基于YOLO的植物病害识别系统:从训练到部署全攻略
基于深度学习的植物叶片病害识别系统(UI界面+YOLOv8/v7/v6/v5代码+训练数据集)
1. 引言
在农业生产中,植物叶片病害是影响作物产量和质量的主要因素之一。传统的病害检测方法依赖于人工识别,效率低且易受主观因素影响。随着深度学习技术的发展,基于计算机视觉的植物叶片病害自动识别系统得到了广泛关注和应用。本教程旨在通过构建一个基于YOLO模型的植物叶片病害识别系统,帮助读者掌握相关技术,实现从数据准备、模型训练到部署的全过程。
2. 项目准备
必备环境与工具
- Python:项目开发的主要编程语言
- Anaconda:Python数据科学平台,便于环境管理和包管理
- YOLO (You Only Look Once):目标检测模型,选择v8/v7/v6/v5版本
- OpenCV:计算机视觉库
- Flask/Django:用于搭建UI界面的Web框架
安装与配置步骤
-
安装Python与Anaconda
从Python官网下载安装Python:https://www.python.org/downloads/
从Anaconda官网下载安装Anaconda:https://www.anaconda.com/products/distribution
-
配置YOLO环境
安装YOLO依赖:
pip install torch torchvision torchaudio pip install -U git+https://github.com/ultralytics/yolov5
3. 数据集准备
数据集简介
使用Kaggle上的植物叶片病害数据集,包含多种植物叶片的病害图像和标注。
数据集下载链接:https://www.kaggle.com/datasets
数据预处理
-
数据增强与标注
使用LabelImg进行图像标注:https://github.com/tzutalin/labelImg
安装LabelImg:
pip install labelImg
运行LabelImg进行图像标注:
labelImg
-
数据集划分
将数据集划分为训练集、验证集和测试集:
import os import shutil import randomdef split_dataset(source_dir, train_dir, val_dir, test_dir, train_ratio=0.7, val_ratio=0.2):all_files = os.listdir(source_dir)random.shuffle(all_files)train_count = int(len(all_files) * train_ratio)val_count = int(len(all_files) * val_ratio)for i, file in enumerate(all_files):if i < train_count:shutil.move(os.path.join(source_dir, file), train_dir)elif i < train_count + val_count:shutil.move(os.path.join(source_dir, file), val_dir)else:shutil.move(os.path.join(source_dir, file), test_dir)split_dataset('data/source', 'data/train', 'data/val', 'data/test')
4. 模型训练
YOLO模型简介
YOLO (You Only Look Once) 是一种快速准确的目标检测模型。YOLOv8/v7/v6/v5 是不同版本的YOLO模型,性能和速度有所不同。
配置与训练
-
配置文件的修改
修改YOLO配置文件:
# example.yaml train: data/train val: data/val nc: 5 # number of classes names: ['class1', 'class2', 'class3', 'class4', 'class5']
-
超参数调整
在配置文件中调整超参数,如batch size、learning rate等。
-
训练模型的步骤
使用以下命令训练模型:
python train.py --img 640 --batch 16 --epochs 50 --data example.yaml --cfg yolov5s.yaml --weights yolov5s.pt
训练过程中的常见问题与解决
- 内存不足:减少batch size
- 训练速度慢:使用GPU加速,确保CUDA正确安装
5. 模型评估与优化
模型评估指标
- 准确率 (Accuracy)
- 召回率 (Recall)
- F1分数 (F1 Score)
from sklearn.metrics import accuracy_score, recall_score, f1_scorey_true = [...] # true labels
y_pred = [...] # predicted labelsaccuracy = accuracy_score(y_true, y_pred)
recall = recall_score(y_true, y_pred, average='macro')
f1 = f1_score(y_true, y_pred, average='macro')print(f"Accuracy: {accuracy}, Recall: {recall}, F1 Score: {f1}")
模型优化策略
- 数据增强:使用更多的数据增强技术,如旋转、缩放、裁剪等
- 超参数调优:通过网格搜索或贝叶斯优化找到最佳超参数
- 使用迁移学习:使用预训练模型进行微调
6. 模型部署
Flask/Django搭建UI界面
-
项目结构介绍
plant_disease_detection/ ├── app.py ├── templates/ │ ├── index.html │ └── result.html ├── static/ │ └── styles.css └── models/└── yolov5s.pt
-
创建基础的网页模板
-
index.html
