登录社区云,与社区用户共同成长
邀请您加入社区
YOLO-CT 轻量级框架凭借其独特的设计和优化策略,在肺结节检测领域展现出显著的技术优势。其高效特征提取模块融合 ResNet、FPN 和 DCNv2,能够在复杂的肺部 CT 图像中精准捕捉肺结节的关键特征,为检测任务提供了坚实的基础。通过骨干网改进和头部精简等轻量化优化策略,成功降低了模型的参数规模和计算复杂度,实现了在医疗边缘设备上的高效运行。
本文详细记录了在openEuler 22.03 LTS系统上部署Qwen3大模型的过程。主要内容包括:检查服务器配置(华为Atlas 300l Duo显卡)、下载安装驱动固件、获取mindie镜像并打包(支持ARM架构)、下载32B/14B权重文件(含量化版本)、配置openwebui交互界面、镜像加载及容器启动步骤。重点介绍了Docker环境配置、模型权重下载方法,以及启动容器时的关键参数设置(
YOLOv5作为当前最流行的目标检测模型之一,在昇腾AI处理器上部署能获得显著的推理加速。但这个过程需要将PyTorch训练的模型转换为昇腾专用的离线模型(.om文件)。性能提升:相比CPU/GPU,在昇腾芯片上有10倍以上的推理加速部署简化:.om文件可直接用于边缘设备(如Atlas 200DK)资源优化:支持INT8量化,大幅降低内存占用。
🌈你好呀!我是🌌 在所有感兴趣的领域扩展知识,不定期掉落福利资讯(*^▽^*)
本文介绍了基于昇腾310P处理器的具身智能AI模型部署实践。主要内容包括:硬件平台选择(香橙派AI Station开发板)、环境配置(CANN 8.5.0工具链安装)、模型下载(ACT动作分块Transformer模型)和代码部署(lerobot框架配置)。重点展示了在资源受限的机器人平台上部署具身智能系统的完整流程,涉及Python环境搭建、NPU驱动安装、模型转换等关键步骤,为边缘计算场景下的
本文介绍了基于昇腾310P处理器的嵌入式AI开发教程,重点讲解了Pi0模型在昇腾平台的部署实践。教程包含21期系列文章,涵盖从硬件配置、环境搭建到模型转换与推理的全流程。作者使用香橙派AI Station开发板(搭载Ascend 310P芯片)作为部署平台,详细提供了Pi0模型的两种部署方案:快速部署版和完整流程版。Pi0是一种基于Diffusion的视觉-语言-动作模型,适用于机器人控制任务。教
本文档详细记录了针对 Qwen2-VL 和 janus_pro 模型的关键性能优化点,并附带了相应的核心代码实现。
MindSpore作为昇腾AI生态的核心深度学习框架,凭借自动微分、动静结合、端边云全场景部署等特性,成为昇腾平台上模型开发的首选工具。在实际模型训练过程中,开发者常面临训练速度慢、显存占用高、资源利用率低等问题。本文结合MindSpore框架特性与昇腾硬件优势,从数据预处理、网络结构优化、训练策略调整、显存优化四个核心维度,分享模型训练的优化思路与实战方法,助力开发者在昇腾平台上高效完成模型训练
【代码】昇腾 CL 和 MindSpore 助力 ResNet50 推理。
目前主流的昇腾开发平台有两种选择:华为云ModelArts和GitCode算力平台。对于初学者和个人开发者,我强烈推荐GitCode平台,它提供免费的NPU算力资源,每日有两小时的免费使用时长,足够进行模型实验和功能验证。特别是在当前GPU资源紧张的大环境下,昇腾平台凭借其稳定的供应链和成熟的工具链,成为企业AI应用部署的可靠选择。O2模式会将除BatchNorm外的所有算子转换为FP16,并自动