-
2025-07-21 10:55:05
- Paddle2.0案例： 人脸关键点检测
- 在图像处理中，关键点本质上是一种特征。它是对一个固定区域或者空间物理关系的抽象描述，描述的是一定邻域范围内的组合或上下文关系。它不仅仅是一个点信息，或代表一个位置，更代表着上下文与周围邻域的组合关系。关键点检测的目标就是通过计算机从图像中找出这些点的坐标，作为计算机视觉领域的一个基础任务，关键点的检测对于高级别任务，例如识别和分类具有至关重要的意义。
-
165
-
2025-07-21 10:53:34
- 行人重识别：基于度量学习的行人重识别算法
- 本文介绍行人重识别项目，基于Paddle官方Metric Learning模型开发，修复Bug、优化代码并增加多个BackBone及模型导出脚本。使用Market-1501数据集，经解压、预处理后，用arcmargin loss训练，可微调提升性能，评估用Recall@Rank-1指标，未微调模型达96.65%，还涉及预测与模型导出。
-
624
-
2025-07-21 10:43:14
- CT影像数据DICOM与图像分割(paddle2.0)
- 本文介绍了医疗影像DICOM数据的处理与分割流程。先阐述DICOM格式特点，用pydicom库读取信息和图像，经窗口技术调整后转为numpy格式。接着处理标签数据，生成训练、验证和测试集，构建DicomDataset，使用UNet等模型训练，实现肝脏及血管分割，最后通过MIP技术处理分割结果以显示相关结构。
-
502
-
2025-07-21 10:41:28
- Paddle2.0：使用动转静完成模型部署
- 本文介绍Paddle2.0动转静功能，能兼顾动态图调试方便与静态图部署高效的优势。通过实例展示动态图转静态图、导出推理模型及部署过程，并测试不同部署方式的效率。在CPU平台用U2Netp模型测试，动态图耗时2.1827s，而动转静结合PaddleInference与mkldnn仅需0.5750s，还含完整操作步骤。
-
851
-
2025-07-21 10:38:55
- 从0—1开始手撕一个简单的神经网络
- 本文先从0开始用Python实现简单三层神经网络，生成数据集后，先展示逻辑回归分类器效果不佳，再说明神经网络结构、参数学习等原理，通过代码实现并测试不同隐藏层节点数的效果，最后对比介绍用飞桨框架更高效实现深度学习任务，如手写数字识别，凸显框架优势。
-
923
-
2025-07-21 10:35:45
- Paddle2.0案例： 人体姿态关键点检测
- 本文介绍基于Paddle2.0实现人体姿态关键点检测的案例。先说明关键点检测的意义与两类方法，强调人体姿态检测的特殊性及常用热力图回归法。接着讲解环境设置、COCO数据集处理、数据集定义与抽样展示，还构建了基于ResNet的PoseNet模型，阐述训练过程与预测结果，展示不同训练程度模型的效果差异。
-
285
-
2025-07-21 10:32:57
- 点云处理：基于Paddle2.0实现Kd-Networks对点云进行分类处理
- 本文介绍基于Paddle2.0实现Kd-Networks对点云分类处理。Kd-Networks引入Kd-Tree结构，将非结构化点云转为结构化数据，用1*1卷积近似KD算子。使用ShapeNet的.h5数据集，经数据处理、网络定义等步骤，训练20轮后，训练集准确率0.978，测试集0.9375，展示了其处理点云分类的效果。
-
657
-
2025-07-21 10:31:18
- 自定义数据集OCEMOTION–中文情感分类
- 该内容为基于PaddleNLP和Paddle框架的OCEMOTION中文情感分类任务实现。先切分数据集为训练、测试、评估集，转换标签格式；定义数据集类处理数据，经 Jieba 切词、映射词id等处理；构建含嵌入层、LSTM编码器等的模型，配置优化器等训练模型，最终对测试集预测，输出情感分类结果。
-
313
-
2025-07-21 10:24:57
- 极简MuZero算法实践——Paddle2.0版本
- DeepMind的MuZero算法继AlphaFold后走红，无需人类知识和规则，能通过分析环境与未知条件博弈。其极简实现含三个模型，通过强化学习训练。在CartPole-v0环境测试，经2000轮训练，模型可完美掌握游戏，展现出超越前代的潜力，未来计划在更多环境复现。
-
806
-
2025-07-21 10:23:19
- 用飞桨框架2.0造一个会下五子棋的AI模型
- Gomoku游戏比围棋或象棋简单得多，因此我们可以专注于AlphaZero的训练，在一台PC机上几个小时内就可以获得一个让你不可大意的AI模型——因为一不留心，AI就可能战胜了你。
-
965
