视觉生产定义
——通过一个/一些列过程，产生新的视觉表达
识别：知道是什么
检测：识别+知道在哪里
分割：识别+检测+知道每一个像素是什么
视觉生产——从无到有
视觉生产流程—— 1.理需求 2.定草图 3.选状态 4.调细节 5.生成图 6.好评坏
视频编辑——移花接木
视觉增强——视频增强：生成对抗技术与图像翻译技术相融合
视觉增强——风格迁移
视觉ai流程：1.输入 2.生成 3.多样 4.生产
视觉AI五天训练营教程 Day 1笔记
2020-09-26
310
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
视觉生产定义
相关文章
|
12天前
|
人工智能
测试技术
API
AI计算机视觉笔记二十 九：yolov10竹签模型，自动数竹签
本文介绍了如何在AutoDL平台上搭建YOLOv10环境并进行竹签检测与计数。首先从官网下载YOLOv10源码并创建虚拟环境，安装依赖库。接着通过官方模型测试环境是否正常工作。然后下载自定义数据集并配置`mycoco128.yaml`文件，使用`yolo detect train`命令或Python代码进行训练。最后，通过命令行或API调用测试训练结果，并展示竹签计数功能。如需转载，请注明原文出处。
50
4
4
|
13天前
|
JSON
人工智能
数据格式
AI计算机视觉笔记二十六：YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8，并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据，文档介绍了如何使用`labelme`标注工具进行关键点标注，并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后，通过Jupyter Notebook可视化标注结果确保准确性。最后，文档展示了如何组织数据集目录结构，并提供了训练与测试代码示例，包括配置文件`smoke.yaml`及训练脚本`train.py`，帮助读者完成自定义模型的训练与评估。
61
2
2
|
13天前
|
机器学习/深度学习
人工智能
PyTorch
AI计算机视觉笔记三十二：LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架，适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割，采用端到端的轻量化设计，结合了squeezenet和inception的思想。其创新点在于去除了RNN，仅使用CNN与CTC Loss，并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖，执行训练和测试脚本时可能遇到若干错误，需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率，自行训练时建议增加训练轮数以提升效果。
40
4
4
|
13天前
|
人工智能
开发工具
计算机视觉
AI计算机视觉笔记三十：yolov8_obb旋转框训练
本文介绍了如何使用AUTODL环境搭建YOLOv8-obb的训练流程。首先创建虚拟环境并激活，然后通过指定清华源安装ultralytics库。接着下载YOLOv8源码，并使用指定命令开始训练，过程中可能会下载yolov8n.pt文件。训练完成后，可使用相应命令进行预测测试。
34
4
4
|
12天前
|
人工智能
并行计算
测试技术
AI计算机视觉笔记三十一：基于UNetMultiLane的多车道线等识别
该项目基于开源数据集 VIL100 实现了 UNetMultiLane，用于多车道线及车道线类型的识别。数据集中标注了六个车道的车道线及其类型。项目详细记录了从环境搭建到模型训练与测试的全过程，并提供了在 CPU 上进行训练和 ONNX 转换的代码示例。训练过程约需 4 小时完成 50 个 epoch。此外，还实现了视频检测功能，可在视频中实时识别车道线及其类型。
34
3
3
|
13天前
|
传感器
人工智能
算法
AI计算机视觉笔记二十七：YOLOV8实现目标追踪
本文介绍了使用YOLOv8实现人员检测与追踪的方法。通过为每个人员分配唯一ID，实现持续追踪，并可统计人数，适用于小区或办公楼出入管理。首先解释了目标检测与追踪的区别，接着详细描述了使用匈牙利算法和卡尔曼滤波实现目标关联的过程。文章提供了基于IOU实现追踪的具体步骤，包括环境搭建、模型加载及追踪逻辑实现。通过示例代码展示了如何使用YOLOv8进行实时视频处理，并实现人员追踪功能。测试结果显示，该方法在实际场景中具有较好的应用潜力。
33
3
3
|
13天前
|
人工智能
测试技术
PyTorch
AI计算机视觉笔记二十四：YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP（You Only Look Once for Panoptic Driving Perception）的过程，包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布，可在Jetson TX2上达到23FPS，实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤，并解决了ONNX转换过程中的问题。
37
3
3
|
12天前
|
人工智能
Linux
iOS开发
AI超强语音转文本SenseVoice，本地化部署教程！
【9月更文挑战第7天】以下是AI超强语音转文本工具SenseVoice的本地化部署教程：首先确保服务器或计算机满足硬件和软件要求，包括处理器性能、内存及操作系统等。接着从官网下载适合的安装包，并按操作系统进行安装。配置音频输入设备和语言模型后，启动SenseVoice并测试其语音转文本功能。最后根据实际使用情况进行优化调整，并定期更新以获取最新功能。详细步骤需参照官方文档。
54
1
1
|
12天前
|
机器学习/深度学习
人工智能
测试技术
AI计算机视觉笔记二十五：ResNet50训练部署教程
该项目旨在训练ResNet50模型并将其部署到RK3568开发板上。首先介绍了ResNet50网络，该网络由何恺明等人于2015年提出，解决了传统卷积神经网络中的退化问题。项目使用车辆分类数据集进行训练，并提供了数据集下载链接。环境搭建部分详细描述了虚拟环境的创建和所需库的安装。训练过程中，通过`train.py`脚本进行了15轮训练，并可视化了训练和测试结果。最后，项目提供了将模型转换为ONNX和PT格式的方法，以便在RK3568上部署。
32
2
2
|
13天前
|
人工智能
监控
算法
AI计算机视觉笔记二十 八：基于YOLOv8实例分割的DeepSORT多目标跟踪
本文介绍了YOLOv8实例分割与DeepSORT视觉跟踪算法的结合应用，通过YOLOv8进行目标检测分割，并利用DeepSORT实现特征跟踪，在复杂环境中保持目标跟踪的准确性与稳定性。该技术广泛应用于安全监控、无人驾驶等领域。文章提供了环境搭建、代码下载及测试步骤，并附有详细代码示例。
42
1
1
热门文章
最新文章
1
前沿 | AI不用地图和GPS也能认路：DeepMind再放大招
2
阿里AI上岗双11服装车间，能识别头发丝直径十分之一的瑕疵
3
中国人工智能学会通讯——最优传输理论在机器学习中的应用 1.1 最优传输理论与 WGAN 模型
4
金融投资新范式，一场人工智能技术带来的进化
5
人工智能和物联网——5个新兴的应用案例
6
腾讯AI单挑王者荣耀职业玩家，“绝悟”技术细节首次披露！
7
Salesforce收购人工智能公司MetaMind
8
《中国人工智能学会通讯》——1.40 深度学习
9
产品更新｜宜搭AI 两大功能：智能应用、智能公式已上线
10
云上有AI，让地球科学研究更省力
1
【AI 场景】如何使用 AI 向客户推荐个性化产品？
249
2
【AI 场景】人工智能在自然语言理解方面的挑战和解决方案
181
3
【AI 场景】如何开发用于自动驾驶的人工智能系统？
91
4
【AI 场景】设计一个 AI 系统来识别和分类图像中的对象
68
5
【AI 场景】如何应用 AI 来优化供应链管理
410
6
【AI 场景】如何设计一个人工智能系统来预测电信公司的客户流失？
61
7
【AI 初识】解释推荐系统的概念
105
8
【AI 初识】人工智能开发和部署的道德考虑是什么？
69
9
分享几个.NET开源的AI和LLM相关项目框架
78
10
[译][AI OpenAI-doc] 代码解释器 Beta
138