传不同的照片看到不同的效果。
表情和场景
获取分类和标签
这样光看不做有点容易忘记
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
436
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：
视觉AI五天训练营教程 Day 3 - 电子相册搭建（人脸、表情识别）
相关文章
|
2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。
290
2
2
|
1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。
97
4
4
|
2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。
156
4
4
|
2月前
|
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。
41
4
4
|
2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。
68
3
3
|
2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。
65
2
2
|
2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。
57
0
0
|
人工智能
前端开发
JavaScript
|
人工智能
前端开发
算法
|
人工智能
JavaScript
算法
热门文章
最新文章
1
未来已来！阿里小蜜AI技术揭秘
2
阿里AI上岗双11服装车间，能识别头发丝直径十分之一的瑕疵
3
IDEA完全免费AI辅助编程插件BITO-GPT4安装及中文国产化设置
4
魔搭中文开源模型社区：模型即服务-视觉AI能力的开放现状及ModelScope实战
5
科学家正让AI自己做实验，想要机器摆脱人类的直觉
6
谷歌推出AI写作助手Wordcraft，仅需少量样本学习和对话就能对文章进行续写改写（下）
7
只要做出角色3D模型，AI就能让它动起来！再也不怕3D动画拖更了丨SIGGRAPH 2020
8
「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
9
高管访谈：AI 驱动的新兴金融市场改革，还有这三项障碍
10
那些加入抗击新冠病毒大军的AI组织和公司