粉丝1.2万获赞5.7万

ok, 小 伙伴们,那本期我们继续进行一个改进啊,本期的改进依然是 uomo master, uomo master 当中呢,它有一个损失函数,变形虫损失,那么本期呢,我第一先告诉大家怎么跑,第二我告诉大家怎么来用它,你怎么来写它,怎么来创新。 好,那首先我给大家来说一下,这所有的损失啊,都在这里面 on trust, ok, 然后在这里面大家可以看一下,我给改名了, yolo moe rose, 这就是我们的变形虫损神,那么你要做的,首先你跟我一模一样就行了,不要去想别的东西,就按我的操作来就行,来起的有别的名字,让他叫个什么,随便吧。咦,哎,这个名就很好是不是?然后这个呢?你给他改名叫 rose, 说白了就是替换, 明白吗?很多的东西对于小白来说啊,你不用去想那么多没有用的,你就是替换 ctrl, ok, 这就行了,然后你就跑就行了,然后拍下寸,这就行了。现在跑的就是你的 m o e 损失,明白吗?小伙伴们,它是不一样的,我都已经改好了,如果你那个啥的话,你可以自己去看,自己去研究,自己去对比, ok, 等一会儿啊,还有下面这个 say 塞塞得 loose 也是一样的, ok, 这就行了,这就行了。 ok, ok, 非常漂亮。好,我终止它,我终止它,然后把它改回去,回头大家所见即所得啊,然后我们更新的这些内容啊,到时候持续更新当中,不是私信我就行。还有一些什么工具,你觉得不错的你跟我说, 无论是不是购买资料的,只要你说了,这个工具我只要更新了,一定免费送给你,迎进第一时间,第一时间免费送给你。然后如果所有的小伙伴们呢,就是这个改购买改进资料的小伙伴们呢,都可以获得各种的这种我们持续更新的各种资料啊, 好,这就是这样一个,那么之前啊,上一期我们跑的是什么?这个 m o e 模块对吧?这个都是出于 u o mister, 我 给我跟大家说啊,大家不要两个同时硬。为什么?解释一下,如果你两个同时硬的话,那么你写文章的时候是高度重合的,你只能写在一个点上, 你如果用了损失,那你就用其他的模块和它结合,这样的话它就作为一个点。你想想你是不是写作的时候,你不可能 m o e 写一个,然后 m o e 模块再写一个吧,这样它显得很重合,你写出来让人家一看你都用的 m o e 就 显得太单调了,对不对?咱没有必要,你看啊,咱现在这里面有哎呦得得,有五十种改进了吧?五十种改进,你随便取两个,再和 m o e 漏死,损失一 结合一下,那这是多少?这就无数了,对不对?这就完全够用,这就是三个不同的创新,那你也可以怎么样? m o e 模块和这这个塞得露斯或者和里面其中任何一个模块组成三个模块排列组合也可以,那么 a u m o e 模块和这里面任何一个两个模块排列组合也可以, 这样的话你就有三个不同的创新点,你写起来好写,否则的话,你 m o e 模块加 m o u o e list, 你 能写的材料非常的少,因为只有一份材料,你要想写两个模块不好搞对不对?好,这是第一个,大家一定要注意一下,你在写的时候尽量不要把两个排列在一块,这是为了在以后写作 作为一个目的的。那么然后呢,我给大家来介绍一下 m o e 的 一些相关内容啊,大家首先在这里啊,你直接复制链接,然后我就可以到这个, 到这个什么里面啊,到这个文章里面,你详细的去看一下吧,大概给大家来说一下 m o e 的 设设计背景啊,就是首先呢,它是通过这个网络进行一个不同输入激活的专家和网络,在训练当中呢,网络它会有一个特点是什么?天然的偏向少数的优势, 就是出土化更好,或者特征能力提取更强的这一部分,那么导致多数的这种呃其他的目标特征被闲置模型无法充分的利用多尺度的的特征提取性能,最终出现一个什么泛化能力下降,泛化能力下降,模型容类啊,浪费, 就这么一个问题。然后还有一个呢,就是和图像分类不一样,目标检测它是一个密集型的预计预测任务,需要处理多尺度的特征图,也就是我们说的 h 从 w 这一块。那么传统的覆盖平衡损失呢?仅仅针对于全局令牌设计,无法试图适配检测任务的空间特征维度。