<!DOCTYPE html> <html lang="en"> <head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale=1.0"><title>Plant Disease Detection</title><link rel="stylesheet" href="{{ url_for('static', filename='styles.css') }}"> </head> <body><h1>Plant Disease Detection</h1><form action="/predict" method="post" enctype="multipart/form-data"><input type="file" name="file"><button type="submit">Upload</button></form> </body> </html>
-
result.html
<!DOCTYPE html> <html lang="en"> <head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale=1.0"><title>Result</title><link rel="stylesheet" href="{{ url_for('static', filename='styles.css') }}"> </head> <body><h1>Detection Result</h1><img src="{{ url_for('static', filename='uploads/' + filename) }}" alt="Uploaded Image"><p>{{ result }}</p> </body> </html>
-
后端集成
-
接口设计与实现
- app.py
from flask import Flask, request, render_template, url_for import os from werkzeug.utils import secure_filename import torch from PIL import Imageapp = Flask(__name__) app.config['UPLOAD_FOLDER'] = 'static/uploads/'model = torch.hub.load('ultralytics/yolov5', 'custom', path='models/yolov5s.pt')@app.route('/') def index():return render_template('index.html')@app.route('/predict', methods=['POST']) def predict():if 'file' not in request.files:return 'No file part'file = request.files['file']if file.filename == '':return 'No selected file'if file:filename = secure_filename(file.filename)filepath = os.path.join(app.config['UPLOAD_FOLDER'], filename)file.save(filepath)img = Image.open(filepath)results = model(img)results.save(save_dir=app.config['UPLOAD_FOLDER'])return render_template('result.html', filename=filename, result=results.pandas().xyxy[0].to_json(orient="records"))if __name__ == '__main__':app.run(debug=True)
- app.py
部署模型到服务器
-
使用Gunicorn或其他部署工具
pip install gunicorn gunicorn -w 4 app:app
-
部署到云服务器
以AWS为例,创建EC2实例,配置安全组,上传项目文件,并使用Gunicorn运行应用。
7. 系统测试与演示
本地测试
-
测试用例设计
设计多种病害图像测试系统的准确性。
-
测试结果分析
记录测试结果,分析模型的准确性和误差。
在线演示
-
系统演示视频
使用录屏软件录制系统的操作流程。
-
在线测试链接
部署到云服务器后,提供在线测试链接供用户体验。
8. 总结与展望
项目总结
-
项目成果回顾
本项目成功实现了基于YOLO的植物叶片病害识别系统,从数据准备、模型训练到部署的完整流程。
-
实践中的收获与心得
通过本项目,读者能够掌握深度学习项目的完整开发流程,了解YOLO模型的应用和优化方法。
未来工作展望
-
系统优化方向
进一步优化模型,提高检测准确性,减少误报和漏报。
-
更多应用场景探讨
将该技术应用于更多的农作物病害检测,以及其他领域的目标检测任务。
9. 声明
声明:本文只是简单的项目思路,如有部署的想法,想要(UI界面+YOLOv8/v7/v6/v5代码+训练数据集+视频教学)的可以联系作者.
相关文章:
![](https://www.ngui.cc/images/no-images.jpg)
基于YOLO的植物病害识别系统:从训练到部署全攻略
基于深度学习的植物叶片病害识别系统(UI界面YOLOv8/v7/v6/v5代码训练数据集) 1. 引言 在农业生产中,植物叶片病害是影响作物产量和质量的主要因素之一。传统的病害检测方法依赖于人工识别,效率低且易受主观因素影响。随着深度学…...
![](https://i-blog.csdnimg.cn/direct/2d6d425aa6fc440b9a5ad39e04c8cd76.png)
数据库开发:MySQL基础(二)
MySQL基础(二) 一、表的关联关系 在关系型数据库中,表之间可以通过关联关系进行连接和查询。关联关系是指两个或多个表之间的关系,通过共享相同的列或键来建立连接。常见的关联关系有三种类型:一对多关系,…...
![](https://i-blog.csdnimg.cn/direct/492c5dbffd6a40368735bf6da4e2503a.gif#pic_center)
实现物理数据库迁移到云上
实现物理数据库迁移到云上 以下是一个PHP脚本,用于实现物理数据库迁移到云上的步骤: <?php// 评估和规划 $databaseSize "100GB"; $performanceRequirements "high"; $dataComplexity "medium";$cloudProvider &…...
