# GPU云服务器 #
1
关注
7833内容
Kotlin教程笔记(51) - 改良设计模式 - 构建者模式
本教程详细讲解Kotlin语法，适合希望深入了解Kotlin的开发者。对于快速学习Kotlin语法，推荐查看“简洁”系列教程。本文重点介绍了构建者模式在Kotlin中的应用与改良，包括如何使用具名可选参数简化复杂对象的创建过程，以及如何在初始化代码块中对参数进行约束和校验。
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务（从数据准备到训练测试部署的完整流程）
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务，包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
深度学习环境搭建笔记(二)：mmdetection-CPU安装和训练
本文是关于如何搭建深度学习环境，特别是使用mmdetection进行CPU安装和训练的详细指南。包括安装Anaconda、创建虚拟环境、安装PyTorch、mmcv-full和mmdetection，以及测试环境和训练目标检测模型的步骤。还提供了数据集准备、检查和网络训练的详细说明。
手把手教你使用YOLOV5训练自己的目标检测模型
本教程由肆十二（dejahu）撰写，详细介绍了如何使用YOLOV5训练口罩检测模型，涵盖环境配置、数据标注、模型训练、评估与使用等环节，适合大作业及毕业设计参考。提供B站视频、CSDN博客及代码资源链接，便于学习实践。
NVIDIA Triton系列13-用 FasterTransformer 和 Triton 加速大型 Transformer 模型的推理
本文介绍了 NVIDIA FasterTransformer 库及其在加速大型 Transformer 模型推理中的应用。FasterTransformer 是一个高效、可扩展的库，支持分布式多 GPU 推理，特别适合处理具有数万亿参数的模型。文章还详细讲解了如何使用 FasterTransformer 和 NVIDIA Triton 推理服务器优化 GPT-J 和 T5 模型的推理性能，包括张量并行、流水线并行等技术。
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。
NVIDIA Triton系列10-模型并发执行
NVIDIA Triton服务器支持模型并发执行，通过在单个或多个GPU上同时运行多个模型实例，提高计算资源利用率和性能。配置`instance_group`可调整每个模型的并发实例数，优化推理效率。此外，通过设置资源限制和优先级，确保在有限的计算资源下实现高效的任务调度。
轻量级网络论文精度笔记(二)：《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object ..》
YOLOv7是一种新的实时目标检测器，通过引入可训练的免费技术包和优化的网络架构，显著提高了检测精度，同时减少了参数和计算量。该研究还提出了新的模型重参数化和标签分配策略，有效提升了模型性能。实验结果显示，YOLOv7在速度和准确性上超越了其他目标检测器。
目标检测实战(四)：YOLOV4-Tiny 源码训练、测试、验证详细步骤
这篇文章详细介绍了使用YOLOv4-Tiny进行目标检测的实战步骤，包括下载源码和权重文件、配置编译环境、进行简单测试、训练VOC数据集、生成训练文件、准备训练、开始训练以及多GPU训练的步骤。文章还提供了相应的代码示例，帮助读者理解和实践YOLOv4-Tiny模型的训练和测试过程。
免费试用