本页面收集了大量深度学习项目图像处理领域的代码链接。包括图像识别，图像生成，看图说话等等方向的代码，以便大家查阅使用。 图像生成 绘画风格到图片的转换：Neural Style https://lin
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx nerpy实现了BertSoftmax、BertCrf、BertSpan等多种命名实体识别模型，并在标准数据集上比较了各模型的效果。 https://github.com/shibing624/nerpy Evaluation 说明： 结果值均使用F1 结果均只用该数据集的train训练，在test上评估得到的表现，没用外部数据 shibing624/bert4ner-base-chinese模型达到同级别参数量SOT
📷 向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 目标检测yolov5 v6.0版，pytorch实现，包含了目标检测数据标注，数据集增强，训练自定义数据集全流程。 一.环境 Python >= 3.7 Pytorch >= 1.7.x 二.标注工具 pip install labelImg ==1.8.6 安装完毕后，键入命令： labelImg 或者下载工具 labelImg.exe 项目全部代码，数据集，标注工具，预训练模型获取方式： 关注
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx YOLOV7：You Only Look Once目标检测模型在pytorch当中的实现 所需环境 torch==1.2.0+ 为了使用amp混合精度，推荐使用torch1.7.1以上的版本。 全部 代码 ,预训练模型 获取方式： 关注微信公众号 datayx 然后回复 v7 即可获取。 训练步骤 a、训练VOC07+12数据集 数据集的准备 本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，
摘要：在传统的目标检测框架中，继承自图像识别模型的骨干主体提取深度潜在特征，然后由颈部模块融合这些潜在特征来获取不同尺度的信息。由于目标检测的分辨率远大于图像识别，因此主干的计算代价往往占主导地位。这种重主干设计范式主要是由于将图像识别模型转移到目标检测时的历史遗留问题，而不是目标检测的端到端优化设计。在这项工作中，我们表明，这种范式确实导致次优的目标检测模型。为此，我们提出了一个新的重颈范式，GiraffeDet，一个类似长颈鹿的网络，用于有效的目标检测。GiraffeDet使用了一个非常轻量的主干和一个非常深而大的颈部模块，这鼓励了不同空间尺度之间密集的信息交换，同时也鼓励了不同层次的潜在语义。这种设计范式使检测器即使在网络的早期阶段，也能以同样的优先级处理高级语义信息和低级空间信息，提高了检测任务的效率。对多个流行目标检测基准的数值评估表明，在广泛的资源约束范围内，GiraffeDet始终优于以前的SOTA模型。
【摘要】本文评估了当前热门的深度学习工具，对于想进行深度学习开发的团队来说，可以参考一二。以下为译文： 在硅谷数据科学公司里，我们的研发团队调研了从图像识别到语音识别等不同的深度学习技术。建立了一套收
原文：Getting Started with Deep Learning: A REVIEW OF AVAILABLE TOOLS 作者： MATTHEW RUBASHKIN 翻译：冯斌 【摘要】本文评估了当前热门的深度学习工具，对于想进行深度学习开发的团队来说，可以参考一二。以下为译文： 在硅谷数据科学公司里，我们的研发团队调研了从图像识别到语音识别等不同的深度学习技术。建立了一套收集数据、创建模型，评估模型的技术路线。然而，当开发者研究什么技术可应用时，却找不到一个简明的可供参考的总结材料来开始一个新
李林 编译自 pyimagesearch 作者 Adrian Rosebrock 量子位 报道 | 公众号 QbitAI OpenCV是一个2000年发布的开源计算机视觉库，有进行物体识别、图像分割、
作者 | SHAKHADRI313 译者 | 王强 策划 | 刘燕 近年来，深度学习和计算机视觉领域取得了一系列突破。特别是行业引入了非常深的卷积神经网络后，在这些模型的帮助下，图像识别和图像分类等问题取得了非常好的成果。 因此这些年来，深度学习架构变得越来越深（层越来越多）以解决越来越复杂的任务，这也有助于提高分类和识别任务的性能，并让它们表现稳健。 但当我们继续向神经网络添加更多层时，模型训练起来也越来越困难，模型的准确度开始饱和，然后还会下降。于是 ResNet 诞生了，让我们摆脱了这种窘境，并能帮助