因此呢, 又卢马斯特团团队专门设计了一个 m o e list, 进行一个目标检测的实时检测器的 m o e list, 当然所有的仪器啊,朋友们,所有的仪器你得讲解,你不讲解所有的这些东西都没用。还有第三点,就传统的损失,它存在了一个梯度冲突的问题, u 路的低基础损失当中呢,包含着一个 d f l, 大家看原版我们看到就是分布焦点损失,它的一个核心预测边界框的分布, 呃,均匀细化啊,它的核心是什么?强制边界框的分布均匀细化,但是 m o e 的 损失核心是什么呢?引导、实力这四用的专家特化, 两者在提图上攻心存在着天然的冲突。实验证明啊,就是这篇文章,实验当中已经证明了一处 d、 f、 l 并强化 m o e 能彻底的解决该问题,让训练的收敛更加的平衡。 就是这么牛逼,这么优秀啊,所以说你在用的时候带着所有的都没有用,有的小伙伴总是看各种论文也好,还是什么 博客也好,针对针对,没有那么多针对,你只要讲解就是针对,不讲解他什么也没用。所以说第一要一是啥?炼丹讲解完活就这么简单。好,然后最后一步,最后一步给大家介绍一下这些内容,有需要的自己去录,这个是我觉得是非常性价比非常高的, 两 k 价格,两 k, 然后有需要的这这里面的资料都是空闲时间都会答疑,晚上的时候啊,然后云服务器均包跑通啊。好,基本上就是这些内容,有需要小伙伴自己去录啊,然后没有需要的小伙伴呢?你看一下视频里面有很多的这个 干货,特别是论文经读那一期,那一系列,非常的有用啊,抓紧时间去看,然后抓紧时间去研究文章,一定要以研究文文章为主,以实验为基础,千万不要搞错啊,不要去听你 各种这种什么所谓的专家也好,还导师也好,还乱七八糟的人给你让你去复现文章,你复现他干哈?你复现他干啥?你复现出来有啥用?是不是办啥事之后想一想我做这一步,我为了将来的哪一步,对吧?你做这一步就是为了这一步,后来没有了,你复现出来你有什么用? 你复现人家文章有什么用?那就别人跑的,你无非复现出来说。哦,好的,他的确实能复现出来玩活,还有一些离谱的,是不是有老师让你不停的去复现各种机器学习,各种深度学习的模型,复现他干啥?你本身不是拍很专业的,你去玩这干啥?是不是?朋友们所以说 两点,论文实验就这两点,没有别的啊,祝愿所有的小伙伴们在科研之路上能够遥遥领先啊,然后这篇文章呢,我也同样放在了我们的损失的最上方啊,本期视频就是这些,祝愿所有的小伙伴们加油,冲起来吧!

今天讲解优喽 v 一 的损失函数。优喽 v 一 使用军方误差来计算总损失。公式可以拆解为三个部分,前两行计算中心点 x、 y 和预测框的宽 高与真实值的平方差。这里的 s 和 b 代表了什么呢? s 就是 网格,数量等于七, b 就是 预测框,数量等于二。 公式里的这个一代表什么呢? obj 的 意思呢,就是网格里有物体那就取一,没有物体呢就取零。那为什么边界框的宽和高要加个根号呢?假设一个比较大的边界框,一百乘一百的边界框,真实框是九十八乘九十八的, 他们的误差是二。另一个比较小的边界框,比如五乘五的边界框,真实框呢是三乘三的,他们的损失也是二。这就有问题了, 虽然他俩的误差都是二,但是大边界框的损失九十八和一百之间其实可以忽略不计, 但是五和三之间的误差就不行了,差出了小一半了,所以加上这个根号,减少大边界框的损失敏感程度,中间两行计算知信度偏差。首先理解交并比 i o u, 假设图片里狗的边界框在数据预处理阶段已经给出了正确的位置信息和大小,这个框就叫做 ground truth, 也就是真实框。然后模型预测出一个边界框,用它与真实框的交集面积除以它俩的并集面积,就是交并比。 再来看知心度分数,英文叫做 confidence score。 如果网格内有物体,知心度分数就是交并比。如果没有物体就是零,这个知心度分数就是 c hat, 而 c 是 模型通过限行变换计算得到这里的 no obj 的 意思与之前相反,存在物体就取零,不存在物体就取一。最后一行呢,就是用预测概率减去真实概率再平方。 这里还有两个 lambda, 两个值分别是五和零点五,目的是增大预测框的权重和减少没有物品的至信度的权重。 到这里优乐唯一的损失函数就分析完毕了,下期将介绍 nms 非极大值抑制。欢迎关注茉莉 ai, 开启 ai 探秘之旅!

