登录社区云，与社区用户共同成长
邀请您加入社区
上周一个读者找我复盘字节面试，二面面试官问了一个看似简单的问题："你们团队提示词膨胀得厉害，你打算怎么精简？"我当时想都没想就回："模仿Claude Code的思路呗，把冗余的示例删掉，过时的硬性规则清理掉，剩下按需加载。"面试官听完点点头，又追问了一句："那删完之后，你怎么验证没翻车？"
摘要：本文介绍基于天宫二号遥感图像数据集（NaSC-TG2）的深度学习分类方法。该数据集包含10类场景（如海滩、农田、雪山等）共20000张128×128像素的RGB图像，其中2000张用于训练。建议采用卷积神经网络（CNN）模型，通过数据增强解决样本不足问题，并利用迁移学习提升模型性能。训练完成后，模型可对18000张测试集图像进行自动分类识别。该方法可应用于国土资源、生态环境等领域的遥感图像智
类别名称:['american_football','baseball','basketball','billiard_ball','bowling_ball','cricket_ball','football','golf_ball','hockey_ball','hockey_puck','rugby_ball','shuttlecock','table_tennis_ball','tenni
对无标注CT图像（共5000张），通过弱增强（翻转缩放）输入教师网络得到伪标签，同时计算证据不确定性：每个像素属于结节的概率服从Beta分布，分布的浓度参数由网络额外分支输出。训练160个epoch，初始学习率0.001，批次大小8。测试集上，分割平均Dice系数达到0.891，相比传统U-Net的0.827提升显著，对小于5mm的微小结节，Dice也从0.675升至0.748。使用多核学习分类器
本文介绍了一个基于PyTorch的中文情绪分类系统，支持RNN、LSTM和GRU三种神经网络模型。系统包含数据预处理、模型训练与评估模块，并实现了可视化UI界面、训练过程可视化以及GPU加速训练功能。通过jieba分词处理中文文本，使用PyTorch构建可切换的神经网络模型，并提供了完整的训练流程代码。该系统能够有效完成中文文本的情绪分类任务，支持正面/负面情感判断，具有较高的实用性和可扩展性。
智慧隧道场景识别 隧道渗漏识别 隧道裂缝 隧道脱落 地铁隧道渗漏、地铁裂缝、地铁墙壁剥落 图像分类和目标检测数据集 (1)
1.加载数据集df = pd.read_csv('./data/红酒品质分类.csv')#2.查看数据集df.info()#3.抽取特征数据和标签数据y = df.iloc[:, -1] - 3 #最后一列是标签,默认标签是[3-8],-3后转换为[0,5]#4.查看数据print(f'查看标签数据是否均衡{Counter(y)}')#5.切分训练集和测试集 参5：参考数据集的标签分布#6.将上述
在预测时，每个模型都对样本进行预测，得到 N(N-1)/2 个预测结果。然而，它可能会受到类别不平衡问题的影响，因为每个模型的样本分布可能不同。OvO 策略需要训练更多的模型，但它对于类别不平衡的情况更加稳健，因为每个模型只关注两个类别，样本分布相对平衡。在预测时，对于一个新样本，每个模型都会给出一个预测概率或类别标签。在预测速度上，OvR 策略需要计算所有模型的预测结果，而 OvO 策略只需要计
智慧渔业之鱼分类检测数据集 鱼类分类识别数据 鱼种类分类识别数据集 鱼识别数据集
本文介绍了一个高质量的五类生活固体垃圾分类目标检测数据集，专为智能垃圾分类系统研发而设计。该数据集包含玻璃、金属、纸张、塑料和废弃物五大类别，采用标准YOLO格式标注，覆盖真实生活场景中的复杂环境、多光照条件和不同尺寸目标。数据集具有三大核心优势：高质量人工标注确保边界框精准；类别设置贴合实际垃圾分类需求；标准化格式兼容主流深度学习框架。该资源可广泛应用于智能垃圾分类箱、自动化分拣系统、环保巡检设
本文构建了一套基于YOLO26的农业害虫检测系统，旨在实现对10类常见水稻与小麦害虫的自动识别与定位。系统采用YOLO26作为核心检测模型，训练数据集共计995张标注图像，其中训练集696张、验证集199张、测试集100张。实验结果显示，模型在验证集上的整体平均精度（mAP50）达到0.932，mAP50-95为0.64，单张图像推理速度约为5.6ms，展现出高精度与实时性的双重优势。混淆矩阵与精
智能超市结算系统水果与蔬菜识别数据集 自动称重AI识别图像数据集 蔬菜水果分类和识别数据集 AI识别结算系统
智能湿地保护鸟类识别数据集 鸟类分类数据集 八哥识别 yolov8翡翠鸟识别麻雀数据集鸟类研究目标检测数据集第10275期
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["bianzhiyan","chenjiyan","huochengyan"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)对应中文类别名：["火成岩", "变质岩", "沉积岩"]图片
