环境中保持杆子不倒。文中详细介绍了环境设置、神经网络构建及训练过程。此实战案例有助于理解智能体的工作原理及基本训练方法，为更复杂应用奠定基础。首先需安装必要库：
```bash
pip install gym torch
```
接着定义环境并与之交互，实现智能体的训练。通过多个回合的试错学习，智能体逐步优化其策略。这一过程虽从基础做起，但为后续研究提供了良好起点。
140
4
4
|
3月前
|
人工智能
开发工具
计算机视觉
AI计算机视觉笔记三十：yolov8_obb旋转框训练
本文介绍了如何使用AUTODL环境搭建YOLOv8-obb的训练流程。首先创建虚拟环境并激活，然后通过指定清华源安装ultralytics库。接着下载YOLOv8源码，并使用指定命令开始训练，过程中可能会下载yolov8n.pt文件。训练完成后，可使用相应命令进行预测测试。
204
4
4
|
3月前
|
人工智能
测试技术
PyTorch
AI计算机视觉笔记二十四：YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP（You Only Look Once for Panoptic Driving Perception）的过程，包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布，可在Jetson TX2上达到23FPS，实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤，并解决了ONNX转换过程中的问题。
78
3
3
|
3月前
|
机器学习/深度学习
人工智能
测试技术
AI计算机视觉笔记二十五：ResNet50训练部署教程
该项目旨在训练ResNet50模型并将其部署到RK3568开发板上。首先介绍了ResNet50网络，该网络由何恺明等人于2015年提出，解决了传统卷积神经网络中的退化问题。项目使用车辆分类数据集进行训练，并提供了数据集下载链接。环境搭建部分详细描述了虚拟环境的创建和所需库的安装。训练过程中，通过`train.py`脚本进行了15轮训练，并可视化了训练和测试结果。最后，项目提供了将模型转换为ONNX和PT格式的方法，以便在RK3568上部署。
80
2
2
|
3月前
|
机器学习/深度学习
人工智能
计算机视觉
AI计算机视觉笔记二十三：PP-Humanseg训练及onnxruntime部署
本文介绍了如何训练并使用PaddleSeg的人像分割模型PP-HumanSeg，将其导出为ONNX格式，并使用onnxruntime进行部署。首先在AutoDL服务器上搭建环境并安装所需库，接着下载数据与模型，完成模型训练、评估和预测。最后，通过paddle2onnx工具将模型转换为ONNX格式，并编写预测脚本验证转换后的模型效果。此过程适用于希望在不同平台上部署人像分割应用的开发者。
72
0
0
|
6天前
|
机器学习/深度学习
人工智能
算法
AI技术在医疗诊断中的应用及前景展望
本文旨在探讨人工智能（AI）技术在医疗诊断领域的应用现状、挑战与未来发展趋势。通过分析AI技术如何助力提高诊断准确率、缩短诊断时间以及降低医疗成本，揭示了其在现代医疗体系中的重要价值。同时，文章也指出了当前AI医疗面临的数据隐私、算法透明度等挑战，并对未来的发展方向进行了展望。
71
4
4
|
14天前
|
机器学习/深度学习
人工智能
自然语言处理
当前AI大模型在软件开发中的创新应用与挑战
2024年，AI大模型在软件开发领域的应用正重塑传统流程，从自动化编码、智能协作到代码审查和测试，显著提升了开发效率和代码质量。然而，技术挑战、伦理安全及模型可解释性等问题仍需解决。未来，AI将继续推动软件开发向更高效、智能化方向发展。
45
5
5
|
18天前
|
机器学习/深度学习
人工智能
自然语言处理
AI在医疗领域的应用及其挑战
【10月更文挑战第34天】本文将探讨人工智能（AI）在医疗领域的应用及其面临的挑战。我们将从AI技术的基本概念入手，然后详细介绍其在医疗领域的各种应用，如疾病诊断、药物研发、患者护理等。最后，我们将讨论AI在医疗领域面临的主要挑战，包括数据隐私、算法偏见、法规合规等问题。
40
1
1
热门文章
最新文章
1
领英AI人才图谱：全球 190 万 AI 人才，中国只有5万
2
「镁客·请讲」MATRIX张国强：不惧公链竞争，将使用AI技术夯实区块链地基
3
才发现百度自带的AI图片助手这么好用，去水印、画质优化、AI扩图、涂抹消除等功能一应俱全！
4
阿里云峰会 | AI搜题加速在线教育行业场景创新
5
让AI为你制作思维导图 —— ChatMind
6
病人还能生存多久？现在AI能给出更精准的预测
7
英特尔研发神经元AI处理器，模仿大脑功能，无需训练数据集
8
埃森哲表示人工智能有望提升各行业利润
9
DeepMind创始人Demis Hassabis专访：让AI更聪明的秘密就在人类自己身上
10
OpenAI肩负使命，宣布AI新计划