ok, 小 伙伴们本期要给大家录一个小白的教程,就是如何啊,如何把这个包我们给他跑通卡。这个非常的小白啊,很多小伙伴就不用看了,因为没啥用,对于我大部分粉丝我觉得都会,但是呢,之前有个小伙伴问我,问我,然后就说这个 怎么来搞看,就是这一个,就我忽然间发现还有很多小白,其实他是不会搞的,那怎么办?录教程,详细的教程给大家来搞啊,这个小伙伴你看到啊,我还跟你说过,有时间就给你录个视频,详细的教程,你看到别忘了给我点个一键三连。 行,那我们先来说一下这个,先来说一下这个啊,非常有趣,这一个这个呢,小伙伴是二六年二月三号,然后我们开始实验一对一指导的,现在是四月二十七号,四月二十七号发我的稿,也就说他的 s c a 中文稿已经发给我了,初稿就完成两个月的时间, 两个月有近三个月的时间了,三个月的时间你看,哎,这些初稿搞出来,我觉得这个时间呢,相对来说也是挺不错的,关键他的这个稿我也看了,然后总体来说还是质量还是很不错,不像是一个初稿,更多的是打磨了很多次,给我的一个稿件,非常的棒啊,然后里面一些问题我也给他说了,还有就是, 呃,粉丝,然后就购买资料的小伙伴,你不会搞,不会搞,那我们就录一个详细的教程吧,回头我更新到我们的手册里面,对吧?好,重新开始啊,这是一个压缩包,首先你把这个包给压缩了,然后来这里面一按用用,看到他有的时候会变名字,在这个地方他可能会更改,但是都是在这 应用,然后你搜索用户幺零零八六过来搜索到,你看这只有一个,是吧?那我们选镜像,选镜像啊,不是应用看到吗?是镜像,选镜像,然后你跑哪一个? yellow 二六还是 redata 还是啥?我们以 yellow 二六为例,在这 再猜一遍啊,在这点这个地方,然后进来,进来以后这有个奥拓创建,实力创建好,在这里呢,我给大家推荐啊,你选这个四零九零的是最好的啊,他相对来说性价比也比较高,但四零九零、四零九零 d 也都可以,我们就直接创建开机,在这个地方下面啊,有个创建开机, 大家可能看不到,就是在这这有创建开机,就是下面录屏,可能录不到,我就 ok 了,我有个习惯,在这里我会给他写一个这个名字,比如说实力, 这样的话我能记住他是干什么用的,推荐大家也这么搞。 ok, 这就 ok 了,大家可以进来,进来以后呢,这就是一个基础的环境,基本上都没问题,但是随着我们的改进,他可能需要添加一些包,因为你不断的改进,加的模块就很多嘛。 那这些东西有没有用啊?建议这个没什么用,你可以删掉,你也可以看一下啊。好,接下来重点啊,把它拖进来,移动进来上传就 ok 了,就这样在下面这个地方看看大家能不能移动到。看在下面这个地方有个正在上传,就在这上传完以后我们给他解压就行, 那我们需要等一段时间。 ok, 稍等片刻。然后大家呢可以去喝个水啊和烤麸。 ok, 我 们继续马上上传完,然后在这里面你需要解压,它用指令来解压,按 z 普,然后 alt shift ok, 解压。看这就 ok 了嘛,是不是 往下一点啊?往下一点,这样大家都能看到。好,往下一点,然后进入这个包,那实际上 cd 在 中端,你是 cd, 然后进入这个包,那实际上 cd 在 中端是不一样的,大家要用指令来记住代码, 那拍叉母也是一样啊,你跑的是整个原码包,你不要跑这把雅米给替换了,那样它跑不通的等,不是说只能跑雅米,它很多底层和代码也需要改好,它会报 mmcvv 的 问题,那大家记一下 ppmmcvv, 因为是一点四点零, ok, 然后还有一个是 pap, 因此到 timi, timi 是 多少?零点六点一三 在这啊, p a p 已经死掉, timi 零点六点一三会撤好,然后接下来就没有其他的版本了,他还会报一个措施,你 s t e l l m m e n j i n e 没准好这一个他也需要安装一下 哦,他就缺啥,你装啥就行。然后没有问题呢,我们就派人串试一下,缺啥挨啥,如果还有问题我们就继续。这是我们的改进资料包一六二六的,它非常多,你看三 d note 在 里面,这个是这的三,是一个数据扩充的一个代码,然后这个呢?是还有这个是 f d 监听, f d 监听的一个对比, 然后我来看一下啊,这个是什么?这个是 k g 验证, k g 验证好,你看这就跑通了,哎,去哪? ok, 看一下,这就跑通了,这就没问题了, p g 验证这些是打印网络太呃,截过图的,然后训练的验证奖,还有这个技术的,这些都很多,这些都是你写文章丰富的,在这里面 models 给大家看一下啊,非常惊艳, 这里面一共得有近五十整,这五十整你自己排列组合,然后去排列组合,比如说三种,你看这里面结合了三种,这是一个势力排列组合,三种以后你自己去发文章,完全够用,对吧?所以现在大家看就是这样,这个跑通了,然后你自己去排列组合,下一步就排列组合就 ok 了。接下来你看 环境有了改进,代码有了,跑十页就行了,对吧?你听完从自己的数据集干就完了,大家在自己做的时候会更快的, 基本上你说你还会遇到啥困难,没有啥困难啊,对不对?好,这就是这个,然后在我的抖音,抖音首页有一个群,大家可以去入一下,这样的话呢,有什么消息我第一时间会发布,发布在那里面,抖音啊,抖音同名啊,都是这个名字, 都是这个名字,你去搜一下,关注一下,然后去入群就行,有什么福利我也会发在里面,什么好的东西啊都会发在里面。第一次见,祝愿所有小伙伴们也要领先吧,加油,五一快乐!

