tag AI

標籤
貢獻179
1300
03:55 AM · Nov 07 ,2025
wintersun 頭像 lying7 頭像 Goblinscholar 頭像 codingtea 頭像 dmx778 頭像 OBCE666 頭像 yupi 頭像 poloai 頭像 longronglang 頭像 XY-Heruo 頭像 yjmyzz 頭像 u_16773655 頭像

@AI / 博客 RSS 訂閱

codingtea 頭像

Coding茶水間 - 基於深度學習的車牌識別系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的車牌識別系統 1. 前言​ 大家好，這裏是 Coding茶水間。 今天給大家帶來的是 《基於YOLO的車牌識別系統》。 在智慧交通、停車場管理、道路執法以及安防監控等場景中，快速、準確地獲取車輛號牌信息是實現自動化管理的關鍵。然而在現狀中，很多實際應用仍依賴人工抄錄或傳統的OCR方案，這些方法在面對複雜光照、傾斜拍攝、運動模糊、特殊車牌（如新能源綠牌、黃牌）時，識別率往

AI

收藏 評論

wintersun 頭像

PetterLiu - LLM驅動的多智能體心靈感應協作

一.概述：從“對話”到“心靈感應”的進化 在人工智能領域，多智能體系統（Multi-Agent Systems, MAS）正迅速成為一項具備戰略性意義的技術。它推動着AI從獨立的“個體思考者”向能夠協同解決複雜問題的“智能團隊”演進。然而，當前主流的多智能體協作方式嚴重依賴於文本——如同人類通過對話交流。這種模式不僅效率低下，還常常因信息的壓縮和轉譯而導致關鍵細節的丟失。為了突破這一瓶頸，一項

AI

收藏 評論

joas-pambou 頭像

Joas Pambou - Integrating Image-To-Text And Text-To-Speech Models (Part 2)

In Part 1 of this brief two-part series, we developed an application that turns images into audio descriptions using vision-language and text-to-speech models. We combined an image-to-text that anal

Techniques , Tools , AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程五：自然語言處理 第一週：循環神經網絡 課後習題與代碼實踐

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第五課第一週的課後習題和代碼實踐部分。 1.理論習題 【中英】【吳恩達課後測驗】Course 5 - 序列模型 -

AI

收藏 評論

Johny-zhao 頭像

Johny_Zhao - centos7安裝部署openclaw

在 CentOS 7 上安裝部署OpenClaw（一個開源的《百戰天蟲》（Worms）風格遊戲，基於 Java 編寫）需要完成以下步驟。由於 OpenClaw 是用 Java 編寫的，主要依賴 Java 運行環境和一些圖形/音頻庫。 一、系統準備 確保你的 CentOS 7 系統是最新的： sudo yum update -y 安裝常用工具（如 wget、git、

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的水果品質檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的水果品質檢測系統演示與介紹 1. 前言​ 在農業和食品安全領域，水果品質檢測面臨效率和準確性挑戰。傳統手工方法易受主觀影響，無法實現實時監控。本文介紹基於YOLO算法的水果品質檢測系統，可自動識別水果類型（如草莓、香蕉、番茄）及其變質程度（優質、輕微變質、腐爛）。 系統利用YOLO變體（如YOLOv5和YOLOv12N）訓練於超過21,000張圖片數據集（訓練集11,964

AI

收藏 評論

lying7 頭像

躺柒 - 讀人工智能全球格局：未來趨勢與中國位勢17專家視角(上)

1.加大對人工智能基礎理論的探索 1.1.劉海濱 1.1.1.中國航天系統科學與工程研究院總工程師 1.2.人工智能的發展不會一帆風順，技術進展緩慢、倫理道德衝擊、根技術儲備不足、應用不滿足實際需求等，都將給中國人工智能的發展帶來挑戰 1.2.1.我國仍然是一個追隨者，不完全是一個創新突破的國家 1.2.2.60%的論文作者是華人，工業界出現的眾多公司中也有很多來自中

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程三： 結構化機器學習項目 第二週：誤差分析與學習方法 課後習題和代碼實踐

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第三課第二週的課程習題部分的講解和代碼實踐。 1 . 理論習題 還是先上鍊接：【中英】【吳恩達課後測驗】Cours