![](https://i-blog.csdnimg.cn/direct/07166f3b7a634dbc9aa7ea18b5fc1841.png)
[Spring] MyBatis操作数据库(进阶)
🌸个人主页:https://blog.csdn.net/2301_80050796?spm1000.2115.3001.5343 🏵️热门专栏: 🧊 Java基本语法(97平均质量分)https://blog.csdn.net/2301_80050796/category_12615970.html?spm1001.2014.3001.5482 🍕 Collection与…...
![](https://i-blog.csdnimg.cn/direct/9081a151bf1943aebdbe6ced9ea727d3.png#pic_center)
【Websim.ai】一句话让AI帮你生成一个网页
【Websim.ai】一句话让AI帮你生成一个网页 网站链接 websim.ai 简介 websim.ai接入了Claude Sonnet 3.5,GPT-4o等常用的LLM,只需要在websim.ai的官网指令栏中编写相关指令,有点类似大模型的Prompt,指令的好坏决定了网页生成的…...
![](https://i-blog.csdnimg.cn/direct/3f867f433fc54b7b98baf9fff5b3ee21.png)
云计算实训16——关于web,http协议,https协议,apache,nginx的学习与认知
一、web基本概念和常识 1.Web Web 服务是动态的、可交互的、跨平台的和图形化的为⽤户提供的⼀种在互联⽹上浏览信息的服务。 2.web服务器(web server) 也称HTTP服务器(HTTP server),主要有 Nginx、Apache、Tomcat 等。…...
![](https://img-blog.csdnimg.cn/img_convert/c26b74fbda86b2b8a742008f1e0eff18.jpeg)
2024年必备技能:小红书笔记评论自动采集,零基础也能学会的方法
摘要: 面对信息爆炸的2024年,小红书作为热门社交平台,其笔记评论成为市场洞察的金矿。本文将手把手教你,即便编程零基础,也能轻松学会利用Python自动化采集小红书笔记评论,解锁营销新策略,提升…...
![](https://i-blog.csdnimg.cn/direct/1fe9986f0d8f4c92a27707573ace6fd5.png)
【Gitlab】SSH配置和克隆仓库
生成SSH Key ssh-keygen -t rsa -b 4096 私钥文件: id_rsa 公钥文件:id_rsa.pub 复制生成的ssh公钥到此处 克隆仓库 git clone repo-address 需要进行推送和同步来更新本地和服务器的文件 推送更新内容 git push <remote><branch> 拉取更新内容 git pull &…...
![](https://www.ngui.cc/images/no-images.jpg)
[Day 35] 區塊鏈與人工智能的聯動應用:理論、技術與實踐
區塊鏈的分布式存儲技術 區塊鏈技術自2008年比特幣白皮書發表以來,已經成為一種革命性的技術,帶來了許多創新。區塊鏈本質上是一個去中心化的分布式賬本,每個節點都持有賬本的副本,並參與記錄和驗證交易。分布式存儲是區塊鏈的重…...
![](https://img-blog.csdnimg.cn/img_convert/1a506dcbbf61b53eab77f6f74aaf5181.jpeg)
Vue 3 中使用 inMap.js 实现蜂窝热力图的可视化
本文由ScriptEcho平台提供技术支持 项目地址:传送门 Vue 3 中使用 inMap.js 实现蜂窝热力图的可视化 应用场景介绍 蜂窝热力图是一种可视化技术,用于在地图上显示数据的分布情况。它将数据点划分为六边形单元格,并根据单元格内数据的密度…...
![](https://i-blog.csdnimg.cn/direct/d73d841ffbcf47a79c8ebabf07b0297b.png)
nginx隐藏server及版本号
1、背景 为了提高nginx服务器的安全性,降低被攻击的风险,需要隐藏nginx的server和版本号。 2、隐藏nginx版本号 在 http {—}里加上 server_tokens off; 如: http {……省略sendfile on;tcp_nopush on;keepalive_timeout 60;tcp_nodelay o…...
![](https://www.ngui.cc/images/no-images.jpg)
Oracle DBMS_XPLAN包
DBMS_XPLAN 包的解释和关键点 DBMS_XPLAN 包是 Oracle 数据库中一个重要的工具,它允许数据库管理员和开发人员以各种方式显示 SQL 语句的执行计划,这对于 SQL 优化和性能诊断至关重要。以下是主要函数及其描述: 用于显示执行计划的主要函数…...
