- 基于深度学习的YOLO框架的城市道路损伤检测与评估项目系统【附完整源码+数据集】 背景随着城市化进程的加速，城市道路损伤问题日益严重。道路的裂缝、坑洼、井盖移位等问题不仅影响行车安全，也影响市民的出行体验。传统的人工巡检方式费时费力，且容易忽视细节。为了提升道路检测的效率与准确性，基于深度学习的智能检测系统应运而生。在众多深度学习算法中，YOLO（You Only Look Once）因其... 基于深度学习的YOLO框架的城市道路损伤检测与评估项目系统【附完整源码+数据集】 背景随着城市化进程的加速，城市道路损伤问题日益严重。道路的裂缝、坑洼、井盖移位等问题不仅影响行车安全，也影响市民的出行体验。传统的人工巡检方式费时费力，且容易忽视细节。为了提升道路检测的效率与准确性，基于深度学习的智能检测系统应运而生。在众多深度学习算法中，YOLO（You Only Look Once）因其...
- 2.2.4 指数加权平均 2.2.5 动量梯度下降法 2.2.6 RMSProp 算法 2.2.7 Adam算法 2.2.8 TensorFlow Adam算法API 2.2.9 学习率衰减 2.2.10 其它非算法优化的方式-标准化输入 2.2.11 神经网络调优 2.2.12 批标准化（Batch Normalization） 卷积神经网络 2.4 经典分类网络结构 学习目 2.2.4 指数加权平均 2.2.5 动量梯度下降法 2.2.6 RMSProp 算法 2.2.7 Adam算法 2.2.8 TensorFlow Adam算法API 2.2.9 学习率衰减 2.2.10 其它非算法优化的方式-标准化输入 2.2.11 神经网络调优 2.2.12 批标准化（Batch Normalization） 卷积神经网络 2.4 经典分类网络结构 学习目
- AEO在智能问答系统中的应用研究从内容优化到语义检索在人工智能领域，搜索引擎和问答系统是获取信息的核心工具。然而，随着信息量的激增和问题的复杂化，传统的基于关键词匹配的检索方法面临诸多挑战。为了解决这些问题，答案引擎优化（Answer Engine Optimization, AEO）应运而生。AEO不仅强调内容结构优化，还注重语义检索技术的实现，旨在提升答案的相关性、准确性以及系统的响应... AEO在智能问答系统中的应用研究从内容优化到语义检索在人工智能领域，搜索引擎和问答系统是获取信息的核心工具。然而，随着信息量的激增和问题的复杂化，传统的基于关键词匹配的检索方法面临诸多挑战。为了解决这些问题，答案引擎优化（Answer Engine Optimization, AEO）应运而生。AEO不仅强调内容结构优化，还注重语义检索技术的实现，旨在提升答案的相关性、准确性以及系统的响应...
- 基于深度学习的YOLO框架的道路裂缝智能识别系统【附完整源码+数据集】本项目基于最新的 YOLOv8 框架，结合 PyQt5 图形界面技术，设计并实现了一个功能完备、操作简洁、检测高效的道路裂缝智能识别系统，不仅支持图像、视频和实时摄像头输入，还提供完整的训练代码和数据集，适合科研开发、工程部署及教学应用等多个场景。 背景随着城市化进程的不断加快，道路交通基础设施面临着巨大的维护压力。路面... 基于深度学习的YOLO框架的道路裂缝智能识别系统【附完整源码+数据集】本项目基于最新的 YOLOv8 框架，结合 PyQt5 图形界面技术，设计并实现了一个功能完备、操作简洁、检测高效的道路裂缝智能识别系统，不仅支持图像、视频和实时摄像头输入，还提供完整的训练代码和数据集，适合科研开发、工程部署及教学应用等多个场景。 背景随着城市化进程的不断加快，道路交通基础设施面临着巨大的维护压力。路面...