寒假来了，想做个图像识别的demo，先把基本环境配置起来。这是一篇纯文字的、流水账式的记录。
支持向量机（SVM, Support Vector Machines）是一种广泛应用于分类、回归、甚至是异常检测的监督学习算法。自从Vapnik和Chervonenkis在1995年首次提出，SVM算法就在机器学习领域赢得了巨大的声誉。这部分因为其基于几何和统计理论的坚实数学基础，也因为其在实际应用中展示出的出色性能。
来源：Deephub Imba本文约3500字，建议阅读14分钟本文文章简要介绍了研究人员在图像识别算法和图像数据方面的演变，并总结了现在的一些热门话题。 三十多年来，许多研究人员在图像识别算法和图像数据方面积累了丰富的知识。如果你对图像训练感兴趣但不知道从哪里开始，这篇文章会是一个很好的开始。这篇文章简要介绍了过去的演变，并总结了现在的一些热门话题。 ImageNet 预训练模型 迁移学习（热门话题） 使用预训练模型识别未知图像 PyTorch ImageNet 的起源 在 2000 年代初期，大多数
三十多年来，许多研究人员在图像识别算法和图像数据方面积累了丰富的知识。如果你对图像训练感兴趣但不知道从哪里开始，这篇文章会是一个很好的开始。这篇文章简要介绍了过去的演变，并总结了现在的一些热门话题。
本文讲解了目标检测的基本概念，分析了实现目标检测的常用思路。下一篇将介绍目标检测经典数据集—VOC数据集的基本信息，和对VOC数据集进行处理的方法。
欢迎来到本书的第一部分。在这里，我们将与 PyTorch 迈出第一步，获得理解其结构和解决 PyTorch 项目机制所需的基本技能。
图像识别任务是人工智能计算机视觉领域一个重要的子任务，本篇文章将通过使用一个预训练模型来帮助读者快速上手图像识别任务，对应的文件可通过关注文章末尾的公众号领取
Airtest是一款网易出品的基于图像识别面向手游UI测试的工具，也支持原生Android App基于元素识别的UI自动化测试。主要包含了三部分：Airtest IDE、Airtest（用截图写脚本）和 Poco（用界面UI元素来写脚本）。来自Google的评价：Airtest 是安卓游戏开发最强大、最全面的自动测试方案之一。 图示为AirtestIDE中脚本运行范例 本文重点是针对Airtest中的图像识别进行代码走读，加深对图像识别原理的理解（公众号贴出的代码显示不全仅供参考，详细代码可以在git
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 小布助手是OPPO公司为欧加集团三品牌手机和IoT设备自研的语音助手，为用户提供了有趣、贴心、便捷的对话式服务。意图识别是对话系统中的一个核心任务，而对话短文本语义匹配是意图识别的主流算法方案之一。 训练数据 训练数据包含输入query-pair，以及对应的真值。初赛训练样本10万，复赛训练样本30万，这份数据主要用于参赛队伍训练模型，为确保数据的高质量，每一个样本的真值都有进行人工标注校验。每行为一个训练样本，由que
360安全实验室（肖奇学 、Deyue Zhang）、佐治亚大学（李康）和弗吉尼亚大学（Weilin Xu）的研究者，他们在论文《Security Risks in Deep Learning Implementations》中，对三个主流的深度学习框架的实现中存在的安全威胁进行了检查和分析，分别是Caffe, TensorFlow, and Torch。文中，作者提到软件来说，应用实现的复杂性会导致一些软件漏洞的产生。深度学习框架面临同样的挑战，经过检查，研究人员发现了许多实现的漏洞，其中15个漏洞拥有C
李鲁 曾经负责京东智能冰箱硬件产品定义、设计开发、供应链管理、厂商合作等方面工作 曾祥云 京东智能冰箱业务组资深产品研发工程师，图像识别技术专家 目前主要负责智能冰箱图像识别相关产品业务，以及智能家
机器之心整理 参与：蒋思源 MILA 实验室近日在 GitHub 上开启了一个初学者入门项目，旨在帮助 MILA 新生快速掌握机器学习相关的实践基础。目前该项目已经提供了一系列的 PyTorch 入门资料，并从张量、自动微分、图像识别、神经机器翻译和生成对抗网络等方面详细阐述。 项目地址：https://github.com/mila-udem/welcome_tutorials PyTorch 是 Torch 在 Python 上的衍生，它本质上是 Numpy 的替代者，而且支持 GPU 加速深度神经网
【导读】1月17日，Arduino社区的编辑SAGAR SHARMA发布一篇基于TensorFlow API的图像识别实例教程。作者通过TensorFlow API快捷地实现一个命令行图像分类例子，详