现在我们来理解损失函数,暂时先忽略第一项。第一个求和符号针对每个网格值,网格大小为七乘以七,共有四十九个网格。 第二个求和符号是针对每个网格的两个框,分别代表实际框和预测框每个网格中每个物体的坐标值。现在我们知道许多网格中并没有任何物体,任何物体,因此对于这些物体,我们无法获得真实的标签。 为了解决这个问题,我们添加了这个额外的开关。当网格的坐标中存在物体时,它的值为一。当该网格中没有目标时,其值变为零。 因此,整个损失函数对于该特定网格的特定边界框,其值变为零。下一部分与上一部分相同,但这次是针对宽度和高度,唯一的区别在于这个根号部分。 为了理解这一点,我们考虑两个边界,两个盒子,一个宽二十,高三十,另一个宽四,高六。 预测第一个的边界框宽度为十八,高度为二十七。第二个的边界框宽度为十六,高度为二十四。 预测边界框的宽度为二,高度为三。现在,如果我们计算两者的损失,边界框总损失将保持不变。但我们清楚的看到第一种情况,第一个框几乎准确,第二个框的大小是真实框的一半。 因此,我们希望神经网络将更多注意力集中在这个小方框上,并更准确的对其进行预测。 通过对宽度和高度取平方根,我们可以更加关注较小的边界框。我们可以获得更精确的边界框,即使是之前难以检测的小物体也能被准确识别。 他关注的是大型边界框。在损失的第三行和第四行中。再次,我们采用军方误差来计算致信度分数,用于判断是否存在某个物体是否存在。 正如我们之前讨论过的,这里表示如果物体存在,则取值为一。如果有物体存在则为一,没有物体存在则为零。第二部分与第一部分相反, 实际目标是当图像中存在物体时,将此作为损失。若图像中不存在任何物体,则 然后使用第二部分。我们将这第二部分乘以一个小数值零点五以得到。如果没有目标,对误差的损失就不那么重要。 这是因为大多数网格中通常没有物体,因此方程的这一部分已经得到了大量的信息数据。注意力机制会导致模型产生无对象的偏差。 现在来看损失方程的最后一部分。这里第一部分代表不同的网格的第一部分为每个边界框分配了不同的类别,但第二部分却为每个网格中的两个边界框分配了相同的类别。 这是用于类别预测损失的唯一。剩下的就是这个符号,它代表的是数值五, 这会增加前两个方程的损失,从而迫使模型更加关注它们。在预测正确边界框方面,这是第一篇优漏论文,但除了一点例外, 优漏三输出神经元中的 x 和 y 值表示边界框左上角的坐标,但在优漏 v 一 中,它们指的是边界框中心相对于网格单元边界的坐标,它会预测边界框。请在评论区分享您的反馈。

现在我们来理解损失函数,暂时先忽略第一项。第一个求和符号针对每个网格值,网格大小为七乘以七,共有四十九个网格。 第二个求和符号是针对每个网格的两个框,分别代表实际框和预测框每个网格中每个物体的坐标值。现在我们知道许多网格中并没有任何物体,任何物体,因此对于这些物体,我们无法获得真实的标签。 为了解决这个问题,我们添加了这个额外的开关。当网格的坐标中存在物体时,它的值为一。当该网格中没有目标时,其值变为零。 因此,整个损失函数对于该特定网格的特定边界框,其值变为零。下一部分与上一部分相同,但这次是针对宽度和高度,唯一的区别在于这个根号部分。 为了理解这一点,我们考虑两个边界,两个盒子,一个宽二十,高三十,另一个宽四,高六。 预测第一个的边界框宽度为十八,高度为二十七。第二个的边界框宽度为十六,高度为二十四。 预测边界框的宽度为二,高度为三。现在,如果我们计算两者的损失,边界框总损失将保持不变。但我们清楚的看到第一种情况,第一个框几乎准确,第二个框的大小是真实框的一半。 因此,我们希望神经网络将更多注意力集中在这个小方框上,并更准确的对其进行预测。 通过对宽度和高度取平方根,我们可以更加关注较小的边界框。我们可以获得更精确的边界框,即使是之前难以检测的小物体也能被准确识别。 他关注的是大型边界框。在损失的第三行和第四行中。再次,我们采用军方误差来计算致信度分数,用于判断是否存在某个物体是否存在。 正如我们之前讨论过的,这里表示如果物体存在,则取值为一。如果有物体存在则为一,没有物体存在则为零。第二部分与第一部分相反, 实际目标是当图像中存在物体时,将此作为损失。若图像中不存在任何物体,则 然后使用第二部分。我们将这第二部分乘以一个小数值零点五以得到。如果没有目标,对误差的损失就不那么重要。 这是因为大多数网格中通常没有物体,因此方程的这一部分已经得到了大量的信息数据。注意力机制会导致模型产生无对象的偏差。 现在来看损失方程的最后一部分。这里第一部分代表不同的网格的第一部分为每个边界框分配了不同的类别,但第二部分却为每个网格中的两个边界框分配了相同的类别。 这是用于类别预测损失的唯一。剩下的就是这个符号,它代表的是数值五, 这会增加前两个方程的损失,从而迫使模型更加关注它们。在预测正确边界框方面,这是第一篇优漏论文,但除了一点例外, 优漏三输出神经元中的 x 和 y 值表示边界框左上角的坐标,但在优漏 v 一 中,它们指的是边界框中心相对于网格单元边界的坐标,它会预测边界框。请在评论区分享您的反馈。