- 在智慧交通和智能驾驶日益普及的今天，准确识别复杂交通场景中的关键元素已成为自动驾驶系统的核心能力之一。传统的图像处理技术难以适应高动态、复杂天气、多目标密集的交通环境，而基于深度学习的目标检测算法，尤其是YOLO（You Only Look Once）系列，因其检测速度快、精度高、可部署性强等特点，在交通场景识别中占据了重要地位。 在智慧交通和智能驾驶日益普及的今天，准确识别复杂交通场景中的关键元素已成为自动驾驶系统的核心能力之一。传统的图像处理技术难以适应高动态、复杂天气、多目标密集的交通环境，而基于深度学习的目标检测算法，尤其是YOLO（You Only Look Once）系列，因其检测速度快、精度高、可部署性强等特点，在交通场景识别中占据了重要地位。
- @[toc] 基于深度学习的YOLO框架的人脸表情检测识别系统【附完整源码+数据集】 背景随着人机交互、智能安防、虚拟现实等技术的快速发展，人脸表情识别（Facial Expression Recognition, FER）已成为人工智能领域的重要研究方向之一。传统的表情识别方法大多依赖于人工设计的特征（如Gabor滤波器、HOG等），在复杂环境下的鲁棒性较差。近年来，基于深度学习的检测算法... @[toc] 基于深度学习的YOLO框架的人脸表情检测识别系统【附完整源码+数据集】 背景随着人机交互、智能安防、虚拟现实等技术的快速发展，人脸表情识别（Facial Expression Recognition, FER）已成为人工智能领域的重要研究方向之一。传统的表情识别方法大多依赖于人工设计的特征（如Gabor滤波器、HOG等），在复杂环境下的鲁棒性较差。近年来，基于深度学习的检测算法...
- 获取训练的OP以及摘要OP pre-trained模型路径. 开始训练 image_pre为图片处理结果，bbox_img为 定义SSD模型 修改网络当中输出score时候，9类(商品数据集8 + 1) 获取每一层的default boxes 加载已经训练模型 方便在Notebook使用的交互式会话 初始化变量 创建saver加载模型 通过 predictions 与 sele 获取训练的OP以及摘要OP pre-trained模型路径. 开始训练 image_pre为图片处理结果，bbox_img为 定义SSD模型 修改网络当中输出score时候，9类(商品数据集8 + 1) 获取每一层的default boxes 加载已经训练模型 方便在Notebook使用的交互式会话 初始化变量 创建saver加载模型 通过 predictions 与 sele
- 2.2.4 指数加权平均 2.2.5 动量梯度下降法 2.2.6 RMSProp 算法 2.2.7 Adam算法 2.2.8 TensorFlow Adam算法API 2.2.9 学习率衰减 2.2.10 其它非算法优化的方式-标准化输入 2.2.11 神经网络调优 2.2.12 批标准化（Batch Normalization） 卷积神经网络 2.4 经典分类网络结构 学习目 2.2.4 指数加权平均 2.2.5 动量梯度下降法 2.2.6 RMSProp 算法 2.2.7 Adam算法 2.2.8 TensorFlow Adam算法API 2.2.9 学习率衰减 2.2.10 其它非算法优化的方式-标准化输入 2.2.11 神经网络调优 2.2.12 批标准化（Batch Normalization） 卷积神经网络 2.4 经典分类网络结构 学习目
- 内存与带宽协同边缘设备上的分布式模型切分随着人工智能模型规模的不断扩展，将大模型部署到资源受限的边缘设备成为挑战。本文将深入探讨内存与带宽协同机制下的模型切分策略，并结合分布式执行方法，提供理论分析与代码实战，帮助理解如何实现边缘智能推理的最优化部署。 一、背景与挑战 1.1 模型规模持续膨胀当前的大型深度学习模型（如ViT、GPT-4等）通常拥有数十亿甚至千亿参数，内存需求高、计算复杂度... 内存与带宽协同边缘设备上的分布式模型切分随着人工智能模型规模的不断扩展，将大模型部署到资源受限的边缘设备成为挑战。本文将深入探讨内存与带宽协同机制下的模型切分策略，并结合分布式执行方法，提供理论分析与代码实战，帮助理解如何实现边缘智能推理的最优化部署。 一、背景与挑战 1.1 模型规模持续膨胀当前的大型深度学习模型（如ViT、GPT-4等）通常拥有数十亿甚至千亿参数，内存需求高、计算复杂度...
