- 初识ComfyUI
ComfyUI 是GUI的一种，是基于节点工作的用户界面，主要用于操作图像的生成技术，ComfyUI 的特别之处在于它采用了一种模块化的设计，把图像生成的过程分解成了许多小的步骤，每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程，这样用户就可以根据需要定制自己的图像生成过程。其图片生成流程如下图
- 20分钟速通安装ComfyUI
教程链接：https://linklearner.com/activity/14/10/37 - 浅尝ComfyUI工作流
执行流程的教程示例：
3.1. 这里的Lora是我们Task1微调训练出来的文件
3.2. 地址是：/mnt/workspace/models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt
Datawhale X 魔搭 AI夏令营task 3笔记
2024-08-16
53
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：
Datawhale X 魔搭 AI夏令营task 3笔记
相关文章
|
3月前
|
人工智能
测试技术
API
AI计算机视觉笔记二十 九：yolov10竹签模型，自动数竹签
本文介绍了如何在AutoDL平台上搭建YOLOv10环境并进行竹签检测与计数。首先从官网下载YOLOv10源码并创建虚拟环境，安装依赖库。接着通过官方模型测试环境是否正常工作。然后下载自定义数据集并配置`mycoco128.yaml`文件，使用`yolo detect train`命令或Python代码进行训练。最后，通过命令行或API调用测试训练结果，并展示竹签计数功能。如需转载，请注明原文出处。
227
4
4
|
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。
638
2
2
|
4天前
|
人工智能
自然语言处理
搜索推荐
Open Notebook：开源 AI 笔记工具，支持多种文件格式，自动转播客和生成总结，集成搜索引擎等功能
Open Notebook 是一款开源的 AI 笔记工具，支持多格式笔记管理，并能自动将笔记转换为博客或播客，适用于学术研究、教育、企业知识管理等多个场景。
53
0
0
|
3月前
|
人工智能
物联网
开发者
|
3月前
|
机器学习/深度学习
人工智能
PyTorch
AI计算机视觉笔记三十二：LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架，适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割，采用端到端的轻量化设计，结合了squeezenet和inception的思想。其创新点在于去除了RNN，仅使用CNN与CTC Loss，并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖，执行训练和测试脚本时可能遇到若干错误，需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率，自行训练时建议增加训练轮数以提升效果。
314
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。
287
4
4
|
3月前
|
传感器
人工智能
算法
AI计算机视觉笔记二十七：YOLOV8实现目标追踪
本文介绍了使用YOLOv8实现人员检测与追踪的方法。通过为每个人员分配唯一ID，实现持续追踪，并可统计人数，适用于小区或办公楼出入管理。首先解释了目标检测与追踪的区别，接着详细描述了使用匈牙利算法和卡尔曼滤波实现目标关联的过程。文章提供了基于IOU实现追踪的具体步骤，包括环境搭建、模型加载及追踪逻辑实现。通过示例代码展示了如何使用YOLOv8进行实时视频处理，并实现人员追踪功能。测试结果显示，该方法在实际场景中具有较好的应用潜力。
324
4
4
|
3月前
|
人工智能
并行计算
测试技术
AI计算机视觉笔记三十一：基于UNetMultiLane的多车道线等识别
该项目基于开源数据集 VIL100 实现了 UNetMultiLane，用于多车道线及车道线类型的识别。数据集中标注了六个车道的车道线及其类型。项目详细记录了从环境搭建到模型训练与测试的全过程，并提供了在 CPU 上进行训练和 ONNX 转换的代码示例。训练过程约需 4 小时完成 50 个 epoch。此外，还实现了视频检测功能，可在视频中实时识别车道线及其类型。
100
3
3
|
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。
139
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。
97
2
2
热门文章
最新文章
1
一个模型走天下！智源提出全新扩散架构OmniGen，AI生图进入一键生成时代
2
预告 | 阿里云邀您参加2024中国生成式AI大会上海站，马上报名
3
通义千问开源的QwQ模型，一个会思考的AI，百炼邀您第一时间体验
4
12月更文特别场——寻找用云高手，分享云&AI实践
5
底层技术大揭秘！AI智能导购如何重塑购物体验
6
OpenAI 12天发布会全解析 | AI大咖说
7
加速数据处理与AI开发的利器：阿里云MaxFrame实验评测
8
教你自创工作流，赋予AI助理个性化推荐超能力
9
限时优惠体验！DataWorks数据治理中心全新升级为数据资产治理
10
阿里云百炼又获大奖！阿里云百炼入选 2024 最受开发者欢迎的 AI 应用开发平台榜15强
1
Fireworks AI和MongoDB：依托您的数据，借助优质模型，助力您开发高速AI应用
2785
2
生成式AI入门必读：基本概念、数据挑战与解决方案
3359
3
夏日主题 AI创造挑战活动来了！
580
4
[译][AI OpenAI-doc] 延迟优化
101
5
新一代数据库技术：融合AI的智能数据管理系统
336
6
AI回答总不满意？你的提问方式可能完全错误！
423
7
AI工具-标注工具labelme
389
8
[译][AI OpenAI-doc] 安全最佳实践
106
9
构建高效AI系统：深度学习优化技术解析
626
10
构建未来：AI在持续学习系统中的创新应用
118