I graduated from South China University of Technology with a degree in Software Engineering in 2021.
Skills
- Python
- Golang
- Java
- C/C++
README.md
REWARD.md
1. 致谢
感谢金主爸爸们的投喂！本咸鱼写博客纯属用爱发电，没想到居然真能换到茶叶蛋钱，这下更有动力摸鱼更新了（老板：？）
2. 打赏名单
以下是打赏名单列表:
| 打赏时间 | 打赏者 | 打赏方式 | 打赏金额 |
|---|---|---|---|
| 2025.3.21 | **文 | 支付宝 | ￥0.1 |
| 2025.5.20 | *民 | 微信 | ￥1 |
Popular posts
这里来看一个实例,基于YOLO实现对高速公路的车速检测。
整个过程可以说非常简单,主要用到YOLO、ByteTrack及OpenCV。通过ByteTrack进行车辆目标跟踪,从而方便获取其位置信息。
要实现车速计算,最简单的方法自然是根据识别框的像素位置进行估计,但是这种方式存在一种问题,无法从图像的像素值得到其实际物理的距离。为此,需要通过一种映射关系建立与真实世界的联系。
在OpenCV中提供了getPerspectiveTransform函数,我们可以将图像中的四边形变换为一个矩形,从而建立其关系。因为龙门架的高度、车道线的距离一般是规定不变的,从而借助这些隐含信息作为参考,得到其真实的距离度量。
问题在于如何得到图像中的坐标点,假设我们知道其坐标点信息,那么就可以建立联系了,从而解决车速检测的问题。
最后为了避免车速出现一些异常值,可以对一秒钟内的速度取平均值,这样有助于系统更加稳健。
最后我们还可以使用YOLO制造热力图,将其进行显示,详情可以参考使用YOLOv8创建交通热力图。
参考文章:
https://cloud.tencent.com/developer/article/2389959?policyId=1004
这里对大模型并行计算中的策略进行简单的介绍,主要涵盖如下一些策略的内容:
- 数据并行
- 模型并行
- 张量并行
- 流水线并行
其中数据并行(DP,Data Parallelism)是最简单的,就是将训练的数据集拆分为大小相同的若干份,模型对不同的数据子集进行训练,在各个分组训练完成后需要进行全局的参数同步。
而张量并行(TP,Tensor Parallelism)通过将模型中的张量(如权重矩阵)按行或列切分到多个计算设备上,以解决单设备内存不足问题并提升大模型训练效率。其属于模型并行中的一种,核心思想是将单个模型层的参数或计算任务拆分到不同设备上执行,如矩阵乘法拆分到不同的GPU上运行。
模型并行(Model Parallelism)是通过将模型不同的部分分配给多个设备上进行计算,比如将不同的层分配给不同的设备上,但这种朴素策略存在GPU利用率低的问题。与之类似的是流水线并行(PP,Pipeline Parallelism),通过将模型的不同层按顺序分配到不同设备上的方法。
流水线并行通过将输入数据切分成多个微批次,使得每个设备可以在处理完当前批次后立即处理下一个批次,从而提高设备利用率。主要策略有Gpipe和PipeDream流水线并行。
参考文章:
https://developer.aliyun.com/article/1257832 https://blog.csdn.net/shizheng_Li/article/details/144138542 https://blog.csdn.net/m0_59164520/article/details/142731435 https://www.cnblogs.com/khronos0206/p/18606724 https://zhuanlan.zhihu.com/p/613196255
Less