开源的深度学习神经网络正步入成熟，而现在有许多框架具备为个性化方案提供先进的机器学习和人工智能的能力。那么如何决定哪个开源框架最适合你呢？本文试图通过对比深度学习各大框架的优缺点，从而为各位读者提供一个参考。你最看好哪个深度学习框架呢？ 现在的许多机器学习框架都可以在图像识别、手写识别、视频识别、语音识别、目标识别和自然语言处理等许多领域大展身手，但却并没有一个完美的深度神经网络能解决你的所有业务问题。所以，本文希望下面的图表和讲解能够提供直观方法，帮助读者解决业务问题。 下图总结了在 GitHub 中最受
现在的许多机器学习框架都可以在图像识别、手写识别、视频识别、语音识别、目标识别和自然语言处理等许多领域大展身手，但却并没有一个完美的深度神经网络能解决你的所有业务问题。所以，本文希望下面的图表和讲解能
随着越来越多的企业希望扩大其运营规模，它们已成为接受机器学习和预测分析的必要条件。人工智能与正确的深度学习框架相结合，真正放大了企业在其领域内可以实现和获得的整体规模。
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。
选自CIO 作者：Mitch De Felice 机器之心编译 参与：Jane W、黄玉胜 开源的深度学习神经网络正步入成熟，而现在有许多框架具备为个性化方案提供先进的机器学习和人工智能的能力。那么如何决定哪个开源框架最适合你呢？本文试图通过对比深度学习各大框架的优缺点，从而为各位读者提供一个参考。你最看好哪个深度学习框架呢？ 现在的许多机器学习框架都可以在图像识别、手写识别、视频识别、语音识别、目标识别和自然语言处理等许多领域大展身手，但却并没有一个完美的深度神经网络能解决你的所有业务问题。所以，本文希望
如果自己研发做图像识别的成本比较高，尤其是在没有一个很好的硬件设施（GPU）的情况下，还是通过API比较合适。 计算机科学学位的技术往往要落后于现实。许多学校都要求花好几个月的时间制作课程大纲，如果里
做图像识别的使用卷积神经网络CNN是最好的选择，但是其实我们也可以使用循环神经网络RNN做，只是大部分时候没有卷积网络效果好！下面分析一下如何使用RNN做手写数字的识别。
使用深度学习神经网络对数字识别，大体需要4个步骤：①读取数据。②建立模型。③训练。④测试、验证。
本文将介绍如何在 PyTorch 中构建一个简单的卷积神经网络，并训练它使用 MNIST 数据集识别手写数字，这将可以被看做是图像识别的 “Hello, World!”；
一、TensorFlow TensorFlow新版本的重大意义在于首次支持分布式处理，可使用机群培训机器学习模型，此前只支持单一机器。 二、Keras 开发者是François Chollet，在谷歌从事深度学习技术研究. 三、CNTK 作为微软认知服务（Cognitive Service）计划的一部分，微软推出其开源深度学习框架的第二个版本，并将其名称从“Computational Network Toolkit”更名为“Cognitive Toolkit”认知计算工具包（Github）。Cognitiv
随着深度神经网络的发展，OpenCV中已经有独立的模块专门用于实现各种深度学习的相关算法。本节中将以介绍如何使用OpenCV 4中的相关函数实现深度学习算法，重点介绍示例程序和处理效果，目的是为了增加读者对深度学习在图像处理中的应用的了解，提高读者对图像处理的兴趣。
大数据文摘作品，转载要求见文末 编译 | 江凡、刘云南、钱天培 导读：想玩转深度学习，又不想从一开始就接触大量的理论和数学公式，怎么办？别怕，我们为你找了10个应用到前沿深度学习技术的简易demo。一起来试试！ 语音识别、图像识别、作曲作画，甚至是帮你玩游戏。 这些深度学习“diao炸天”的应用相信对你来说早已经不陌生了。既然深度学习这么神通广大，就让我们一起开心地学习深度学习吧！ 赶紧找到一本深度学习教程，翻开。接下来，你看到的画面可能是 理论、理论、理论、数学、数学、数学...... 妈妈，我再也不
在机器视觉的概念中，图像识别是指软件具有分辨图片中的人物、位置、物体、动作以及笔迹的能力。计算机可以应用机器视觉技巧，结合人工智能以及摄像机来进行图像识别。
本文为《通过深度学习了解建筑年代和风格》论文复现的第五篇——训练识别建筑年代的深度学习模型，我们会使用Python中的PyTorch库来训练模型，模型将选用基于DenseNet121的深度卷积神经网络（DCNN）作为骨干进行迁移学习，数据集采用Part3-2.获取高质量的阿姆斯特丹建筑立面图像（下）中获取的阿姆斯特丹的7万多张谷歌街景图像。在处理过程中我们会进一步优化模型，避免欠拟合和过度拟合，并且使用Tensorboard[2]实时查看训练过程。下篇文章[3]我们会对建筑年代的模型使用进行评价，并从空间角度进行分析。
