深度学习

YOLO数据集集合

无人机航拍巡检数据集｜城市乡镇港口工业区｜高分辨率旋转目标检测｜深度学习训练基准无人机低空智能巡检已成为智慧城市、工业安防、港口物流的核心刚需，但场景单一、标注稀疏、无姿态信息、格式不兼容长期制约模型泛化与工程落地。本数据集直击行业痛点，覆盖多场景高分辨率真实航拍，带完整姿态标注与双格式标注，可直接用于旋转目标检测、姿态感知、多尺度识别等前沿算法研发，快速构建强鲁棒性低空视觉检测系统。

【建模先锋】

强噪声故障诊断新思路！从频域降噪到故障分类：FusADFaultClassifier 自适应谱降噪分类模型详解Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客独家原创 | SCI 1区高创新轴承故障诊断模型！-CSDN博客

【从零开始大模型开发与微调:基于PyTorch与ChatGLM】(新时代的曙光之大模型与人工智能)在人工智能快速演进的今天,大语言模型已经从前沿研究逐渐走向真实业务场景,成为智能问答、内容生成、代码辅助、知识库检索等应用的核心能力.然而,对于许多开发者而言,大模型依然像一个"黑箱":我们知道它强大,却不一定清楚它是如何构建、如何训练,又该如何针对具体任务进行高效微调.本文将以"从零开始"为主线,围绕大模型开发与微调的完整流程展开,结合 PyTorch 的灵活深度学习能力与 ChatGLM 的中文大模型实践基础,带你一步步理解大模型背后的关键技术.从模型结构、数据处理、训练流程,到参数高效微调、推理部署

钓了猫的鱼儿

基于深度学习+AI的无人机麦苗目标检测与预警系统（Python源码+数据集+UI可视化界面+YOLOv11训练结果）传统麦苗目标检测与生长监测依赖人工巡查、田间抽样、肉眼判断与手工记录，受人力成本高、巡检覆盖范围有限、主观判断偏差大、复杂田间环境适配性差、麦苗密集区域监测难度大、夜间及恶劣天气无法正常作业、微小病虫害症状与生长异常易遗漏、生长状态判断不精准等因素制约，难以实现对’wheat seedling’（麦苗）单类别核心目标、多场景的全天时、全天候、全区域精准检测与实时预警，而AI智能分析技术可依靠深度学习算法自动挖掘麦苗的外形特征、生长规律、形态变化与环境关联信息，精准捕捉麦苗不同生长阶段（出苗期、分蘖期、拔节

神州数码云基地

DSPy + Parlant：从手动调优到自动编译的效率加速器传统AI开发深陷提示词调优困境，系统脆弱且行为不可控，迭代成本高昂。DSPy通过声明式编程与编译优化，自动生成最优提示；Parlant以原则传授约束智能体行为，确保合规可靠。两者互补，实现灵活与可控的统一。本篇文章带你探索一下这两个不同的框架。

调查研究-151 Slack vs Jira：区别、使用指南与团队选择方法很多人第一次接触 Slack 和 Jira 时，会把它们都理解成"协作工具"。这个理解不算错，但不够准确。

z小猫不吃鱼

05 Transformer Encoder 详解：BERT 为什么使用 Encoder？在前面的文章中，我们已经讲过 Transformer 的整体结构、Self-Attention 的计算过程，以及 GPT 为什么选择 Transformer Decoder。我们知道，原始 Transformer 由 Encoder 和 Decoder 两部分组成：

钓了猫的鱼儿

基于深度学习+AI的卷心菜目标检测与预警系统（Python源码+数据集+UI可视化界面+YOLOv11训练结果）传统卷心菜目标检测与生长监测依赖人工巡查、现场抽样、肉眼判断与手工记录，受人力成本高、巡检覆盖范围有限、主观判断偏差大、复杂田间环境适配性差、密集种植区域监测难度大、夜间及恶劣天气无法正常作业、微小病虫害症状易遗漏、成熟度判断不精准等因素制约，难以实现对’cabbage’（卷心菜）单一类别目标、多场景的全天时、全天候、全区域精准检测与实时预警，而AI智能分析技术可依靠深度学习算法自动挖掘卷心菜的外形特征、生长规律、形态变化与环境关联信息，精准捕捉卷心菜不同生长阶段（幼苗期、莲座期、结球期）的尺寸差异、外形

