- 博客(1770)
- 资源 (12)
- 收藏
- 关注
RSS订阅
原创 【YOLO】RoI Pooling 与 SPP 的核心区别详解
RoI Pooling（Region of Interest Pooling）和 SPP（Spatial Pyramid Pooling）都是用于处理不同尺寸输入的关键模块，但设计目标、应用场景和实现方式存在显著差异。
2025-05-06 14:20:07
3
原创 【设计模式】结构型模式之组合模式深度解析
组合模式（Composite Pattern） 是处理树形结构的利器，通过统一接口让客户端以一致的方式处理单个对象与对象组合，实现"部分-整体"的层次结构管理。其本质是递归算法的面向对象实现，广泛应用于需要树状数据结构的场景。
2025-05-06 08:21:23
601
原创 【RKNN】RKNN-Toolkit2 Python API之eval_memory函数详解
rknn.eval_memory() 是 RKNN-Toolkit2 中用于 评估模型在 NPU 运行时内存占用 的核心接口，提供模型运行时的内存分配详情与峰值统计，帮助开发者优化模型内存布局及资源分配。
2025-05-05 11:14:25
97
原创 【RKNN】RKNN-Toolkit2 Python API之eval_perf函数详解
rknn.eval_perf() 是 RKNN-Toolkit2 中用于 评估模型推理性能 的核心方法，提供逐层耗时统计、内存占用分析及硬件利用率数据，帮助开发者定位计算瓶颈并优化模型。
2025-05-05 11:13:58
157
原创 【RKNN】RKNN-Toolkit2 Python API之accuracy_analysis函数详解
accuracy_analysis() 是 RKNN-Toolkit2 中用于 量化精度分析 的核心接口，通过对比浮点模型与量化模型（或 NPU 硬件推理）的输出差异，定位量化误差来源。
2025-05-04 19:26:05
91
原创 【RKNN】RKNN-Toolkit2 Python API之init_runtime函数详解
init_runtime() 是 RKNN-Toolkit2 中用于 初始化 NPU 运行时环境 的核心方法，直接影响模型在目标硬件上的部署与推理性能。
2025-05-04 19:25:52
16
原创 【RKNN】RKNN-Toolkit2 Python API之inference函数详解
inference() 是 RKNN-Toolkit2 中用于 执行模型推理 的核心方法，支持多种输入格式和高级参数配置。
2025-05-03 20:23:20
131
原创 【RKNN】RKNN-Toolkit2 Python API之export_rknn函数详解
export_rknn() 是 RKNN-Toolkit2 中用于 保存转换后的 RKNN 模型 的关键方法，支持导出标准模型或预编译模型。
2025-05-03 20:23:05
11
原创 【RKNN】RKNN-Toolkit2 Python API之build函数详解
build() 是 RKNN-Toolkit2 中用于 模型转换与量化 的核心方法，负责将加载的预训练模型（如ONNX/PyTorch）转换为 RKNN 格式，并执行硬件优化。
2025-05-02 19:18:53
26
原创 【RKNN】RKNN-Toolkit2 Python 模型加载API函数详解
RKNN-Toolkit2 提供多种函数加载不同框架的预训练模型，将其转换为 RKNN 格式。
2025-05-02 19:18:39
24
原创 【RKNN】RKNN-Toolkit2 Python API函数之rknn.config()函数详解
rknn.config() 是 RKNN-Toolkit2 中用于 配置模型转换和推理参数 的核心方法，直接影响模型优化策略、量化精度及硬件适配性。
2025-05-01 22:58:41
20
原创 【YOLACT】基础分割模板（原型掩模）详解
