pytorch标签_腾讯云开发者社区

pytorch

用PyTorch复现U-Net踩过的那些坑：从DRIVE数据集加载到预测结果可视化

本文详细介绍了使用PyTorch复现U-Net进行医学图像分割的全流程，重点解析了DRIVE数据集加载、模型架构实现、损失函数设计及优化技巧中的常见问题与解决方案。通过实战代码示例，帮助开发者避开U-Net实现中的典型陷阱，提升图像分割模型的性能与效率。

柯雨恒
2026-04-22 09:36:14

 264

 6

#pytorch #深度学习
项目1-B：手写体识别系统handwriting_ocr_system的深度学习系统基础环境搭建实战指南

本文详细介绍了中小学试卷手写体识别系统的基础环境搭建流程。内容包括：1) 硬件配置建议(CPU/GPU/内存/存储)；2) 软件版本矩阵(Python 3.8/CUDA 11.8/PyTorch 2.0)；3) 分步骤安装指南：Ubuntu系统安装、NVIDIA驱动配置、CUDA/cuDNN安装、Python虚拟环境创建；4) 核心依赖包安装清单。提供完整的命令行操作指南，涵盖从操作系统到深度学习

 黑客思维者
2026-01-01 20:13:04

 790

 25

#深度学习 #人工智能 #opencv +2
YOLOv8与CNN的X射线胸腔图肺炎识别系统深度学习卷积神经网络 yolov8, resnet50，mobilenet，alexnet【python源码】

本文介绍了一个基于YOLOv8和CNN（包括ResNet50、AlexNet、MobileNet）的X射线胸腔图肺炎识别系统。系统采用PyTorch框架实现，包含4个可对比的深度学习模型，使用Python+Pyside6开发GUI界面。项目提供完整的数据集、训练代码和测试代码，支持模型训练过程可视化（准确率/损失曲线）、模型评估（混淆矩阵、准确率等指标）等功能。系统可在PyCharm/Anacon

lanbo_ai
2026-03-28 10:45:00

 345

 6

#python #cnn #pytorch +2
医疗边缘用PyTorch Mobile部署稳住推理

PyTorch Mobile作为轻量化推理框架，通过优化模型部署流程，实现了医疗边缘设备的“稳态推理”——即在资源受限环境下保持高精度、低波动的推理性能。未来5年，随着PyTorch Mobile与神经形态芯片的融合，医疗边缘将从“可用”走向“必需”，而“稳”字将成为行业新标尺。例如，ResNet-18分类模型经量化（FP16→INT8）后，体积缩小65%，推理速度提升2.3倍，同时精度损失<1.

jaxzheng
2026-01-09 11:55:32

 801

 21

#pytorch #人工智能 #python +2
【CNN网络入门】基于PyTorch的MNIST手写数字识别：从数据准备到模型部署全流程详解

本文介绍了使用PyTorch框架构建卷积神经网络(CNN)实现MNIST手写数字识别的完整流程。主要内容包括：数据准备与预处理、构建CNN网络结构、模型训练与评估。实验使用PyTorch的DataLoader加载MNIST数据集，设计包含两个卷积层和两个全连接层的CNN网络，通过交叉熵损失函数和SGD优化器进行训练。最终模型在测试集上达到98%以上的准确率，验证了CNN在手写数字识别任务中的有效性

 sbvtkdddnl
2026-02-10 13:49:46

 801

 9

#深度学习 #pytorch #人工智能
【Python/Pytorch - 网络模型】-- 手把手搭建3D ResUNet模型

本文介绍了3D ResUNet模型及其PyTorch实现。该模型基于U-Net架构，结合3D卷积模块和残差跳跃连接，适用于MRI等3D医学图像分割任务。模型采用编码器-解码器结构，通过多尺度下采样处理各向异性3D医学图像，并使用三线性上采样保持几何精度。实验表明批归一化对MRI定量任务影响较大，建议根据实际情况调整。代码提供了卷积块、上采样块等核心组件，支持残差连接以解决深度网络梯度问题。

电科_银尘
2026-01-25 12:01:48

 515

 9

#python #pytorch #网络
yolo报错OSError: [WinError 1455] 页面文件太小，无法完成操作

这个报错的原因大概率是CPU资源不够用，下面这篇的解决方案是把线程数减少，算是软件上的优化，但是线程数减少会大大减低训练的速度。如果你的笔记本有独显的话，检查一下独显是否打开，打开了独显就可以给cpu空出更多资源YOLO训练报错解决：OSError: [WinError 1455] 页面文件太小，无法完成操作_yolov8 oserror: [winerror 1455] 页面文件太小,无法完成操