随着计算机视觉领域的发展，图像识别已经被广泛应用在各个领域，比如在疫情期间各个住宅、办公场所出入口位置广泛使用的人脸识别系统等等。
导读：深度学习（Deep Learning）是机器学习中一种基于对数据进行表征学习的方法，深度学习的好处是用非监督式或半监督式的特征学习、分层特征提取高效算法来替代手工获取特征（feature）。作为当下最热门的话题，Google、Facebook、Microsoft等巨头都围绕深度学习重点投资了一系列新兴项目，他们也一直在支持一些开源深度学习框架。 目前研究人员正在使用的深度学习框架不尽相同，有 TensorFlow、Torch 、Caffe、Theano、Deeplearning4j等，这些深度学习框架
Deepgram 是 YC 投资的一家初创公司，其业务是使用机器学习分析企业的音频数据。近日该公司开源了内部的深度学习工具 Kur（https://github.com/deepgram/kur）。该工具能够进一步帮助那些对音频分析感兴趣的人实现他们的想法。开源内容还包括10个小时的已转录音频，以10秒的片段拼接，目的是加快训练过程。 Kur 与 Keras 相似，但 Kur 进一步节略了建立和训练深度学习模型的过程。通过使深度学习更容易实现，Kur 进一步使图像识别和语音分析更容易进行。 Deepgram
人工智能（AI）和机器学习（Machine Learning）的迅猛发展已经在多个领域引发了深刻的变革和创新。机器学习作为人工智能的重要支撑技术，已经在许多实际应用中取得了显著成就。本文将介绍人工智能在机器学习中的八大应用领域，并通过适当的代码示例加深理解。
上篇，给大家介绍了一款自动化测试框架——airobots。今天给大家演示怎么用airobots做web自动化。
对于目前绝大多数的交通监控而言，依旧是沿用传统的管理模式。随着国民经济的日益发展和交通产业需求的日益增长，智能交通视觉系统的发展将趋向用机器视觉下的图像处理技术进行实时监测。通过摄像头辅助监测，相对于其他检测方法, 摄像头价格低廉, 安装容易, 对现有的交通枢纽进行摄像头安装时不需要太大的改动, 后期维护方便；并且一个摄像头可以同时监控多个目标, 大大减少了前期硬件安装的工作量，因此基于视频图像检测任务有很好的应用前景。
为了不让树莓派吃灰较劲了脑汁,其实这个功能很早之前就折腾过了,但是当时鼓捣的的外观并不好看,所以也没有打算分享的计划.最近一直在折腾树莓派ZERO WH,后面又买了UPS和墨水屏,个人认为这就是树莓派ZERO WH的最终归宿,能断电展示信息(墨水屏性质),UPS又能保证不间断电源.
来源：新机器视觉 本文约3800字，建议阅读8分钟 本文介绍了11个Torchvision计算机视觉数据集。 计算机视觉是一个显著增长的领域，有许多实际应用，从自动驾驶汽车到面部识别系统。该领域的主要挑战之一是获得高质量的数据集来训练机器学习模型。 Torchvision作为Pytorch的图形库，一直服务于PyTorch深度学习框架，主要用于构建计算机视觉模型。 为了解决这一挑战，Torchvision提供了访问预先构建的数据集、模型和专门为计算机视觉任务设计的转换。此外，Torchvision还支持C
探索了行人特征的基本学习方法。在这个实践中，我们将会学到如何一步一步搭建简单的行人重识别系统。欢迎任何建议。
对于希望在应用中整合深度学习功能的开发者来说，GitHub上其实还有很多不错的开源项目值得关注，以下我们推荐2016年人气最高的六款开源深度学习工具：（阅读原文点击序列标题可跳转到相关网站） 一、TensorFlow TensorFlow新版本的重大意义在于首次支持分布式处理，可使用机群培训机器学习模型，此前只支持单一机器。 二、Keras 开发者是François Chollet，在谷歌从事深度学习技术研究. 三、CNTK 作为微软认知服务（Cognitive Service）计划的一部分，微软推出其
前三章介绍了pyTorch训练的相关，我们也保存模型成功了，今天这篇就是使用C++ OpenCV的DNN模块进行手写图片的推理。
王新民 编译自 Deep Learning Sandbox博客 量子位 出品 | 公众号 QbitAI 在计算机视觉领域里，有3个最受欢迎且影响非常大的学术竞赛：ImageNet ILSVRC（大规模
原文：Which deep learning network is best for you? http://www.cio.com/article/3193689/artificial-intel
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