- 一、一些常见激活函数对比激活函数数学公式输出范围核心作用主要缺点典型应用场景Sigmoidf(x)=1+e−x1(0, 1)将输入压缩为概率值，适合二分类输出层梯度消失（输入极大/极小时梯度接近0）；输出非零均值，影响收敛二分类输出层Tanhf(x)=ex+e−xex−e−x(-1, 1)零均值输出加速收敛；比Sig... 一、一些常见激活函数对比激活函数数学公式输出范围核心作用主要缺点典型应用场景Sigmoidf(x)=1+e−x1(0, 1)将输入压缩为概率值，适合二分类输出层梯度消失（输入极大/极小时梯度接近0）；输出非零均值，影响收敛二分类输出层Tanhf(x)=ex+e−xex−e−x(-1, 1)零均值输出加速收敛；比Sig...
- 数据集已划分为 train、test、val 三个子集，共计近 3000张高清图像，每张图像都包含清晰的目标注释文件（YOLO格式），非常适合用于深度学习模型中的目标检测与分类任务，特别是YOLOv5、YOLOv8、YOLOv11等模型的训练与测试。 数据集已划分为 train、test、val 三个子集，共计近 3000张高清图像，每张图像都包含清晰的目标注释文件（YOLO格式），非常适合用于深度学习模型中的目标检测与分类任务，特别是YOLOv5、YOLOv8、YOLOv11等模型的训练与测试。
- @[toc] 人脸表情[七种表情]数据集（15500张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】该数据集已按照训练集（train）和测试集（test）划分，共计 15,500 张人脸图像，覆盖 七种典型表情类别，并附带相应的标注文件，可直接用于模型训练与评估。 背景随着人工智能和计算机视觉的发展，表情识别在人机交互、智能监控、心理健康、驾驶员状态监测等领域具有... @[toc] 人脸表情[七种表情]数据集（15500张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】该数据集已按照训练集（train）和测试集（test）划分，共计 15,500 张人脸图像，覆盖 七种典型表情类别，并附带相应的标注文件，可直接用于模型训练与评估。 背景随着人工智能和计算机视觉的发展，表情识别在人机交互、智能监控、心理健康、驾驶员状态监测等领域具有...
- 华为云主机 华为云主机
- 本文三桥君将深入探讨Embedding模型的重要性，分析常见的Embedding模型及其适用场景，并为你提供如何选择合适的Embedding模型的实用建议。通过重新审视和优化Embedding模型，你将能够为你的RAG系统找到真正的“完美搭档”，从而显著提升系统性能和用户体验。 本文三桥君将深入探讨Embedding模型的重要性，分析常见的Embedding模型及其适用场景，并为你提供如何选择合适的Embedding模型的实用建议。通过重新审视和优化Embedding模型，你将能够为你的RAG系统找到真正的“完美搭档”，从而显著提升系统性能和用户体验。
- AI-Compass宝藏资源库：构建最全面的AI学习与实践生态，服务AI全群体 AI-Compass宝藏资源库：构建最全面的AI学习与实践生态，服务AI全群体
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
苏州工业园区“华为云杯”2025人工智能应用创新大赛赛中直播2025/08/21 周四 16:00-17:00
Vz 华为云AIoT技术布道师
本期直播将与您一起探讨如何基于华为云IoT平台全场景云服务，结合AI、鸿蒙、大数据等技术，打造有创新性，有竞争力的方案和产品。
回顾中
热门标签