又到了优柔水润的环节,哎,那你说优柔当中怎么去做东西最快的?其实我家叔啊,一般情况下咱们就是啊,大概有这么四件事吧。四件事我一个跟你说啊,由简单到难。第一件事加注意力,你们老生常谈都知道是不是啊?加个关键词有二十多种,一个去试呗,反正肯定能凑一下工作量。是不是第二个呢?做堆叠,什么堆叠啊? 你看就我当中什么 c、 r、 f 模块,哎,它自带的模块都是做堆叠啊,把不同层级特征做拼接,你也可以做不同的拼接,设计一下自己的模块,拼接不同层级特征。 第三个就是你还可以在损失函数上优化一些东西。损失函数啊,一般情况下我们就说加上一些约束条件啊,能不能根据你的数据特点,比如 说我的数据当中全是长方形的菱角,那我写约束条件呗。哎,我的长宽比最好,现在在什么当中,你最好跟实际的比例接近的。那再比如说还可以结合多么太阳。什么结合多么太阳?我当时很容易去加啊, 我的输入当中多了一些信息,把这些信息通过 in binding 之后拼接在我的输出层,拼接在我中间某一层,是不是都行?这四点我觉得是非常好做的啊,就是大家可以按照我这个难易程度做这四件事,我觉着反正有六个特点就百分之百能做出来,它没什么难度,参考度又多。咱们这套人工智能系统学习吧,对于准备做论文的同学有什么帮助呢? 我相信很多同学啊,都是跨专业来的,然后导师让你做这些方向,但是自己之前还不了解,我也是分三个维度给大家解释一下吧。第一个维度就是说咱们的内容其实是比较通俗,比较容易去理解的,我讲课已经讲了快十年了,我觉得是能让大家花更少的时间成本,快速去入门这个领域。 第二点呢,就是大家在学的过程当中啊,可能会涉及到一些专题,那专题当中其实我都给大家配备了一些专题资源,比如说我要做视觉,我要做文案,我要做多媒体。好,可以先看看我讲的这个领域啊,快速去熟悉起来, 能高效的切入到你要去做的一个场景。那第三点呢,其实就是我们在做论文的过程当中,大家可能说我数据怎么选,我创意点怎么做,可能我自己这条路啊,没有从零到一的走过一遍, 有没有老师带我完整的去走呢?其实是有的,我们论文当中啊,咱们也是有专题的辅导,专业做论文老师从大家怎么选数据,怎么选模型,怎么做实验,怎么做创新,怎么写出稿,一步一步啊,会带着大家完整的去走一遍流程的。总结一句话就是体系化的学习,我们是比较高效的,对应的辅导呢,咱们也 是比较完善的。视频上线,感兴趣小伙伴别忘了点开我的评论区,有我们的专业主讲师,根据大家需求,给大家量身定做我们专属的学习规划,别忘记还能领取我们的学习路线图。

大家好,今天给大家介绍一下据优乐的自动贩卖机智能识别系统,它的主要功能是可以实时的识别出贩卖机目前剩余的商品数量, 我现在给大家演示一下系统是如何操作的,咱们只需要选择商品图片,然后再选择已经训练好的权重,最后点击运行代码, 这时候就会出现商品的数量,然后在检测信息这里也会出现商品的数量以及商品的种类,这就是这个系统的操作方法, 而且它还支持视频检测。咱们怎么去运行这个代码?咱们第一步首先要安装好配套式环境,安装好配套式环境以后,点击终端这里,这里就是我安装的这个配套式环境, 咱们就需要用这个 paper install 这条命令,然后在这里输入 paper install, 后面要跟上你缺失库的名字,缺失哪一库后面跟上这库的名字。将这些库都安装好以后, 咱们只需要现在点击这个运行文件,右键选择 run 这条指令,现在咱们这个系统就成功的运行起来了,所以说他这运行方法还是非常简单的。最后感谢大家的观看。

