开发者社区阿里云高校学研支持计划文章正文

视觉AI五天训练营教程 Day 1

2020-11-29 867

版权

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。

视觉生产(产生成新的视觉)
理解(识别、检测、分割)
分割(语义分割、实例分割)
视觉生成
视频理解关键环节：广告位检测，广告位跟踪，遮挡检测
视频内容擦除：粗定位=>精分割=>像素填充=>在线训练

文章标签：

人工智能

关键词：

AI教程

AI训练

AI训练教程

AI视觉

视觉AI

大葱沾大酱

1761360321912488

4天前

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。

1761360321912488

29 2 2

1761360321912488

4天前

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。

1761360321912488

18 4 4

1761360321912488

3天前

人工智能 PyTorch 算法框架/工具

AI计算机视觉笔记二十二：基于 LeNet5 的手写数字识别及训练

本文介绍了使用PyTorch复现LeNet5模型并检测手写数字的过程。通过搭建PyTorch环境、安装相关库和下载MNIST数据集，实现了模型训练与测试。训练过程涉及创建虚拟环境、安装PyTorch及依赖库、准备数据集，并编写训练代码。最终模型在测试集上的准确率达到0.986，满足预期要求。此项目为后续在RK3568平台上部署模型奠定了基础。

1761360321912488

19 4 4

1761360321912488

4天前

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。

1761360321912488

18 3 3

1761360321912488

4天前

存储人工智能数据可视化

AI计算机视觉笔记二十一：PaddleOCR训练自定义数据集

在完成PaddleOCR环境搭建与测试后，本文档详细介绍如何训练自定义的车牌检测模型。首先，在`PaddleOCR`目录下创建`train_data`文件夹存放数据集，并下载并解压缩车牌数据集。接着，复制并修改配置文件`ch_det_mv3_db_v2.0.yml`以适应训练需求，包括设置模型存储目录、训练可视化选项及数据集路径。随后，下载预训练权重文件并放置于`pretrain_models`目录下，以便进行预测与训练。最后，通过指定命令行参数执行训练、断点续训、测试及导出推理模型等操作。

1761360321912488

15 3 3

小王老师呀

3天前

人工智能 Linux iOS开发

AI超强语音转文本SenseVoice，本地化部署教程！

【9月更文挑战第7天】以下是AI超强语音转文本工具SenseVoice的本地化部署教程：首先确保服务器或计算机满足硬件和软件要求，包括处理器性能、内存及操作系统等。接着从官网下载适合的安装包，并按操作系统进行安装。配置音频输入设备和语言模型后，启动SenseVoice并测试其语音转文本功能。最后根据实际使用情况进行优化调整，并定期更新以获取最新功能。详细步骤需参照官方文档。

小王老师呀

22 1 1

1761360321912488

3天前

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。

1761360321912488

20 2 2

1761360321912488

4天前

人工智能计算机视觉 Python

AI计算机视觉笔记十九：Swin Transformer训练

本文介绍了使用自定义数据集训练和测试目标检测模型的步骤。首先，通过安装并使用标注工具labelme准备数据集；接着修改配置文件以适应自定义类别，并调整预训练模型；然后解决训练过程中遇到的依赖冲突问题并完成模型训练；最后利用测试命令验证模型效果。文中提供了具体命令及文件修改指导。

1761360321912488

15 2 2

1761360321912488

4天前

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。

1761360321912488

13 0 0

游客nmbcre4jd7shs

2天前

机器学习/深度学习人工智能搜索推荐

AI技术在现代医疗领域的革命性应用

随着人工智能技术的飞速发展，其在医疗领域的应用也日益广泛。本文将从AI技术在医疗诊断、治疗和健康管理等方面的应用入手，探讨其如何改变传统医疗模式，提高医疗服务质量和效率。同时，我们也将关注AI技术在医疗领域面临的挑战和未来发展趋势。

游客nmbcre4jd7shs

20 3 3

视觉AI五天训练营教程 Day 1

阿里云高校学研支持计划

热门文章

最新文章

相关课程

相关电子书

相关实验场景