YOLACT的基础分割模板（原型掩模） 是一种通过轻量级网络动态生成的全局特征模式。它们通过系数驱动的线性组合，实现高效的实例级分割。其核心优势在于将复杂的像素级预测简化为基向量组合问题，显著提升了实时性。尽管存在分辨率限制和原型可解释性挑战，但其设计思想为实时实例分割提供了重要范式，后续改进模型（如YOLOv5-seg）通过多尺度融合和注意力机制进一步优化了原型生成过程。实际应用中，可通过调整原型数量、结合更高分辨率特征或引入可解释性工具，进一步提升模型性能与透明度。
2025-05-01 22:58:12
129
原创 【YOLACT 】核心思想的解析
YOLACT 将实例分割任务转化为“基向量组合”问题的核心思想，是通过生成一组基础分割模板（原型掩模），再为每个实例预测一组组合系数，动态地将这些基础模板线性组合成最终的实例掩码。这种设计将复杂的像素级预测简化为系数驱动的模板合成，极大提升了效率。
2025-05-01 22:57:54
95
原创 【RKNN】RKNN-Toolkit2 Python API函数之RKNN(config=None)函数详解
RKNN(config=None) 是 RKNN-Toolkit2 的核心构造函数，用于创建 RKNN 对象，初始化模型转换与部署的上下文环境。
2025-04-30 16:55:47
17
原创 【设计模式】结构型模式之装饰器模式深度解析
装饰器模式（Decorator Pattern） 是一种动态扩展对象功能的灵活方案，通过组合代替继承，在不修改原有类的前提下，为对象层层叠加新功能，完美践行开放-封闭原则（OCP）。
2025-04-30 16:55:00
539
原创 【YOLO】YOLOv5-seg代码架构变动解析（基于v7.0版本）
YOLOv5-seg 在代码层面的核心改动详解，涵盖训练/测试入口、数据加载、网络结构、损失函数及评价指标的调整。结合源码结构与实际项目经验，分模块说明
2025-04-30 15:26:11
86
原创 【YOLO】YOLOv5-seg的Segment模块实现方案
Segment类继承自目标检测头Detect，保留原有检测功能（边界框回归、分类预测），新增分割分支处理掩模生成。这种设计复用检测模块的锚框匹配、坐标计算等基础能力，减少冗余代码。
2025-04-30 15:14:14
195
原创 【YOLO】YOLOv5-seg Proto模块深度解析
Proto模块通过特征增强→上采样→维度压缩的三阶段设计，实现了高效的原型空间生成。其输出与原检测框架无缝衔接，在保持YOLO实时性的基础上，将mAP50-95提升约5%（COCO数据集）。该模块的创新点在于将轻量级压缩与多尺度特征增强相结合，为实时实例分割提供了新的范式。
2025-04-30 14:56:50
77
原创 【YOLO】YOLACT与YOLOv5-Seg的区别深度解析
YOLOv5-Seg在速度、资源效率和部署灵活性上表现更优，而YOLACT在原型表达能力上仍有优势。实际选择需根据任务需求和硬件条件权衡。
2025-04-30 14:12:01
25
原创 【YOLACT 】原型生成分支（Protonet）详解
Protonet 的设计为实时实例分割提供了一种高效范式，后续模型（如YOLACT++、YOLOv5-seg）在其基础上进一步优化，平衡速度与精度。实际应用中，可根据场景需求调整原型数量和网络结构，例如在医疗影像中增加原型数以捕捉复杂病灶形状，或在无人机检测中减少原型数以提升帧率。
2025-04-30 14:05:45
15
原创 【YOLACT】YOLACT（You Only Look At Coefficients）深度解析
YOLACT 通过原型-系数动态组合的创新设计，首次实现了实时实例分割，为后续模型（如YOLOv5-seg、SOLO）奠定了基础。其核心思想是将分割解耦为全局原型学习和局部系数预测，显著降低计算复杂度。尽管在精度上逊于两阶段模型，但其高效性使其在自动驾驶、视频分析等实时场景中仍具应用价值。
2025-04-30 11:46:05
26
原创 【YOLO】YOLOv5-seg配置文件的详细解析
