合成数据 零部件外观缺陷目标检测 无损检测 （NDT） 在工业应用中起着至关重要的作用，这些应用可以直接从计算机视觉算法中受益。它们广泛用于制造业，用于检测缺陷，包括划痕、缺陷、气孔、泄漏、断裂和裂缝。
合成数据 基于机器深度学习的交通标志目标识别 TSR的研究成果不仅避免了交通事故，保护了驾驶员，还有助于高效准确地检查道路上的交通标志，从而减少了不必要的人力和资源。此外，它还为无人驾驶和辅助驾驶提供技术支持。因此，基于深度学习的研究工作具有巨大的意义，对我们的日常生活具有不可估量的价值。
合成数据 基于合成数据的行人检测AI模型训练 行人检测是一种计算机视觉技术，是自动驾驶汽车能够检测其路径上人体运动的最重要功能之一，有助于确保人员安全，识别和追捕人群中的罪魁祸首，防止事故发生，避免移动的车辆和障碍物。
合成数据 基于YOLO模型建筑工地个人防护设备目标检测 使用安全装备可以保护他们免受建筑工地的意外事故。据统计，每年有数以万计的工人在建筑工地受到严重伤害，造成终生困难。然而，通过自我监控来确保工人穿戴个人防护装备非常重要。在这方面，需要一个准确和快速的系统来检测工人是否在施工现场使用个人防护装备。
机器学习 使用强化学习训练扩散模型 在产生复杂的高维输出时，扩散模型很难被击败。然而，到目前为止，它们大多在目标是从大量数据（例如，图像-标题对）中学习模式的应用程序中取得了成功。我们发现了一种超越模式匹配的方式有效地训练扩散模型的方法，而且不一定需要任何训练数据。可能性仅受奖励函数的质量和创造力的限制。
机器学习 7个用于机器学习和数据科学的基本 Python 库 Python是AI社区事实上的编程语言。它很容易学习，一旦你精通，编写程序是轻而易举的。 在很大程度上，由于其开源库，Python用户可以操作数据，原型模型，分析输出以及执行许多其他机器学习和数据科学任务。
机器学习 利用 XGBoost 进行时间序列预测 XGBoost（极限梯度提升）是一种开源算法，它实现了梯度提升树，并进行了额外的改进，以获得更好的性能和速度。该算法能够快速做出准确的预测，使该模型成为许多比赛的首选模型，例如 Kaggle 比赛。
AI人工智能 NVIDIA Jetson 项目：机器人足球比赛 足球被认为是世界上最受欢迎的运动之一。而且有充分的理由：动作通常很激烈，游戏结合了玩家的身体素质和技能，观看起来可能会令人兴奋。因此，有人正在努力教机器人游戏的细节也就不足为奇了，包括如何收集球、排位射门、传球和进球。
机器学习 在机器学习中使用 SHAP 值实现模型可解释性 在这篇博文中，我们介绍了 SHAP 值，这是一种解释机器学习模型输出的方法。我们已经展示了如何使用 SHAP 值来解释单个预测和模型的整体性能。我们还提供了如何在实践中使用 SHAP 值的示例。
机器学习 实践中的机器学习：在 Google 云平台上部署 ML 模型 本系列介绍 开发和部署 ( M L ) 模型 。在本文中， 你将学习 如何部署 ML 模型到 Google 云平台 . 第 1 部分给出了 ML 工作流概括 ，考虑了使用机器学习和数据科学来实现商业价值所涉及的各个阶段。在第 2 部分中，您将学习 训练并保存 ML 模型 并将其部署为 ML 系统的一部分。
机器学习 实践中的机器学习： ML 工作流 本系列介绍 开发和部署 ( M L ) 模型 。本文概述了 ML 工作流，考虑到使用机器学习和数据科学来实现业务价值所涉及的各个阶段。在第 2 部分中，训练并保存 ML 模型 可以将其部署为 ML 系统的一部分。第 3 部分向您展示了 如何部署 ML 模型到 Google 云平台 （ GCP ）。
机器学习 实践中的机器学习：构建 ML 模型 本系列介绍 开发和部署 ( M L ) 模型 。在这篇文章中，您 训练并保存 ML 模型 ，因此它可以作为 ML 系统的一部分部署。 第 1 部分给出了一个 ML 工作流概括 ，考虑了使用机器学习和数据科学实现商业价值所涉及的各个阶段。第 3 部分介绍 如何部署 ML 模型到 Google 云平台 （ GCP ）。