AI

收藏 評論

dmx778 頭像

大模型玩家七七 - 向量數據庫技術內核：從存儲到檢索，拆解其高效運作的秘密

向量數據庫技術內核：從存儲到檢索，拆解其高效運作的秘密 寫在前面：我也是“被向量數據庫名詞轟炸”過的人 説實話，我第一次接觸向量數據庫的時候，是有點抗拒的。 那會兒各種文章都在説： 向量數據庫是 AI 時代的“新型基礎設施” 沒有向量數據庫，大模型就跑不起來 它徹底改變了傳統數據庫的範式 結果我真正打開文檔一看，全是： embedding ANN IVF HNSW PQ

AI

收藏 評論

longronglang 頭像

久曲健 - AI測試不是工具升級,是思維革命:從OpenClaw看測試工程師的生死劫

我測了100個目標,發現AI測試改變了遊戲的規則 我用OpenClaw測了100個目標,效率提升了10倍。 這不是重點。 重點是,我發現測試的邏輯完全變了。 傳統測試,我測"對不對"。 AI測試,我得測"穩不穩、準不準、誠不誠"。 底層邏輯天差地別。 傳統軟件vs AI系統,測試對象變了 我之前做傳統軟件測試,代碼邏輯是固定的。 輸入→規則→輸出,行為確定,可復現。 但AI系統不一樣。 它基於數

AI

收藏 評論

lying7 頭像

躺柒 - 讀人機溝通法則：理解數字世界的設計與形成06機器讓失衡自動化

1.排斥 1.1.科技公司需要全速運行以跟上摩爾時間尺度，這加大了在潛在僱員中優化“文化適配度” 1.1.1.意味着招聘“和我們一樣”的人—的壓力 1.1.2.新員工就會花更少的時間適應（因為他們“和我們一樣”​）​，產生更少的日常摩擦（因為他們“和我們一樣”​）​，並且聽老闆的話（因為他們“和老闆一樣”​）​ 1.2.“排斥” 1.2.1.exclude這

AI

收藏 評論

rsls 頭像

五藴非空 - AI工具實踐日記（一）：在樹莓派上搭建OpenClaw，一個後端開發者的真實踩坑記錄

真實記錄我在樹莓派上探索OpenClaw的過程——不美化、不炫技，只有真實的踩坑和驚喜。 引言 作為一名後端開發者，我的技術棧從C#開始，逐漸學會了VUE，變成了全棧開發。後來也學習了Python，也用Java開發企業級應用。但是最近這幾年，隨着AI的發展，從ChatGPT到Kimi，從在VsCode中對話，到在Cursor中編程，從學會使用Claude Code開始，我已經變成了AI全棧

AI

收藏 評論

dmx778 頭像

大模型玩家七七 - 從 0 到跑通一次微調：別急着追效果，先讓它“真的動起來”

[]()##微調最難的地方，從來不是“學不會”，而是“跑不起來” 如果你是第一次接觸大模型微調，很可能已經經歷過這樣一個階段。你看過不少文章，也刷過不少視頻，大致知道什麼是 SFT、LoRA，知道微調是“拿數據繼續訓練模型”。從概念上看，這件事並不複雜，甚至有點“理所當然”。但真到你自己動手的時候，事情就開始變得不對勁了：環境裝不好，數據不知道該怎麼準備，模型跑是跑了但你完全不知道它在幹嘛，

AI

收藏 評論

wintersun 頭像

PetterLiu - 中國智能體應用現狀與企業實踐

中國智能體應用的行業全貌，核心邏輯是 “基礎治理缺失制約落地，技術 + 方法論雙輪驅動破局”，以下是分層解讀： 行業現狀：“熱市場” 與 “冷落地” 的矛盾突出 市場熱度高：涌入智能體領域的廠商數量龐大，反映出行業對智能體的商業化潛力預期較高。 落地成效差：大多數企業的智能體應用未能有效落地，暴露出技術與業務場景的適配存在明顯斷層。 核心挑戰：三大底層問題卡住智能

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程二： 改善深層神經網絡 第三週：超參數調整，批量標準化和編程框架 課後習題和代碼實踐

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第二課第三週的課程習題和代碼實踐部分筆記。 1. 理論習題：獨熱編碼 還是先上鍊接： 【中英】【吳恩達課後測

