图像标注工具
labelme 地址：https://github.com/wkentaro/labelme
labelme 是一个基于 python 的开源图像多边形标注工具，可用于手动标注图像以进行对象检测、分割和分类。它是在线 LabelMe 的离线分支，最近关闭了新用户注册选项。所以，在这篇文章中，我们只考虑 labelme（小写）。
该工具是具有直观用户界面的轻量级图形应用程序。使用 labelme，您可以创建：多边形、矩形、圆、线、点或线带。通常，能够以众所周知的格式（例如 COCO、YOLO 或 PASCAL VOL）导出注释以供后续使用通常很方便。但是，在 labelme 中， ...
神经网络训练失败的原因
在面对模型不收敛的时候，首先要保证训练的次数够多。在训练过程中，loss并不是一直在下降，准确率一直在提升的，会有一些震荡存在。只要总体趋势是在收敛就行。若训练次数够多（一般上千次，上万次，或者几十个epoch）没收敛，再考虑采取措施解决。
数据与标签方面
没有对数据进行预处理。数据分类标注是否准确？数据是否干净？
没有对数据进行归一化。由于不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。此外，大部分神经网络 ...
深度学习如何训练优秀模型
深度学习在近年来得到了广泛的应用，从图像识别、语音识别到自然语言处理等领域都有了卓越的表现。但是，要训练出一个高效准确的深度学习模型并不容易。不仅需要有高质量的数据、合适的模型和足够的计算资源，还需要根据任务和数据的特点进行合理的超参数调整、数据增强和模型微调。
数据 从数据层面上， 能够影响模型性能的有二个因素：
数据集的质量
数据增强
数据集质量 数据质量：数据应该是准确，完整，无误，且具有代表性。如果数据集有错误或缺失，将会影响模型的性能，选择分辨率越高肯定对模型是越好的，但是也要考虑到模型训练占用的内存够不够，因为分辨率越高，数据量就越大
数据量：更多的数据通常 ...
AI算力芯片基础知识
AI芯片是智能计算的核心基础设施，对于大模型和其他人工智能技术的发展起着至关重要的作用。
AI计算是一种计算机器学习算法的数学密集型流程，通过加速系统和软件，从大量数据集中提取新的见解并在此过程中学习新能力。
AI计算的三个主要过程包括：
提取/转换/加载数据（ETL）：数据科学家需要整理和准备数据集。
选择或设计AI模型：数据科学家选择或设计最适合其应用的AI模型，一些公司会从一开始就设计并训练自己的模型，另一些公司可能采用预训练模型并根据需求进行自定义。
AI推理：企业通过模型对数据进行筛选，AI在此过程中提供可行的洞察与见解。
算力及AI算力主要芯 ...
视频转码的实时转码和离线转码区别
由于视频的编码格式，封装协议非常多，在视频播放的过程中，会有很多编码不兼容的问题。这种情况下就需要对视频进行转码。
视频转码分为离线转码和实时转码，它们的工作方式和具体的业务要求是完全不同的，其应用的场景也是完全不一样的。所以我们在项目中，如果需要对视频进行转码，需要搞清楚具体的视频转码是要应用在哪种场景下，需要解决什么问题。
离线转码 离线转码的应用非常广泛，我们日常在视频网站追剧，都需要对视频进行转码。还有我们都有这样的经历，从网上下载了一个视频文件，结果无法播放，这都需要对视频进行转码后，让原来的视频适合现有的播放器。
离线转码一般针对视频文件，也就是说我们有一个 ...