今天的话给大家带来一个垃圾识别检测系统,还是老规矩,花十秒钟看一下他的开发文档, 包括他的项目概书以及技术站,还有系统架构图,技术架构图、功能架构图都给大家整理好了,以及他的目录结构,启动教程,还有他的常见报错系统问题。那现在的话我们看一下他的界面,首先的话一开始他有一个数据重来,这里的话可以看到我们每一步的操作行为, 下面是他的图像检测,这里的话图像检测之前我们选择自己训练好的模型,然后可以做一些处理,在模型前做一些处理,比如说轻度处理,还有些平衡处理,还有些强力处理,那这里的话就选一个平衡处理,这里的话我们设置他的最小自信度,这里的话可以上传图片, 我们进行测试一下,然后点击开始预测 这的话结果,以及可以看到它的识别结果,还有一些预测概数,还有一些 house, 那 我们来测试一下它下一个视频检测还是老规矩,选一个模型,然后上传, 然后点击开始处理,这里的话它在实时的加载它每张图片,它要经过多轮的检测。 下面的话我们可以看一下它的图片识别记录,这是我刚刚这里上传的图片,它已经显示出来了,还有以及它的视频识别记录, 因为他至少他还没死编完,在这里还没死编完,所以他没存入,那今天的话就给大家讲到这里。

要给大家介绍一个我们团队捣鼓出来的新东西,基于优乐目标检测和多模态 ai 分 析的木材缺陷智能检测分析预警系统。听起来是不是有点像绕口令?别担心,其实他就是给木材做体检的智能医生。你知道吗?以前木材加工厂里, 老师傅们得瞪大眼睛在一堆木材里找裂纹结疤,那可真是个技术活,时间长了,眼睛都快成显微镜了。现在有了我们这个系统,情况就不一样了,它就像给木材加工厂装上了一双火眼金睛,能精准识别出木材表面的裂纹、 死结、活结和髓芯这四类常见缺陷,而且还能准确定位他们在哪。说到检测方式,我们这个系统可灵活了,就像有好几种看病模式,你可以直接上传木材图片让他分析,也能把加工视频传上去, 它会逐针检查。最酷的是,还能用摄像头进行实时检测,就像给生产线装了个实时监控,医生一有问题就能及时发现。我们集成了 urolift 三 o r o r y o r, 用出 y o r o 二十六这些先进的目标检测模型,就好比给医生配备了不同的诊断工具, 让检测更精准。而且系统还有个智能大脑,就是多模态大模型,它会根据优漏检测的结果和图片进一步分析,给出合理的处置建议。比如说检测到一个裂纹,它会告诉你这个裂纹严不严重,大概该怎么处理。系统还有完整的工作流程, 从数据级管理到模型管理,再到缺陷检测预警,形成了一个闭环,就像一个木材质检的全流程管家,我们还设计了模型评估系统, 能自动计算 precision 预测、 map 五零等精度指标,生成可直观对比图,让大家对模型性能一目了然。在实际应用中,它能在木材加工产线的进料与分拣环节进行在线检测预警,帮助质检分级,在仓储贸易中进行来料检验和出库抽检, 甚至还能用于教学演示。不同用户登录系统能看到的功能也不一样,这就是我们的分层权限管理。实时预警系统也很贴心,把缺陷严重程度分为可忽略、 轻微、中等、严重、紧急五级,还会进行 rrm 二次验证,避免优乐误解。处理状态也能管理,是为处理还是以处理一清二楚。总的来说, 这个系统就是想让木材质检工作变得更智能、更高效。不知道大家觉得这个给木材做体检的智能系统怎么样?如果你们在木材加工或者质检过程中遇到过什么难题,说不定它就能帮上忙呢?

警告,本视频耗时两百四十小时,制作时长共八百六十二秒。一口气带你搞懂优喽系列的学习路线,从零基础入门到精通实战,全系列,让你少走弯路,学会优喽的正确应用之路。优 喽这些年出了这么多版本,那我们要不要都系统学一遍呢?这个实验成本太高了,我们来捋一捋,哪些需要你系统学哪些呢?我们简单了解就行,你要想简单了解啊,你可以听我一句话开说,我觉得差不多了。首先呢,一六年优喽 v 出来了,那 v 我 觉着大家不需要看了,因为都知道他是做检测的。 v 一, 他就告诉你件事啊,就是用卷积网络呀,你就可以去预测结果啊,做两件事,一个回归预测,一个框的位置,一个分类呢,得到这个物体类别唯一简简单单,没有什么东西。那 v 二呢? v 二也不需要你看 v 二,你就记住一句话, 他在 v 的 基础上多做了一件事,比如说 v 一 啊,他说正常啊,比如说你特征图上的一个点,咱们是不是能对应一个正方形的区域啊?那 v 二他说,哎呀,光具检测正方形的物体有点少, 使得咱们照回率,就是说检测东西更全。他说呢,就是对于每一个特征点,我们想去关注目标,不仅有正方形的,还有长条的,还有竖条的,也就说要检测的东西可能更全,出水化的框做的更多啊,这是 b 二,也不需要大家看 b 三呢, b 三,他说我们要做多个输出层啊,就这样,你想 深度学习吧,层数越深呢,它的感受也越大,关注目标越大,是不是就是正常物体检测都是检测大目标,效果挺好的。那 b 三开始他说我们能不能做多个输出层呢?三个输出层来去做这个事, 中啊,就是浅层、中层、深层分别对应什么?小目标、中目标、大目标,三个出槽能把检测目标做的更好啊,这就是浅赛版本 v 四呢,我建议大家有时间可以看看论文,因为 v 四他告诉你一件事,叫什么叫嫁衣神功。 