![](https://www.ngui.cc/images/no-images.jpg)
【ffmpeg命令入门】分离音视频流
文章目录 前言音视频交错存储概念为什么要进行音视频交错存储:为什么要分离音视频流: 去除音频去除视频 总结 前言 FFmpeg 是一款强大的多媒体处理工具,广泛应用于音视频的录制、转换和流媒体处理等领域。它支持几乎所有的音频和视频格式&am…...
![](https://img-blog.csdnimg.cn/img_convert/82aa1e5365f331f2edf02272a2df3aac.jpeg)
小红书笔记评论采集全攻略:三种高效方法教你批量导出
摘要: 本文将深入探讨如何利用Python高效采集小红书平台上的笔记评论,通过三种实战策略,手把手教你实现批量数据导出。无论是市场分析、竞品监测还是用户反馈收集,这些技巧都将为你解锁新效率。 一、引言:小红书数据…...
![](https://img-blog.csdnimg.cn/img_convert/379145157e3011f769ef8daf4dc6440c.jpeg)
实战:ZooKeeper 操作命令和集群部署
ZooKeeper 操作命令 ZooKeeper的操作命令主要用于对ZooKeeper服务中的节点进行创建、查看、修改和删除等操作。以下是一些常用的ZooKeeper操作命令及其说明: 一、启动与连接 启动ZooKeeper服务器: ./zkServer.sh start这个命令用于启动ZooKeeper服务器…...
![](https://www.ngui.cc/images/no-images.jpg)
linux运维一天一个shell命令之 top详解
概念: top 命令是 Unix 和类 Unix 操作系统(如 Linux、macOS)中一个常用的系统监控工具,它提供了一个动态的实时视图,显示系统的整体性能信息,如 CPU 使用率、内存使用情况、进程列表等。 基本用法 root…...
![](https://img-blog.csdnimg.cn/img_convert/2b645d6ea58496a7d5053097e9b866da.png)
大模型微调:参数高效微调(PEFT)方法总结
PEFT (Parameter-Efficient Fine-Tuning) 参数高效微调是一种针对大模型微调的技术,旨在减少微调过程中需要调整的参数量,同时保持或提高模型的性能。 以LORA、Adapter Tuning 和 Prompt Tuning 为主的PEFT方法总结如下 LORA 论文题目:LORA:…...
![](https://i-blog.csdnimg.cn/direct/1336459c28aa4812be0ddda13eb38cd5.png)
Spark+实例解读
第一部分 Spark入门 学习教程:Spark 教程 | Spark 教程 Spark 集成了许多大数据工具,例如 Spark 可以处理任何 Hadoop 数据源,也能在 Hadoop 集群上执行。大数据业内有个共识认为,Spark 只是Hadoop MapReduce 的扩展(…...
![](https://i-blog.csdnimg.cn/direct/ef53e5309dce474e9c64162c2bbe1568.png)
WPF多语言国际化,中英文切换
通过切换资源文件的形式实现中英文一键切换 在项目中新建Language文件夹,添加资源字典(xaml文件),中文英文各一个。 在资源字典中写上想中英文切换的字符串,需要注意,必须指定key值,并且中英文…...
![](https://i-blog.csdnimg.cn/direct/8ef41ff3f5f44091ac7930748b44883c.png)
Halcon深度学习分类模型
1.Halcon20之后深度学习支持CPU训练模型,没有money买显卡的小伙伴有福了。但是缺点也很明显,就是训练速度超级慢,推理效果也没有GPU好,不过学习用足够。 2.分类模型是Halcon深度学习最简单的模型,可以用在物品分类&…...
![](https://img-blog.csdnimg.cn/img_convert/5b984b4393d2878f1b0e5c5aa62b15f1.jpeg)
洗地机哪种牌子好?洗地机排行榜前十名公布
洗地机市场上品牌琳琅满目,每个品牌都有其独特的魅力和优势。消费者在选择时,往往会根据自己的实际需求、预算以及对产品性能的期望来做出决策。因此,无论是哪个品牌的洗地机,只要能够满足用户的清洁需求,提供便捷的操…...
