暂时未能进入学习
后续更新
AI视觉训练
2020-09-27
678
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：
车辆保险应用
目录
相关文章
|
5天前
|
人工智能
UED
VersaGen：生成式 AI 代理，基于 Stable Diffusion 生成图像，专注于控制一至多个视觉主体等生成细节
VersaGen 是一款生成式 AI 代理，专注于文本到图像合成中的视觉控制能力，支持多种视觉控制类型，并通过优化策略提升图像生成质量和用户体验。
23
8
8
|
4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。
685
2
2
|
17天前
|
存储
人工智能
安全
|
29天前
|
机器学习/深度学习
存储
人工智能
【AI系统】感知量化训练 QAT
本文介绍感知量化训练（QAT）流程，旨在减少神经网络从FP32量化至INT8时的精度损失。通过在模型中插入伪量化节点（FakeQuant）模拟量化误差，并在训练中最小化这些误差，使模型适应量化环境。文章还探讨了伪量化节点的作用、正向与反向传播处理、TensorRT中的QAT模型高效推理，以及QAT与PTQ的对比，提供了实践技巧，如从良好校准的PTQ模型开始、采用余弦退火学习率计划等。
78
2
2
|
29天前
|
机器学习/深度学习
存储
人工智能
【AI系统】训练后量化与部署
本文详细介绍了训练后量化技术，涵盖动态和静态量化方法，旨在将模型权重和激活从浮点数转换为整数，以优化模型大小和推理速度。通过KL散度等校准方法和量化粒度控制，文章探讨了如何平衡模型精度与性能，同时提供了端侧量化推理部署的具体实现步骤和技术技巧。
44
1
1
|
8天前
|
人工智能
智能硬件
SPAR：智谱 AI 推出自我博弈训练框架，基于生成者和完善者两个角色的互动，提升了执行准确度和自我完善能力
SPAR 是智谱团队推出的自我博弈训练框架，旨在提升大型语言模型在指令遵循方面的能力，通过生成者和完善者的互动以及树搜索技术优化模型响应。
21
0
0
|
11天前
|
人工智能
API
数据库
Browser Use：开源 AI 浏览器助手，自动完成网页交互任务，支持多标签页管理、视觉识别和内容提取等功能
Browser Use 是一款专为大语言模型设计的智能浏览器工具，支持多标签页管理、视觉识别、内容提取等功能，并能记录和重复执行特定动作，适用于多种应用场景。
154
0
0
|
28天前
|
人工智能
PyTorch
测试技术
【AI系统】并行训练基本介绍
分布式训练通过将任务分配至多个节点，显著提升模型训练效率与精度。本文聚焦PyTorch2.0中的分布式训练技术，涵盖数据并行、模型并行及混合并行等策略，以及DDP、RPC等核心组件的应用，旨在帮助开发者针对不同场景选择最合适的训练方式，实现高效的大模型训练。
62
8
9
|
14天前
|
机器学习/深度学习
人工智能
安全
合合信息亮相CSIG AI可信论坛，全面拆解视觉内容安全的“终极防线”！
合合信息在CSIG AI可信论坛上，全面拆解了视觉内容安全的“终极防线”。面对AI伪造泛滥的问题，如Deepfake换脸、PS篡改等，合合信息展示了其前沿技术，包括通用PS检测系统和AIGC与换脸检测系统，有效应对视觉内容安全挑战。公司在国际赛事中屡获殊荣，并联合多方发布《文本图像篡改检测系统技术要求》，推动行业标准化发展。通过技术创新，合合信息为金融、政企等领域提供可靠保障，守护社会信任，引领视觉内容安全新方向。
30
0
0
|
2月前
|
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。
51
0
0
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
2788
2
生成式AI入门必读：基本概念、数据挑战与解决方案
3383
3
夏日主题 AI创造挑战活动来了！
584
4
[译][AI OpenAI-doc] 延迟优化
109
5
新一代数据库技术：融合AI的智能数据管理系统
339
6
AI回答总不满意？你的提问方式可能完全错误！
436
7
AI工具-标注工具labelme
394
8
[译][AI OpenAI-doc] 安全最佳实践
108
9
构建高效AI系统：深度学习优化技术解析
633
10
构建未来：AI在持续学习系统中的创新应用
119