什么叫嫁衣神功呢?二零年这个 v 四有一个特点,他是这样啊,就是别的地方啊,做的好的东西拿过来试一试,我估计大家你们也经常用这个套路,别人做好的东西,拿到我任务当中去看一看有没有效果。 v 四呢,做了大量的实验,效果其实挺大的,因为他能学到很多不同的模块,应该怎么去加 v 四,就做这样一件事。 然后呢,接下来我们说啊,几个开源项目啊,就是商业版本。我们先说啊,就是 v 五, v 八还有 v 十一。为啥说这个 v 五 v 八还有 v 十一呢?因为他们都是官方版本啊,就是很多民间版本啊,咱也不说了,官方版本当中啊,这三代就是优势。 u 开头那个包是做的, 大家呢,咱们这样啊,就是 v 五,然后 v 八,然后 v 十一,大家说看哪一个呢?肯定看 v 十一,是不是大家说 v 五要不要看 v 五,暂时咱们可以不看了,那 v 八和 v 十一是一个事,就是以前啊,这个包的老版本, 我们叫 v 八,然后这个包的升级版本叫 v 十一,现在呢,你装这个包啊,它默认就 v 十一了,就是没有 v 八这个概念了啊,所以说大家默认用这个包就行了,你直接用 u 开头这个包,它最新版本就完事了。那 v 五 v 什么 v 五 v 八,这东西就不存在了,你也不要去看了好吧,大家说还有 v 六 v 七 六 v 七啊,嗯, v 六首先来说它没用,你就当 v 六不存在吧,这个东西压根都一点一,当年除了 v 六一点关注度都没有,那个论文也没人看,没啥用的东西。 v 七呢?多做了个事。 v 七啊,他就是说怎么在推底阶段做一个加速,其实都是一个小点,这些大家我觉得也不用去深入了,你现在有时间,你就直接从 v 十一开始就优顺那个包来看看像就行了。 然后呢,接下来很多 v 九 v 十, v 九 v 十两篇论文,你看一看吧,我觉得能对你有一些帮助,但是不是特别大,大概率你是用不上的。 v 九呢? v 九他做了多多做了一个事,就一句话总结啊,就比如说你这个深度学习啊,一层一层往下传, 那这个 t 度从后面往回传是不会损失一些啊?损失什么了?让中间这层吃了?那浅层他拿到就 t 度就信息就丢失了很多,是不是? v 九就说他为了弥补一些浅层的信息就丢失了很多,是不是? v 九就说他为了弥补一些浅层的信息没了,就这么点东西? 我觉得你需要看论文吗?你简单过一过,了解这个事就行了。 v 十呢? v 十我觉得意义不大。 v 十啊,他就说你那个优洛啊,他在做后处理的时候不有 n m s 吗?非加这一致是不是有点慢, 把这个事提前了,就这么点东西,我估计你用不上这个东西啊,还是用优社那个包,人家传导方法啊,人家那个经典法去做这些论文啊,简单了解即行。把重点发什么优洛优社那个包,从头到尾 delete 一 遍原码。为啥说让大家 delete 一 遍原码? 你光听,光看论文,或者光听我说你有一个概念,但是呢,你,你想说把系统给他学会,我觉得这东西光听是不行的,你必须过一遍圆满,就像我,我说我讲优喽,我,我咋讲?我不是说我去看点什么视频,看看论文,我就能讲这个东西,你不过一遍圆满,你永远心里没有这个底气。所以说重点放在哪? 优设最新的这个包,圆满过一遍,把时间放在这,不要把时间放在前面的版本,或者说把时间放在大量读论文,论文了解即可。重点在圆满。 咱们这套人工智能系统学习班对于准备做论文的同学有什么帮助呢?我相信很多同学啊,都是跨专业来的,导师让你做这些方向,但是自己之前还不了解,我也是分三个维度给大家解释一下吧。第一个维度就是说咱们的内容其实是比较通俗,比较容易去理解的,我讲课已经讲了快十年了,我觉得是能让大家花更少的时间成本,快速去入门这个领域。 第二点呢,就是大家在学的过程当中啊,可能会涉及到一些专题,那专题当中其实我都给他配备了一些专题资源,比如说我要做视觉,我要做文案,我要做多媒体。好,可以先看看我讲的这些论文,以及我讲的这些原码,咱先把这个领域啊快速去熟悉起来,好能高效的切入到 你要去做的一个场景。那第三点,其实就是我们在做论文的过程当中啊,大家可能说我数据怎么选,我创意点怎么做,可能我自己这条路啊,没有从零到一的走过一遍, 老师带我完整的去走呢。其实是有的,我们论文当中啊,咱们也是有专题的辅导,专业做论文老师从大家怎么选数据,怎么选模型,怎么做实验,怎么做创新,怎么写出稿,一步一步会带着大家完整的去走一遍流程的。总结一句话就是体系化的学习,我们是比较高效的,对应的辅导呢,咱们也是比较完善的。 