![](https://www.ngui.cc/images/no-images.jpg)
C++中的虚函数与多态机制如何工作?
在C中,虚函数和多态机制是实现面向对象编程的重要概念。 虚函数是在基类中声明的函数,可以在派生类中进行重写。当基类的指针或引用指向派生类的对象时,通过调用虚函数可以实现动态绑定,即在运行时确定要调用的函数。 多态是指通…...
![](https://i-blog.csdnimg.cn/direct/16730c670acb42da9731d790e95321e1.png)
《LeetCode热题100》---<哈希三道>
本篇博客讲解 LeetCode热题100道中的哈希篇中的三道题。分别是 1.第一道:两数之和(简单) 2.第二道:字母异位词分组(中等) 3.第三道:最长连续序列(中等) 第一道࿱…...
![](https://i-blog.csdnimg.cn/direct/1033b305c6834d268171e572800c1a59.png)
秒懂C++之string类(下)
目录 一.接口说明 1.1 erase 1.2 replace(最好别用) 1.3 find 1.4 substr 1.5 rfind 1.6 find_first_of 1.7 find_last_of 二.string类的模拟实现 2.1 构造 2.2 无参构造 2.3 析构 2.4.【】运算符 2.5 迭代器 2.6 打印 2.7 reserve扩容 …...
![](https://i-blog.csdnimg.cn/direct/0768bbad67f547feb0b828b7aae0a347.png)
github简单地操作
1.调节字体大小 选择options 选择text 选择select 选择你需要的参数就可以了。 2.配置用户名和邮箱 桌面右键,选择git Bash Here git config --global user.name 用户名 git config --global user.email 邮箱名 3.用git实现代码管理的过程 下载别人的项目 git …...
![](https://i-blog.csdnimg.cn/direct/d8715bfb1b5345ae890d83b15ed13593.png)
模型改进-损失函数合集
模版 第一步在哪些地方做出修改: 228行 self.use_wiseiouTrue 230行 self.wiou_loss WiseIouLoss(ltypeMPDIoU, monotonousFalse, inner_iouTrue, focaler_iouFalse) 238行 wiou self.wiou_loss(pred_bboxes[fg_mask], target_bboxes[fg_mask], ret_iouFalse…...
![](https://i-blog.csdnimg.cn/direct/2cfb946d205e4c029cd318b45f5c95f4.png)
C++模板(初阶)
1.引入 在之前的笔记中有提到:函数重载(特别是交换函数(Swap)的实现) void Swap(int& left, int& right) {int temp left;left right;right temp; } void Swap(double& left, double& right) {do…...
![](https://www.ngui.cc/images/no-images.jpg)
下面关于Date类的描述错误的一项是?
下面关于Date类的描述错误的一项是? A. java.util.Date类下有三个子类:java.sql.Date、java.sql.Timestamp、java.sql.Time; B. 利用SimpleDateFormat类可以对java.util.Date类进行格式化显示; C. 直接输出Date类对象就可以取得日…...
![](https://csdnimg.cn/release/blog_editor_html/release2.3.6/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=N7T8)
【Python面试题收录】Python编程基础练习题①(数据类型+函数+文件操作)
本文所有代码打包在Gitee仓库中https://gitee.com/wx114/Python-Interview-Questions 一、数据类型 第一题(str) 请编写一个Python程序,完成以下任务: 去除字符串开头和结尾的空格。使用逗号(","&#…...
![](https://i-blog.csdnimg.cn/direct/79be4b8cb2564f1d9eb0a4db823c5279.png)
C# Nmodbus,EasyModbusTCP读写操作
Nmodbus读写 两个Button控件分别为 读取和写入 分别使用控件的点击方法 ①引用第三方《NModbus4》2.1.0版本 全局 public SerialPort port new SerialPort("COM2", 9600, Parity.None, 8, (StopBits)1); ModbusSerialMaster master; public Form1() port.Open();…...
![](https://www.ngui.cc/images/no-images.jpg)
spark常用参数调优
目录 1.set spark.grouping.sets.reference.hivetrue;2.set spark.locality.wait.rack0s3.set spark.locality.wait0s;4.set spark.executor.memoryOverhead 2G;5.set spark.sql.shuffle.partitions 1000;6.set spark.shuffle.file.buffer 256k7. set spark.reducer.maxSizeInF…...
