对于文档 P36-P49页内容。https://developer.aliyun.com/topic/download?id=130
视觉AI五天训练营 03-电子相册搭建
2020-11-29
922
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：
人脸、表情识别。
目录
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。
356
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。
111
4
4
|
13天前
|
机器学习/深度学习
人工智能
算法
AI赋能大学计划·大模型技术与应用实战学生训练营——吉林大学站圆满结营
10月30日，由中国软件行业校园招聘与实习公共服务平台携手魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行AIGC项目实战营·吉林大学站圆满结营。
39
0
0
|
1月前
|
机器学习/深度学习
人工智能
算法
使用 NVIDIA TAO Toolkit 5.0 体验最新的视觉 AI 模型开发工作流程
NVIDIA TAO Toolkit 5.0 提供低代码框架，支持从新手到专家级别的用户快速开发视觉AI模型。新版本引入了开源架构、基于Transformer的预训练模型、AI辅助数据标注等功能，显著提升了模型开发效率和精度。TAO Toolkit 5.0 还支持多平台部署，包括GPU、CPU、MCU等，简化了模型训练和优化流程，适用于广泛的AI应用场景。
53
0
0
|
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。
171
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。
45
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。
70
3
3
|
2月前
|
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。
171
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。
74
2
2
|
2月前
|
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。
63
2
2
热门文章
最新文章
1
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
2
这 12 个基于 AI 的 VSCode “杀手级” 生产力插件，了解一下？（一）
3
领英AI人才图谱：全球 190 万 AI 人才，中国只有5万
4
『GitHub项目圈选周刊01』一款构建AI数字人项目开源了！自动实现音视频同步！
5
高管访谈：AI 驱动的新兴金融市场改革，还有这三项障碍
6
斯坦福大学发布吴恩达团队最新成果：利用 AI 帮助检测脑动脉瘤
7
【机器学习】人力资源管理的新篇章：AI驱动的高效与智能化
8
那些加入抗击新冠病毒大军的AI组织和公司
9
AI 黑客会大规模进军网络安全领域吗？为时尚早，因为太贵了
10
「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
1
语雀+通义千问+DataWorks，让AI定期推送每周总结
273
2
打造专业高效的AI客服：从基础准备到深度训练的全面指南
1471
3
动手实践：从零开始训练AI模型的全面指南
2750
4
智能引领未来：精准选择与高效利用AI技术的实战指南
292
5
探索软件测试的未来：AI与自动化的融合之路
65
6
采用Visual Studio版本的AI编程助手
115
7
苹果手机iOS18最新升级：植入AI人工智能，国内百度文心一言，国外GPT4o来辅助
209
8
[AI CrewAI] 你来当老板，组建AI团队，协作AI Agent完成任务
117
9
AI 助力，歌词创作不再是难题
172
10
客户在哪儿AI分享全方位锁定客户“追着打”的有效方法
65