哈喽,大家好,我是陶雨迪,咱们的人工智能第十四期班机马上就要开班了,那相比于我们前面一期,咱们第十四期啊,到底多少新的东西呢?首先第一件事啊,咱们内容更新了很多模块,不仅有新的模块,我们还把一些老的模块全部给大家 翻拍,全部给大家更新,并且会用直播的形式来给大家展示。以前呢,我们是每周就有直播这么一场,但是现在呢,我们一周是有多位老师同时给大家做直播的。第二件事呢,就是咱们的辅导也又又又升级了, 以前的辅导啊,是有助教老师、班主任老师,还有我。现在呢,我们多了论文副老师或者就业副老师,我们相当于是多位于一体记在课程内容上,也在教学更新上给大家带来了一次全面的升级。如果大家想了解整期内容,详细的大纲,详细的辅导计划,欢迎大家与我们的助教老师取得联系。今天给大家唠一唠这个事,叫物体检测。 为啥叫物体检测?我先猜一猜啊,来我问问兄弟们,你看我猜准不准。今天有没有来小伙伴准备搞论文的兄弟, 尤其是读研的,然后或者是本科的,可能还有读博的兄弟,然后呢,你想去考一些论文,为了满足毕业的条件啊,或者为了要要要有一个成果是吧?好猜有没有有很多兄弟考虑为啥认准物体检测这个方向, 就为什么会选 a 跟优喽相关的东西呢?其实就一点,因为他做起来相对来说是比较容易的,做起来是比较快的啊,所以说我们今天我给大家看一看啊,就是怎么用优喽完成自己的事, 我不仅会给大家讲啊,就是优喽的历代版本都是怎么玩的,还会带着大家我们一个看啊,就是怎么能把这个咱们今天说的物体检测这些东西啊,做在我们自己任务当中,若是大家还有啊想说在我任务当中 增删改查,做一些变换的,我们也会给大家看啊,如何增删改查,如何做一些变换好了,然后咱们今天的主题啊,我给大家讲这个优喽 v 八, 可能重点是 v 八哦,但是我们不仅仅去做跟 v 八相关的东西,咱们 v 一 到 v 十全部带兄弟们过一遍好不好? 一节课的时间咱争取往多了讲, v 一 到 v 十全玩一遍好不好?然后我给大家通俗去讲,我觉得大家收获还是蛮大的,千万不要离开。好了,那下面呢,我们就直奔主题了,我先给大家放个小 demo, 先通过一个比较简单的小 demo 来看一看, 就比如说咱这个优乐啊,它到底要去解决啥问题啊?来,我先举个小例子,咱们来看,比如说在我们任务当中啊,我先随便找一个啊,然后给大家去看一下我们的应用场景, 就是检测这个事啊,我估计应该很多小伙伴之前都看过,之前也听过,是吧?好了,我们来看一看, 来在这里边,比如说我们看这个场景,这个场景当中啊,就是输入呢,我们有这么一张图像数据,是不是有了我们的图像数据完之后 接下来干啥?接下来在这里边我们去看啊,这一块任务当中,我的物体在哪?我的框在哪?我关键要找到啥?找到我的一个框,找到物体所在的一个位置,是吧?好了,这是我们要做的啊,找到物体他所在的一个位置。 哎,那接下来大家再想,在我们这个任务当中啊,我现在怎么去找这个物体的位置,怎么能把这个框给他画出来呢? 来,大家帮我想一想,你觉着咱们任务当中怎么去画这个框啊?想画这个框可不太容易啊,我给大家演示一遍优喽是怎么做的啊?好了,来回到我们主题,咱们先这么想啊,先往简单说,那我这样,我先给大家说说优喽 v 一 吧,就是最早的一个版本,人家是怎么玩的啊? 然后呢,我慢慢咱们再去做一些拓展啊。好了,我们先来看假设,假设来在咱们任务当中啊,这里边我现在呢有一张输入图像数据,好有一张图像啊, 有了一张图像数据完之后啊,接下来,哎,我说现在假设啊,这块有个飞机,我说呢,咱想把这个飞机啊给它检测到,那这件事行不行?如何去检测这个飞机? 最关键一件事我们要提特征是吧?什么叫提特征?在我们任务当中啊?你这么想就是给了我一个输入数据, 咱现在要干啥?给了我一个输入数据,我说我得可以用一些啥,用一些转机干啥?用一些转机来,在我们任务当中要去做什么?提特征是吧?好了大家来看,在我们任务当中啊,给了输入数据卷积完之后能得到啥? 卷积完之后啊?哎,我说我现在是不是能得到一个特征图?那特征图你看啊,在这里边来,我说这一块咱们现在有很多特征点是吧?来大家帮我看,我现在有个特征图,特征图上有什么?有很多特征点, 哎,让我问问大家啊,就是咱们现在啊特征图上的每一个点他都会咋样?你这么想啊,就是特征图上每一个点他是不是都会对应原始输入一个区域啊?来这一块对应这个区域,第二个点呢?可能对应第二个区域,第三个点可能对应第三个区域。那此时想大家一件事, 我们该如何做检测呢?检测咱先往简单上说,好,有声音吗?兄弟们?检测咱先往简单上说啊,哎,我说就是逐窗口的遍地,什么叫逐窗口的遍地啊?哎,你这么想就是在我们这个任务当中啊,我去看一看每个窗口。