![](https://i-blog.csdnimg.cn/direct/64c209b3ea2544d6b5b33abb09509bc7.png)
C#/WinFrom TCP通信+ 网线插拔检测+客服端异常掉线检测
Winfor Tcp通信(服务端) 今天给大家讲一下C# 关于Tcp 通信部分,这一块的教程网上一大堆,不过关于掉网,异常断开连接的这部分到是到是没有多少说明,有方法 不过基本上最多的两种方式(1.设置一个超时时间,2.…...
![](https://i-blog.csdnimg.cn/direct/a1e02df05636450c88c489225f58928a.png)
一篇文章掌握Python爬虫的80%
转载:一篇文章掌握Python爬虫的80% Python爬虫 Python 爬虫技术在数据采集和信息获取中有着广泛的应用。本文将带你掌握Python爬虫的核心知识,帮助你迅速成为一名爬虫高手。以下内容将涵盖爬虫的基本概念、常用库、核心技术和实战案例。 一、Python 爬虫…...
![](https://www.ngui.cc/images/no-images.jpg)
【用户会话信息在异步事件/线程池的传递】
用户会话信息在异步事件/线程池的传递 author:shengfq date:2024-07-29 version:1.0 背景: 同事写的一个代码功能,是在一个主线程中通过如下代码进行异步任务的执行,结果遇到了问题. 1.ThreadPool.execute(Runnable)启动一个子线程执行异步任务 2.applicationContext.publis…...
![](https://www.ngui.cc/images/no-images.jpg)
Java8: BigDecimal
Java8:BigDecimal 转两位小数的百分数-CSDN博客 BigDecimal 先做除法 然后取绝对值 在Java 8中,如果你想要对一个BigDecimal值进行除法操作,并随后取其绝对值,你可以通过组合divide方法和abs方法来实现这一目的。不过,需要注意的…...
![](https://i-blog.csdnimg.cn/direct/08583b977c6c410b80a90ad355ff9f14.jpeg)
苹果推送iOS 18.1带来Apple Intelligence预览
🦉 AI新闻 🚀 苹果推送iOS 18.1带来Apple Intelligence预览 摘要:苹果向iPhone和iPad用户推送iOS 18.1和iPadOS 18.1开发者预览版Beta更新,带来“Apple Intelligence”预览。目前仅支持M1芯片或更高版本的设备。Apple Intellige…...
![](https://img-blog.csdnimg.cn/direct/038b0ca25d6a4d15b24f9c119187bfdc.png)
testRigor-基于人工智能驱动的无代码自动化测试平台
1、testRigor介绍 简单来说,testRigor是一款基于人工智能驱动的无代码自动化测试平台,它能够通过分析应用的行为模式,智能地生成测试用例,并自动执行这些测试,无需人工编写测试脚本。可以用于Web、移动、API和本机桌面…...
![](https://i-blog.csdnimg.cn/direct/83bcd3c9de3341fdbe0896078820b998.png)
hadoop学习(一)
一.hadoop概述 1.1hadoop优势 1)高可靠性:Hadoop底层维护多个数据副本,即使Hadoop某个计算元素或存储出现故障,也不会导致数据的丢失。 2)高扩展性:在集群间分配任务数据,可方便扩展数以千计…...
![](https://i-blog.csdnimg.cn/direct/c5add3bee97344ecae71960de162d9af.png)
Linux性能监控:sar的可视化方案
在当今的IT环境中,系统性能监控是确保应用程序稳定运行和快速响应问题的关键。Linux作为一种广泛使用的操作系统,拥有多种性能监控工具,其中sar(System Activity Reporter)因其全面性和灵活性被广泛采用。然而…...
![](https://img-blog.csdnimg.cn/img_convert/35e70101d8a4d5bd2e853b99dc6bcbdd.webp?x-oss-process=image/format,png)
如何录制电脑屏幕视频,5招让您成为电脑录制高手
在今天,屏幕录制成为每个电脑使用者都应掌握的基础技能。不论是教学分享、会议记录还是游戏直播,屏幕录制都能帮你捕捉那些重要的瞬间,将无形的信息转化为有形的视频。那么,如何录制电脑屏幕视频呢?今天,我…...
![](https://img-blog.csdnimg.cn/direct/6d6578edf1e8481988416eec068660ba.jpeg#pic_center)
AI届的新宠:小语言模型(SLM)?