 ROS小菜
2026-01-07 21:59:19

 234

 1

#python #pytorch
YOLOv7海上船舶检测系统代码功能说明

YOLOv7海上船舶检测系统基于YOLOv7目标检测算法构建，专注于实现海上场景下船舶的精准检测与识别。该系统支持图像、视频两种输入类型的检测任务，同时提供模型导出、性能测试等功能模块，可部署于Triton Inference Server实现高效推理，适用于海事监控、海上交通管理等实际应用场景。系统整体采用Python语言开发，依赖PyTorch深度学习框架，结合OpenCV等工具库完成数据预处

 oOOpHQYUKG
2026-02-12 17:19:06

 771

 21

#pytorch
PyTorch人脸追踪算法在树莓派5 NPU平台的适配要点

详解如何将PyTorch模型部署到树莓派5的NPU上实现高效人脸追踪，涵盖算子兼容性、内存优化与推理加速技巧，帮助开发者充分发挥pytorch和树莓派5的边缘计算潜力。

csp1223
2026-01-11 09:00:54

 668

 18

#pytorch
**剪枝模型实战：用PyTorch实现高效神经网络压缩与加速**在深度学习模型部署过程中

非结构化剪枝（Unstructured Pruning）：随机删除单个权重值，适合量化+稀疏计算加速。结构化剪枝（Structured Pruning）：按通道/层整体移除，便于硬件加速器利用（如TensorRT、OpenVINO）。我们重点讲解结构化通道剪枝（Channel Pruning），因为它更适合工业级部署场景！# 示例：原始卷积层结构（假设为Conv2d）# ... 其他模块略```

taozodew123
2026-04-09 09:07:00

 213

 8

#深度学习 #剪枝 #pytorch +2
YOLO引入注意力模块

这里对自己简单的修改YOLO网络做一个记录，YOLO这个框架非常成熟（修改yolov8、v9、v11等等都是相同的方法），进行这种即插即用模块的修改非常简单，下面我会以非常典型的CBAM模块为例子。

hdddddddd1234567
2026-01-29 13:47:51

 759

 12

#深度学习 #pytorch #人工智能
Qt + OpenCV图像视觉框架源码探秘

Qt+OpenCV图像视觉框架全套源码上位机源码工具可扩展。除了opencv和相机sdk的dll，其它所有算法均无封装，可以根据自己需要补充自己的工具。基于 Qt5.14.2 + VS2019 + OpenCV 开发实现，支持多相机多线程，每个工具都是单独的 DLL，主程序通过公用的接口访问以及加载各个工具。包含涉及图像算法的工具、逻辑工具、通讯工具和系统工具等工具。最近捣鼓了一个超有趣的项目—

QQ68823886
2026-04-08 18:45:00

 27

#pytorch
从标注到部署：用Faster R-CNN.pytorch训练自定义数据集，并生成可直接使用的检测模型

本文详细介绍了使用Faster R-CNN.pytorch训练自定义数据集并生成可直接使用的检测模型的全流程，包括数据准备、模型训练、参数调优以及生产部署。特别针对工业质检、安防监控等实际场景，提供了从数据标注到模型部署的实战经验和技术细节，帮助开发者快速实现目标检测技术的落地应用。

weixin_30321449
2026-04-22 02:04:32

 304

 3

#pytorch #目标检测
PyTorch人脸追踪算法嵌入式部署至树莓派5详解

详解如何将基于pytorch训练的人脸追踪模型成功部署到树莓派5，实现轻量级边缘计算应用，充分发挥树莓派5的算力优势，提升实时追踪性能。

阿qi 爱喝拿铁
2026-01-03 15:28:57

 1174

 21

#pytorch
Transformer十年演进

Transformer架构在十年间（2015-2025）完成了从实验室技术到智能文明基石的蜕变。2017年提出的自注意力机制彻底改变了序列建模范式，2018年BERT验证了自监督预训练的威力。2020年GPT-3开启了生成式AI时代，2021年ViT实现了视觉与语言的架构统一。到2025年，Transformer已进化为具备深度推理能力的系统级智能：支持内核级eBPF安全审计、1.58-bit极致

 jzwspace
2026-02-11 10:54:26

 484

 5

#transformer #深度学习 #人工智能 +4
交通标志检测识别系统，yolov8，支持图像、视频和摄像实时检测【pytorch框架、python源码】

摘要：本项目基于YOLOv8实现了一个完整的交通标志检测识别系统，包含数据集、模型权重、GUI界面等功能模块。系统采用PyTorch框架，使用CCTSDB_2021数据集，支持笔记本/USB摄像头输入。项目提供完整的训练流程：数据准备→模型训练→验证→GUI界面展示。GUI采用PySide6+OpenCV开发，支持图像/视频实时检测，并展示精度、召回率等指标。系统可直接部署运行，包含详细的环境配置