采用 训练集60% / 验证集20% / 测试集20% 的三分策略，分层采样保证每个类别比例一致。批量训练完成后，还会自动汇总所有组合的指标（Val Acc、Test Acc、Precision、Recall、F1），并保存为CSV文件，方便对比分析。本项目就是把以上50种类型的模型全部整合到了一起，你可以方便的学习到每个模型的构建方式，并且将该模型用于故障诊断或者分类模型！：50种模型均为手写版
本文深入拆解图注意力网络（GAT）的核心原理，从数学公式推导到 PyTorch 代码实战，手把手带你掌握这一经典图神经网络。文章不仅给出基于 PyTorch Geometric 的高效实现，更从零手写完整 GAT 层，彻底搞懂注意力机制的内部运作。结合 Cora 数据集实验，涵盖多头注意力、Softmax 归一化、加权聚合等关键步骤，并附注意力权重分布与 t-SNE 节点嵌入可视化。
元宝说，鸢尾花分类项目，是机器学习的Hello world。然后给了我一个完整的鸢尾花分类代码。运行结果为：先从引入的包开始看。sklearn实际上是包scikit-learn的简称，如果在运行时候报错说，没有sklearn包。使用cmd命令行，应输入pip install scikit-learn下载安装，而不是pip install sklearn下载安装。
下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取【保证100%免费】。
这种7:0.8:0.4的划分比例合理均衡，能够充分满足模型训练、调优和性能评估的需求，确保模型在不同场景下的泛化能力。通过高精度标注和多样化场景采集，为智能垃圾分类系统提供了可靠的数据支撑，有助于提升城市环境管理水平。其丰富的场景覆盖和精细的类别划分，能够有效支持各类垃圾分类识别任务，助力构建智慧环保生态系统。所有图像均经过专业人员严格标注，每个目标物体都配有精确的边界框和清晰的类别标签。标注过程
本文摘要： 本研究以分类算法为基础，构建高校毕业生就业数据分析与可视化系统。针对当前就业市场数据爆炸式增长的现状，传统处理方法已无法满足需求。系统整合Django、Vue和ECharts等技术，实现数据深度挖掘与直观展示。研究内容包括：背景意义分析、可行性论证（经济、技术、操作）、系统需求与设计、功能实现及测试验证。通过岗位分类管理、数据大屏等功能模块，系统可有效揭示就业市场规律，优化人才配置，为
本文探讨了计算机视觉与深度学习技术在多个行业的落地应用。通过五个典型场景（电商商品归类、医疗影像分析、工业质检、安防监控、农业病害诊断），剖析了AI解决行业痛点的技术路径，包括模型选型、数据预处理、训练调优及部署优化等关键环节。文章强调AI落地需结合具体业务需求，在保证准确率的同时考虑实时性和资源消耗，并建立持续迭代机制以适应数据分布变化。为技术团队提供了从算法研发到工程部署的全流程实践指南，展现
RAG（Retrieval Augmented Generation，检索增强生成）这个技术方向，我最近花了不少时间研究。简单说就是让大模型在回答问题前先查资料，这样回答就不会胡编乱造了。这篇文章记录了我从零搭建一个智能知识库的完整过程，代码和踩坑经验都在这。
摘要 该睡岗检测数据集包含2000张标注图像，专用于YOLO系列模型的睡岗行为识别任务。数据集采集自真实监控场景，涵盖安防中心、工厂值守等多种环境，包含不同光照、角度和姿态的睡岗样本。采用YOLO格式标注，数据划分为1769张训练集和354张验证集。该数据集可应用于智能安防、工业生产监控和交通运输安全等领域，通过AI技术实现自动睡岗检测，解决传统人工巡查效率低、成本高等问题。数据集结构符合YOLO
在多输入多输出（MIMO）通信系统中，信道状态信息（CSI）的准确量化对于高效的数据传输至关重要。随着通信系统复杂度的增加以及对高速、可靠通信需求的增长，传统的 CSI 量化方法面临着诸多挑战。近年来，深度学习凭借其强大的特征提取和模式识别能力，为 CSI 量化提供了新的解决方案。特别是在时相关的 MIMO 信道环境下，利用深度学习进行递归 CSI 量化具有显著的优势。本文将深入探讨基于深度学习分
本文介绍了三种获取图像分类数据集的途径：1）从专业平台下载（推荐极市、阿里天池、魔搭社区和Kaggle）；2）自行拍摄采集；3）通过Python爬虫程序从网络获取，并提供了基于百度图片的爬取代码示例，包含完整的HTTP请求参数和进度条功能。代码支持设置关键词和下载数量，可自动保存图片到本地。
本文介绍了一个专为田间杂草检测设计的YOLO格式数据集，包含4000张标注图像，涵盖小麦、玉米、水稻等主要作物场景。数据集采用标准YOLO格式标注，包含训练集和验证集，可直接用于深度学习模型训练。文章阐述了杂草对农业的危害及传统除草方法的局限性，指出AI技术在精准除草中的应用价值。详细说明了数据采集过程、标注规范及数据结构特点，并描绘了从数据预处理到模型部署的完整应用流程。该数据集适用于智能农业机
目标检测分类设计的关键在于合理性和实用性，而非类别数量。核心原则包括：类别必须互斥且视觉差异明显（如避免"鸟vs动物"或地域性细分）、同一类别需覆盖多样场景（如不同天气/距离的鸟类）、避免按尺寸分类。类别数量应根据数据规模调整（小数据集5-10类，大数据集可达100类）。判断标准是人类能否稳定区分（95%准确率）。需注意类别过多会导致数据不平衡、标签噪声和AP下降，尤其在检测任
