记一次:Datawhale AI夏令营-第五期-CV-Task01

2024-08-23 02:04

本文主要是介绍记一次:Datawhale AI夏令营-第五期-CV-Task01,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前言:前面参加了第四期AIGC算是入门了,第五期我又来了,这期我参加了两个,计算机视觉CV所以按照惯例写一个笔记。

学习任务

一、计算机视觉CV的了解

1.1、什么是计算机视觉?

1.2、什么是YOLO?什么是物体检测模型?

1.3、YOLO模型需要什么训练格式?

二、赛事环境与实践环境准备

2.1、赛事介绍

2.2、各平台环境准备

2.3、创建实例并体验baseline

2.4、提交成绩

一、计算机视觉CV的了解

1.1、什么是计算机视觉?

        计算机视觉(Computer Vision,简称CV)是‌计算机科学领域中的一个重要分支‌,主要研究如何让计算机能够“看”懂周围的世界。简单来说就是让计算机拥有眼睛。

        通过数字图像处理、模式识别、机器学习、深度学习等技术,计算机视觉使计算机具备类似于人类视觉系统的感知和理解能力。它的研究内容包括图像识别、目标检测、图像分割、图像重建、图像增强、视频分析等多个方面。

        计算机视觉的应用非常广泛,包括但不限于自动驾驶、工业检测、视频监控、航空航天等领域。例如,目标检测是计算机视觉领域的一个热门方向,其基本流程是在给定图像中找到关注目标,确定目标类别并输出相应的坐标位置(常使用矩形框)。图像分类、目标检测、分割是计算机视觉领域的三大任务。‌

        计算机视觉不仅使计算机能够识别和理解图像和视频中的物体和人,还通过模拟人类视觉系统,帮助计算机理解和解释数字图像和视频的内容。整个过程涉及图像获取、筛选、分析、识别和提取信息。

我的总结就是:计算机比喻为人,那么计算机视觉就是我们人的眼睛系统。

1.2、什么是YOLO?什么是物体检测模型?

        YOLO,全称为“You Only Look Once”(你只看一眼),是一种流行的实时目标检测系统,由Joseph Redmon等人在2015年提出。简单说就是一个系统。

        YOLO模型的核心思想是将目标检测任务视为一个单一的回归问题,通过一个卷积神经网络(CNN)直接从图像像素到边界框坐标和类别概率的映射。YOLO模型经过了多次迭代,包括YOLOv2(YOLO9000)、YOLOv3和YOLOv4等版本,每个版本都在性能和速度上有所提升,同时也引入了一些新的技术,如更深的网络结构、更好的锚框机制、多尺度特征融合等。

1.3、YOLO模型需要什么训练格式?

        YOLO使用的标注格式是每张图像一个文本文件,文件名与图像文件名相对应。文本文件中每一行对应一个边界框,格式为:<class> <x_center> <y_center> <width> <height>。

其中,<class>是类别索引,<x_center>和<y_center>是边界框中心点相对于图像宽度和高度的比例,<width>和<height>是边界框的宽度和高度相对于图像宽度和高度的比例。

二、赛事环境与实践环境准备

2.1、赛事介绍

赛事链接:https://www.marsbigdata.com/competition/details?id=3839107548872

此次是2024大运河杯,城市治理方面的比赛如图

2.2、各平台环境准备

1》准备MARS数据科学平台账号并实名认证,然后参赛

实名认证

参赛

2》准备厚德云平台账号并支付宝授权

租用4090!链接:https://portal.houdeyun.cn/console/apparatus/gpu/generic

2.3、创建实例并体验baseline

step0、打开环境终端

step1、下载baseline相关文件

apt install git-lfs
git lfs install
git clone https://www.modelscope.cn/datasets/Datawhale/AI_Camp5_baseline_CV.git

将命令粘贴上

step2、一键运行baseline!

step3、下载结果文件result.zip

step4、GPU使用完成后,关机(重要不然计费)

2.4、提交成绩

得到分数

总结:第一次了解计算机视觉,代码原理和其他内容理解的不是很深刻,但是没有关系,学习任何东西我们先跑起来了,然后在抽丝拔茧一点一点了了解其原理。后续有更深的体会在完善这个笔记

这篇关于记一次:Datawhale AI夏令营-第五期-CV-Task01的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1098037

相关文章

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

AI绘图怎么变现?想做点副业的小白必看!

在科技飞速发展的今天,AI绘图作为一种新兴技术,不仅改变了艺术创作的方式,也为创作者提供了多种变现途径。本文将详细探讨几种常见的AI绘图变现方式,帮助创作者更好地利用这一技术实现经济收益。 更多实操教程和AI绘画工具,可以扫描下方,免费获取 定制服务:个性化的创意商机 个性化定制 AI绘图技术能够根据用户需求生成个性化的头像、壁纸、插画等作品。例如,姓氏头像在电商平台上非常受欢迎,

从去中心化到智能化:Web3如何与AI共同塑造数字生态

在数字时代的演进中,Web3和人工智能(AI)正成为塑造未来互联网的两大核心力量。Web3的去中心化理念与AI的智能化技术,正相互交织,共同推动数字生态的变革。本文将探讨Web3与AI的融合如何改变数字世界,并展望这一新兴组合如何重塑我们的在线体验。 Web3的去中心化愿景 Web3代表了互联网的第三代发展,它基于去中心化的区块链技术,旨在创建一个开放、透明且用户主导的数字生态。不同于传统

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

AI行业应用(不定期更新)

ChatPDF 可以让你上传一个 PDF 文件,然后针对这个 PDF 进行小结和提问。你可以把各种各样你要研究的分析报告交给它,快速获取到想要知道的信息。https://www.chatpdf.com/

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡,拥有登录权限的账号密码,一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 (如果是1集群把75改成66) 交互式开发 执行器选Terminal 密码随便设一个(需记住) 工作空间:私有数据、全部文件 加速器选GeForce_RTX_2080_Ti

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

AI基础 L9 Local Search II 局部搜索

Local Beam search 对于当前的所有k个状态,生成它们的所有可能后继状态。 检查生成的后继状态中是否有任何状态是解决方案。 如果所有后继状态都不是解决方案,则从所有后继状态中选择k个最佳状态。 当达到预设的迭代次数或满足某个终止条件时,算法停止。 — Choose k successors randomly, biased towards good ones — Close