对模型专题

YOLOv3的NMS参数调整对模型的准确率和召回率分别有什么影响？

YOLOv3中的非极大值抑制（Non-Maximum Suppression, NMS）是一种关键的后处理步骤，用于从模型的预测中去除重叠的边界框，从而提高检测的准确性。NMS参数的调整直接影响到模型的准确率（Precision）和召回率（Recall），具体如下： 1. NMS阈值（`nms_thresh`）： - 提高NMS阈值：会减少被抑制的边界框数量，从而保留更多的边界框。这可能会

Unity中使用AssetPostprocessor对模型动画处理

在游戏开发的过程中，会遇到模型动作同事频繁的修改模型动画，比如可能某个动作不对了等等。而程序使用的动画clip是从模型中拷贝一份出来的，而在AssetPostprocessor中就可以做一些处理这样模型同事频繁修改动画的话，只需要重新导入一下就可以了。 static void OnPostprocessAllAssets(string[] importedAssets, string[] del

对模型性能进行评估（Machine Learning 研习十五）

在上一篇我们已然训练了一个用于对数字图像识别的模型，但我们目前还不知道该模型在识别数字图像效率如何？所以，本文将对该模型进行评估。使用交叉验证衡量准确性评估模型的一个好方法是使用交叉验证，让我们使用cross_val_score() 函数来评估我们的 SGDClassifier模型，使用三折的 k 折交叉验证。k-fold 交叉验证意味着将训练集分成 k 个折叠（在本例中是三个），然

【python + flask】字典字段对模型字段的自动赋值，抽象编程思维培养，框架能力

场景：客户端提交上来的数据 # @Time :2024-2024/2/27-10:40# @Author :Justin# @Email :514422868@qq.com# @file :demo1.py# @Software :FisherBook# class A():# def __enter__(self):#

【2024 目标检测】CascadeV-Det：探究基于点的 3D 目标检测中心点定位的对模型精度影响

【2024 目标检测】CascadeV-Det：探究基于点的 3D 目标检测中心点定位的对模型精度影响摘要：观察：方法：Instance-Aware Voting：Cascade Positive Assignment：实验结果：来源：Arxiv 2024 机构：北京理工大学论文题目：CascadeV-Det: Cascade Point Voting for 3D Ob

TensorFlow学习：使用官方模型进行图像分类、使用自己的数据对模型进行微调

前言上一篇文章 TensorFlow案例学习：对服装图像进行分类中我们跟随官方文档学习了如何进行预处理数据、构建模型、训练模型等。但是对于像我这样的业余玩家来说训练一个模型是非常困难的。所以为什么我们不站在巨人的肩膀上，使用已经训练好了的成熟模型呢？这篇文章简单介绍如何使用成熟的模型建议按顺序观看，这是一个小系列，适合像我这样的初学者入门配置环境：windows环境下tensorf

Tensorflow2 中对模型进行编译，不同loss函数的选择下输入数据格式需求变化

一、tf2中常用的损失函数介绍在 TensorFlow 2 中，编译模型时可以选择不同的损失函数来定义模型的目标函数。不同的损失函数适用于不同的问题类型和模型架构。下面是几种常见的损失函数以及它们的作用和适用场景： 1.均方误差（Mean Squared Error, MSE）：MSE 是回归问题中常用的损失函数，用于衡量预测值与真实值之间的平均平方差。较大的误差会得到更大的惩罚，适用于回归

$LLM高效参数微调方法：从Prefix Tuning、Prompt Tuning、P-Tuning V1/V2到LoRA、QLoRA(含对模型量化的解释)$