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的香蕉成熟度檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的香蕉成熟度檢測系統演示 1. 前言​ 隨着農業現代化的發展，水果品質在線檢測在採摘後分級與倉儲管理中具有重要意義。香蕉成熟度直接影響其口感與銷售價值，但人工檢測效率低、主觀性強，難以滿足規模化需求。 YOLO 系列算法檢測速度快、精度較高，已廣泛用於目標檢測。然而在香蕉成熟度檢測中，不同階段的外觀差異細微，且易受光照、背景等因素干擾，現有方法多侷限於簡單二分類，缺乏多類別細

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的安檢危險品檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的安檢危險品檢測系統 1. 前言​ 大家好，歡迎來到 Coding 茶水間。 在公共交通與公共安全的日常守護中，安檢是防止危險品流入人羣的關鍵防線。傳統依靠人工判圖的安檢方式，不僅工作強度大，還容易因疲勞或經驗差異漏檢風險物品。今天我們要分享的項目，就是基於 YOLO 算法​ 的安檢危險品檢測系統——它能自動分析安檢通道拍攝的箱包圖像，精準識別其中的槍支、刀具等危險品，把“人

AI

收藏 評論

geek1116 頭像

愛喝可樂的咖啡 - 引入AI輔助的3D遊戲美術工作流

3D遊戲美術流程 不同於其他類型的AI應用，3D內容的AI生成應用所面向的行業更加垂直，會有一定的專業使用門檻，並且生成的產物與直接投入生產環境的內容往往還存在一定的距離。筆者這裏針對小型獨立遊戲/Demo的場景下，為提高3D遊戲美術工作效率和降低成本，分享下在引入了AI生成後的美術工作流程。 首先回顧下在行業中一個比較主流的美術工作流，大致如下： 雕刻高模 ↓ 拓撲低模、佈線 ↓

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 高光譜成像（二）光譜角映射 SAM

在第一篇中我們已經提到：高光譜圖像的每一個像素，本質上是一個高維光譜向量。 如果一個像素有 100 個波段，那麼它就可以表示為： \[\mathbf{x} = (I_1, I_2, \dots, I_{100}) \] 既然每個像素是一個向量，我們又知道了高光譜圖像的經典應用就是識別物質，那麼一個很自然的問題就出現了： 如何判斷兩個像素是否屬於同一種物質？ 在 RGB 圖像中，我們

AI

收藏 評論

wintersun 頭像

PetterLiu - 氛圍編程工具個人推薦

大模型推理能力（腦子） 編輯器功能（手）。它更推崇擁有強大邏輯架構能力的模型（如Claude），而不是單純的IDE集成工具。 第一梯隊 (First Echelon)：主力軍 這一層級是作者認為完成“Vibe Coding”最核心的工具組合。 Claude Code (核心大腦) 定位： 架構師、總指揮。 專家解讀： 這裏指的應該是搭載

AI

收藏 評論

duyuanshang 頭像

獨元殤 - 新手在國內，如何 10 分鐘快速用上 Claude Code ！

目錄 1.首先是安裝！ 2.配置代理 3.上聚合站搞 API 4.配置環境，自定義模型 API 5.選擇其他模型 6.終於看到主界面了 7.完成 首先，這個話題針對的大概率是 claude opus 4.5 模型 很難在國內被使用。這個很好解決，我肯定不會肉身在國內，冒險去花個幾百塊砸去 Anthropic

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的玉米蟲害檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的玉米蟲害檢測系統 1. 前言​ 大家好，歡迎來到Coding茶水間！ 今天我們要聊的，是一個既貼近農業實際需求、又充滿技術巧思的成品項目——基於YOLO算法的玉米蟲害檢測系統。在正式展開前，不妨先聊聊我們當下的背景：隨着全球糧食安全需求的攀升，玉米作為主糧作物之一，其生長週期中的蟲害問題始終是農户與科研人員的“心頭大患”。傳統蟲害檢測依賴人工巡查，不僅效率低、漏檢率高，

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的水下垃圾檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的水下垃圾檢測系統 1. 前言​ 隨着海洋環境保護和水下作業需求的增加，快速、準確地識別水下垃圾成為亟待解決的問題。然而，受光照變化、水體渾濁及數據稀缺等因素影響，現有檢測手段普遍存在魯棒性不足、實時性差、部署成本高等痛點。YOLO 系列算法憑藉高速與較高精度的優勢，為目標檢測提供了可行方案，但在水下環境仍需針對性優化。為此，我們開發了基於 YOLO 算法的水下垃圾檢測系統，

AI

收藏 評論