汽车仪器仪表相关领域

南华 NHA-604/605 汽车排放气体测试仪：国六b全适配高精度便携检测设备南华 NHA-604/605 汽车排放气体测试仪：国六b全适配高精度便携检测设备作为国内机动车尾气检测领域标杆设备，南华NHA-604、NHA-605双系列气体分析仪，是专为国六b排放标准落地打造的新一代便携式排放检测设备。设备严格遵循GB 18285-2018、HJ 1237-2021国家级检测标准，主打高精度检测、便携移动式作业、智能化数据管理两大核心优势，精准覆盖机动车检测站合规年审、汽修厂维修复检、环保路检执法、车企研发测试、高校教学实验等全场景。两款机型分级定位、互补适配，兼顾入门性价比与实验室

Remote Sensing 29个SITS基准数据集综述:多模态遥感分类的新起点论文标题：Benchmark Datasets for Satellite Image Time Series Classification: A Review

华为云Flexus+DeepSeek征文｜基于华为云Flexus X实例 + Dify + DeepSeek 构建企业级智能知识库问答系统实战大模型时代呼啸而至，企业最迫切的需求是什么？不是简单地调用一个API玩聊天机器人，而是将企业沉睡多年的私域数据与LLM的推理能力深度结合，构建真正能用的智能知识库问答系统。

语音识别：隐马尔可夫模型、深度学习与序列转导语音识别的核心问题是：给定声学观测序列 O=(o1,o2,…,oT)O = (o_1, o_2, \dots, o_T)O=(o1,o2,…,oT)，找到最可能的词序列 W∗=(w1,w2,…,wM)W^* = (w_1, w_2, \dots, w_M)W∗=(w1,w2,…,wM)。

铁路障碍物目标检测数据集分享（适用于YOLO系列深度学习分类检测任务）在计算机视觉技术不断发展的今天，目标检测与实例分割技术已经广泛应用于交通安全、工业检测、智慧城市以及智能巡检等多个领域。其中，铁路作为国家重要的基础交通设施，其安全稳定运行对于社会经济发展具有极其重要的意义。随着高铁网络的不断扩展和铁路运输量的持续增长，铁路安全问题日益受到关注。

万粉变现经纪人

2026最新CSDN博客质量分v6.0深度解读：从评分机制到80+实战提分指南📌 写在前面：你是否遇到过这些困惑——熬夜写的技术干货质量分只有65，而随手记录的笔记却上了80？为什么明明字数很多、代码很全，分数却始终在70分徘徊？本文基于 CSDN 博客质量分 v6.0（2026年6月生效）官方规则，不仅深度拆解四大评分维度的底层逻辑，更首次揭秘分数计算机制，并附赠从60分冲刺90+的实战优化案例。建议收藏，写博客时对照使用。

【建模先锋】

独家原创！基于特征—时间双图注意力与BiGRU全局注意力并行融合的高创新预测模型单步预测-风速预测模型代码全家桶-CSDN博客半天入门！锂电池剩余寿命预测（Python）-CSDN博客

8. 模型如何读写数据（Tokenizer 与 Token）大模型并不能直接理解：模型真正处理的是：数字（IDs）因此：所有文本都必须先转换成 Token（分词）。

【SAMv1】 The “Segment Anything” Revolution in Computer Vision为什么一个 632M 参数的模型能在 23 个没见过的数据集上零样本超越有监督方法？为什么 Meta 要花重金标 11 亿个掩码？这篇文章试图用工程师的语言回答这些问题。

统计学习方法第五章：从浅入深解析决策树决策树（Decision Tree）是机器学习中最经典、最具解释性的模型之一，也是理解更高级集成模型（如随机森林、XGBoost）的绝对基石。

【无标题】很好，Python 3.8.5 完全够用（第一天不需要更高版本）。接下来继续第一天剩余的任务：在 base 环境里安装必需的库，并成功跑通第一个本地大模型。