该配置文件构建了一个多任务模型，通过检测头实现目标定位与分类，分割头生成实例掩模。结合CIoU、BCE、Dice等多损失函数进行端到端优化。实际应用中需根据任务需求调整模型结构或损失参数，
2025-04-30 09:46:23
328
原创 【YOLO】YOLOv5-Seg vs YOLOv5 检测模型的深度对比解析
YOLOv5-Seg 是基于 YOLOv5 的实例分割扩展版本，在保持实时检测能力的同时新增了像素级分割功能。
2025-04-30 09:27:48
22
原创 【RKNN】RKNN-Toolkit2 Python API函数详解
RKNN-Toolkit2 的 API 设计以开发者效率为核心，覆盖模型转换、量化、部署全流程。通过灵活的参数配置（如多核调度、混合量化）和调试工具（性能分析、精度对比），可快速适配复杂边缘场景。
2025-04-29 20:19:00
27
原创 【设计模式】结构型模式之桥接模式深度解析
桥接模式（Bridge Pattern） 是解耦抽象与实现的利器，通过组合代替继承，允许两个变化维度（抽象层与实现层）独立扩展，避免多层继承导致的类爆炸问题。
2025-04-29 11:15:53
789
原创 【RKNN】RKNN-Toolkit2 工具的详解
RKNN-Toolkit2 是 Rockchip 推出的第二代神经网络模型转换与优化工具，相比初代工具链，它在 多框架支持、量化精度、硬件兼容性 及 安全部署 等方面进行了全面升级。
2025-04-29 11:01:23
28
原创 【RKNN】RKNN-Toolkit工具的详解
RKNN-Toolkit 是 Rockchip 官方提供的开发工具，用于将主流深度学习框架训练的模型转换为 RKNN 格式，并在 Rockchip NPU 硬件上进行高效推理。
2025-04-29 11:00:59
200
原创 【设计模式】结构型模式之适配器模式详解
适配器模式是一种 结构型设计模式，其核心作用是 将不兼容的接口转换为客户端期望的接口，如同现实世界中的电源转接器。该模式通过创建 中间转换层 解决接口不匹配问题，实现不同系统间的协同工作。
2025-04-28 09:12:52
252
原创 【机器学习】逻辑回归：原理、公式与应用详解
逻辑回归（Logistic Regression）是机器学习中最经典的分类算法，虽然名称含“回归”，但实际用于解决二分类问题（可扩展至多分类），广泛应用于金融风控、医疗诊断等领域。
2025-04-28 09:00:25
228
原创 【RKNN】RKNN（Rockchip Neural Network） 的详解
RKNN 为 Rockchip 硬件提供了高效的 AI 推理解决方案，适合需要低功耗、实时响应的边缘场景
2025-04-28 08:34:51
109
原创 【设计模式】结构型模式的综述
结构型模式（Structural Patterns）专注于如何通过 组合对象和类 来构建灵活、可扩展的软件架构，解决对象间关系复杂性的核心问题。
2025-04-27 11:29:19
813
原创 【机器学习】决策树：原理、构建与实战详解
决策树（Decision Tree）是一种基于树形结构的监督学习算法，通过递归划分数据完成分类或回归任务。其核心思想是模拟人类决策过程，以直观的规则集描述数据规律，适用于可解释性要求高的场景。
2025-04-27 10:58:03
103
原创 【机器学习】线性回归：原理、公式与应用详解
线性回归（Linear Regression）是机器学习中最基础的监督学习算法，核心思想是通过线性方程拟合输入特征与连续型目标变量之间的关系，广泛应用于预测、分析和特征重要性评估。
2025-04-26 07:14:34
135
原创 深入浅出之抽象工厂模式
抽象工厂模式（Abstract Factory Pattern）是创建型设计模式的集大成者，专为创建相关或依赖对象的家族而设计，无需指定具体类。
2025-04-26 07:14:11
747
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人