AI [11]
【重读经典】YOLO的进化之路（下）
YOLOv9 和 YOLOv4/v7 一脉相承的作品，但是 Anchor-Free。 PGI 可编程梯度信息 全称 Programmable Gradient Information，这是一个辅助监督框架，目的是解决深度网络逐层传播的信息损失问题。 PGI 包含 3 个主要组件：主分支，辅助可逆分支
【重读经典】YOLO的进化之路（中）
没想到 YOLOv1 到 YOLOv4 就已经写了快 20000 字…… 编辑页面卡的不行，我不得不分几篇写完。YOLOv1 到 YOLO 26一共 12 篇，正好分上中下三篇。 YOLOv5 重量级来了，Ultralytics 闪亮登场了。第一个没有论文的 YOLO 正式版本，但它成为了工业界的事
【重读经典】YOLO的进化之路（上）
自 2016 年 YOLOv1 发布至今的十年里，YOLO 的核心版本已一路演进到了 v26——不过这其中包含了一次版本大跳跃：官方为了统一命名规范，直接跳过了 v13 到 v25。 回想起我使用 YOLO 的历程：从只会用官方的 COCO 数据集训练，到使用 MMLab 的各种训练框架，再到自己修
【重读经典】极坐标BEV方法
极坐标BEV的表示方法：在BEV空间按照角度和半径两个维度进行划分，而非笛卡尔坐标系下的均匀矩形网格。自车近处高分辨率，远处低分辨率，契合相机近大远小的成像特点。 核心优势 非均匀网格划分&分辨率优化 极坐标BEV以ego为中心，角度方向采用固定步长划分，径向长尾分布不均匀划分。 角度划分：θ ∈
nuscenes-devkit的使用
nuScenes数据集说明 - FunnyWii's Zone 一文了解nuScenes数据集的结构。 我们使用nuscenes-devkit进一步学习数据集的使用。 安装非常简单，建议python版本3.12和3.9。 pip install nuscenes-devkit devkit使用 仍以
nuScenes数据集说明
nuScenes数据集包含6个Camera，1个LiDAR，5个Radar，1个GPS以及IMU。 数据量比KITTI大得多，所以目前Occ Networks更多使用nuScenes数据集。 数据集分成两大块：Full和Mini。 Full Dataset包含140万Camera图像，39万LiDA
Ubuntu22部署FlashOcc踩坑实录
环境配置 conda create --name FlashOcc python=3.8.5
conda activate FlashOcc
pip install torch==1.10.0+cu111 torchvision==0.11.0+cu111 torchaudio==0.10.0 -f
Ubuntu22.04部署Wan2.2
系统环境 系统：Ubuntu 22.04 显卡：RTX5880 48G 内存：64G PyTorch：2.4.0+ 模型说明 阿里巴巴旗下Wan团队开源的。 包括以下核心模型：
深度学习 - 网络的优化 Optimisation for Training Deep Networks
深度学习问题需要一个损失函数，我们的目标就是通过优化算法来最小化损失，即最小化目标（损失）函数。 需要注意的是，优化和深度学习的本质目标有差异：优化关注的是最小（最大）化目标函数，深度学习更关注模型的泛化能力。比如说，训练阶段的目标是最小化训练误差，但深度学习真正关心的是减小泛化误差，也就是推理阶段
多传感器融合——后融合
多传感器融合的方案可以分成前融合（Early Fusion）方案和后融合（Late Fusion）方案。 前融合也叫特征级融合，不同传感器的数据会在特征级别进行合并，也就是说，不同模态的数据经过处理和合并后会得到一个特征集合。一般来说，每个模态数据的特征会被分别提取，然后被提取到的特征会被合并为一个
Windows11 4070Ti部署Deepseek
本来以为难度颇高，没想到还挺简单... 需要的软件就两个： ollama Chatbox AI 模型的部署 进入两个软件的官网并下载 Windows 版本，下载完成后安装。 使用 Win+R 呼出 Windows 的终端，然后进入 ollama 的模型页面，选择你需要使用的模型分支，B 前的数字越大