 lanbo_ai
2026-04-18 10:45:00

 402

 9

#python #pytorch #人工智能 +1
Python 视觉项目：OpenCV/图片选择 + PyTorch 推理，做一个“天气分类系统”（新手友好）

做毕设最怕什么？环境配一天、代码报错三天、跑不通没思路。尤其是深度学习方向，动不动就 CUDA、torch 版本、依赖冲突，新手很容易“从入门到放弃”。纯 Python 开发：核心流程清晰，代码量不夸张，容易二改。自带桌面 UI：不是只会命令行，能直接截图写进论文/答辩。直接推理可用：仓库自带，开箱即可识别。数据集量大且分类明确all_data/下按类别分文件夹，样本规模上万级（非常适合毕设写“数

 Smaller_kong
2026-01-27 16:18:12

 347

 3

#python #opencv #pytorch +3
Ultralytics 实战：YOLOv8n 边缘部署全维度评估

本文基于YOLOv8模型和COCO128数据集，对比评估了PyTorch、ONNX和TensorRT三种模型格式在计算机视觉任务中的部署性能。实验从精度、速度和资源占用三个维度建立评估指标体系，包括mAP、FPS、显存占用等关键指标。

头发够用的程序员
2026-01-18 17:58:26

 794

 18

#人工智能 #深度学习 #边缘计算 +1
PyTorch模型部署二、动态维度解释

PyTorch模型部署二、动态维度解释。

iszff
2026-03-25 19:28:24

 65

#pytorch #人工智能 #python
双目立体校正

本文提出了一种改进的双目立体校正算法，针对传统OpenCV立体校正函数中存在的自动裁切问题进行了系统优化。传统方法在校正过程中会自动裁剪图像边缘区域，以保证校正后图像的矩形一致性，但会导致原始图像的有效信息丢失。本文通过引入基于边界计算的动态视场调整策略，在保证极线对齐约束的前提下，实现了最大化视场保留。算法包含从坐标系变换、旋转矩阵求解到图像重映射的完整数学推导，并详细分析了各步骤的物理量、单位

 tony365
2026-03-04 10:03:49

 569

 10

#pytorch
从0到1：PyTorch 深度学习狗类分类系统，支持 OpenCV 读取与UI展示

环境难配：Python 版本、CUDA、PyTorch 经常踩坑，依赖安装一步错步步错。代码报错：学了一堆框架却无法落地，接口不熟、模型调用不明白。没思路：不会做数据组织、不会搭建前端 UI，更不知道如何把“结果”展示给老师看。纯 Python 开发，PyTorch 推理，Qt5 可视化界面，逻辑清晰。一键运行，内置主入口脚本，安装依赖后即可启动 UI。带 UI 界面，支持“选择图像—开始检测—输

 Smaller_kong
2026-01-30 11:44:35

 685

 8

#深度学习 #pytorch #分类 +3
从零搭建深度学习环境：Anaconda 配置环节

本文介绍了为《动手学深度学习》课程配置GPU版PyTorch开发环境的完整流程。主要步骤包括：1）安装Anaconda环境管理器；2）创建Python3.9虚拟环境；3）安装Jupyter和d2l课程包；4）配置GPU版PyTorch（需NVIDIA显卡支持）；5）验证环境是否成功（torch.cuda.is_available()返回True即表示GPU可用）。文中特别强调了使用清华镜像加速下载

 u010457505
2026-03-09 22:01:35

 491

 5

#深度学习 #pytorch #人工智能
面向智能安防的PyTorch人脸追踪方案：树莓派5实战

利用PyTorch构建高效人脸追踪模型，在树莓派5上实现实时智能安防应用，充分发挥pytorch与树莓派5的协同优势，打造低功耗、高响应的边缘计算解决方案。

谢兴豪
2026-01-16 16:08:51

 295

 3

#pytorch
从零跑通！纯 Python 手写汉字识别项目：PyTorch 训练 + Qt5 桌面端 UI（附万字报告框架）

环境难配：论文里写的是 TensorFlow 1.x，GitHub 上是 PyTorch 1.x，自己电脑装的是 2.x，一路报错。代码到处报错：依赖缺、路径错、GPU/CPU 不兼容，改了一堆还是跑不通 Demo。没有完整思路：只有一个简单的分类脚本，没有数据预处理、可视化、UI 展示，很难写出一篇像样的设计与实现章节。纯 Python 开发：项目核心采用 Python + PyTorch +