大语言模型(LLM)在过去几年产生了巨大影响,特别是随着OpenAI的ChatGPT的出现,各种大语言模型如雨后春笋般出现,国内如KimiChat、通义千问、文心一言和智谱清言等。 然而,大语言模型通常拥有庞大的参数&…...
![](https://www.ngui.cc/images/no-images.jpg)
PMP模拟题错题本
模拟题A 错题整理 项目经理为一个具有按时完成盈利项目历史记录的组织工作。然而,由于缺乏相关方的支持以及他们未能提供信息,这些项目都经历过问题。若要避免这些问题,项目经理在新项目开始时应该做什么? A. 在启动阶段识别关键…...
![](https://www.ngui.cc/images/no-images.jpg)
Laravel Dusk:点亮自动化测试的明灯
Laravel Dusk:点亮自动化测试的明灯 在Web开发中,确保应用程序的用户体验和功能正确性至关重要。Laravel Dusk是一个强大的浏览器自动化测试工具,它允许开发者模拟用户与应用程序的交互,从而进行端到端的测试。本文将深入探讨Lar…...
![](https://i-blog.csdnimg.cn/direct/162da66e66364bb7bf883057aa62a02b.png)
Git、Gitlab以及分支管理
分布式版本控制系统 一、Git概述 Git是一种分布式版本控制系统,用于跟踪和管理代码的变更。它由Linus torvalds创建的,最初被设计用于Linux内核的开发。Git 允许开发人员跟踪和管理代码的版本,并且可以在不同的开发人员之间进行协作。 Githu…...
![](https://www.ngui.cc/images/no-images.jpg)
TCP/IP 协议栈介绍
TCP/IP 协议栈介绍 1. 引言 TCP/IP(传输控制协议/互联网协议)是一组用于数据网络中通信的协议集合,它是互联网的基础。本文将详细介绍TCP/IP协议栈的各个层次、工作原理以及其在网络通信中的作用。 2. TCP/IP 协议栈的层次结构 TCP/IP协议…...
![](https://www.ngui.cc/images/no-images.jpg)
香橙派orangepi系统没有apt,也没有apt-get,也没有yum命令,找不到apt、apt-get、yum的Linux系统
以下是一个关于如何在 Orange Pi 上的 Arch Linux 系统中发现缺失包管理器的问题并解决的详细教程。 发现问题 确认系统类型: 使用以下命令检查当前的 Linux 发行版: uname -a cat /etc/os-release如果你看到类似于 “Arch Linux” 的信息,说…...
![](https://i-blog.csdnimg.cn/direct/c352190936fd443c8aae9c78e4043ce8.png)
在invidia jetpack4.5.1上运行c++版yolov8(tensorRT)
心路历程(可略过) 为了能在arm64上跑通yolov8,我试过很多很多代码,太多对库版本的要求太高了; 比如说有一个是需要依赖onnx库的,(https://github.com/UNeedCryDear/yolov8-opencv-onnxruntime-…...
![](https://www.ngui.cc/images/no-images.jpg)
Vue3 接入 i18n 实现国际化多语言
在 Vue.js 3 中实现网页的国际化多语言,最常用的包是 vue-i18n。 第一步,安装一个 Vite 下使用 <i18n> 标签的插件:unplugin-vue-i18n npm install unplugin-vue-i18n # 或 yarn add unplugin-vue-i18n 安装完成后,调整 v…...
![](https://www.ngui.cc/images/no-images.jpg)
深度学习环境坑。
前面装好了之后装pytorch之后老显示gpufalse。 https://www.jb51.net/article/247762.htm 原因就是清华源的坑。 安装的时候不要用conda, 用pip命令 我cuda12.6,4070s cudnn-windows-x86_64-8.9.7.29_cuda12-archive.zip cuda_12.5.1_555.85_windows.…...
![](https://i-blog.csdnimg.cn/direct/994b2e746da04a579fe5182094f7c8bb.gif#pic_center)
LLM——10个大型语言模型(LLM)常见面试题以及答案解析
今天我们来总结以下大型语言模型面试中常问的问题 1、哪种技术有助于减轻基于提示的学习中的偏见? A.微调 Fine-tuning B.数据增强 Data augmentation C.提示校准 Prompt calibration D.梯度裁剪 Gradient clipping 答案:C 提示校准包括调整提示,尽量减少产生…...