Smaller_kong
2026-01-15 17:47:52

 806

 10

#python #pytorch #qt +3
常规卷积的一些基础知识

卷积(Convolution)是一种数学运算和信号处理技术，广泛应用于图像处理、语音识别、自然语言处理和深度学习等领域。它的基本思想是通过滑动一个小的窗口(称为卷积核或滤波器)在输入数据上进行局部区域的乘法运算，然后将这些乘积结果加和起来，形成输出数据。

zhongxia97
2026-01-28 13:52:02

 658

 8

#pytorch #人工智能 #计算机视觉 +1
树莓派5人脸追踪项目：PyTorch模型部署实战

利用PyTorch将深度学习模型部署到树莓派5，实现实时人脸追踪功能，兼顾性能与精度。项目涵盖模型优化、推理加速与硬件协同，展现边缘计算在视觉任务中的潜力。

阿qi 爱喝拿铁
2026-01-16 09:28:13

 244

 4

#pytorch
新手必懂——深度学习，让AI拥有“深度思考”能力

深度学习通过模拟人脑神经网络，构建多层结构（输入层、隐藏层、输出层）实现数据特征提取，从简单到复杂进行精准预测。核心优势在于多层隐藏层自主特征提取能力，使其在图像识别、语音识别等领域远超传统机器学习。三大核心模型中：CNN专攻图像处理（如人脸识别），RNN擅长序列数据分析（如机器翻译），而Transformer凭借自注意力机制成为大模型基石（如ChatGPT）。入门建议先理解模型应用场景，不必急于

 六月星辰梓
2026-04-15 17:25:42

 92

#人工智能 #深度学习 #机器学习 +4
“SINE——首个解决基于上下文视觉学习的分割任务中歧义性问题的简单图像分割框架”【学习笔记】

近年来，人们已经探索出了一些通用的分割模型，这些模型可以在一个统一的上下文学习框架内有效地处理各种图像分割任务。上下文分割中的任务歧义性，因为并非所有的上下文分割实例都能准确地传达任务信息。为了解决这个问题，本文提出了SINE(aSIN-contextExamples)：一个利用上下文样例的简单图像分割框架。主要方法是利用了一个Transformer编码器-解码器结构，其中编码器提供高质量的图像表

 不力呗
2026-01-17 13:38:23

 720

 26

#深度学习 #pytorch
30个Python AI工具，程序员效率提升10倍（收藏级)

AI 正在改变软件行业。如果你想进入 AI 领域，这 30 个工具基本就是最重要的技术栈。建议至少掌握：LangChainLlamaIndexFastAPICrewAI基本就可以做出完整的AI 应用项目。

我的棉裤丢了
2026-03-12 15:15:22

 543

 4

#人工智能 #pytorch
PyTorch 核心 API 完全手册：从基础张量到模型部署

本文全面介绍了PyTorch的核心API使用方法，从基础张量操作到神经网络构建和模型训练。主要内容包括：1) 张量创建与基础操作，如torch.tensor()、torch.randn()等；2) 维度变换与内存管理，包括view()、permute()等操作；3) 神经网络层实现，如nn.Linear、nn.Conv2d等；4) 自动求导与优化方法，包括梯度计算和参数更新；5) 通过线性回归示例

 飞Link
2026-01-23 15:13:55

 1079

 5

#pytorch #人工智能 #深度学习 +2
从零到一：如何用segmentation_models.pytorch打造你的第一个图像分割项目

本文详细介绍了如何使用segmentation_models.pytorch（SMP）库从零开始构建图像分割项目。通过环境配置、数据预处理、模型训练到结果可视化的完整流程，帮助初学者快速掌握这一计算机视觉核心技术。文章特别强调了SMP库的预训练模型优势，适合医疗影像、自动驾驶等应用场景。

mango
2026-02-08 18:51:10

 161

 2

#pytorch #计算机视觉 #深度学习
通过conda本地部署Qwen3-ASR-1.7B

本文手把手教你对Qwen3-ASR语音识别系统的部署方法。基于NVIDIA RTX 5060 Ti（16G）和32G内存配置，实测Qwen3-ASR-1.7B模型可在20秒内完成5分钟录音识别。部署步骤包括：1）通过Anaconda创建Python 3.12环境；2）配置清华源加速下载；3）安装必要的依赖库；4）确保显卡驱动与CUDA版本匹配；5）从魔搭社区下载适合的模型（0.6B或1.7B版本）

aierb
2026-03-01 15:47:43

 541

 6

#conda #语音识别 #pytorch