摘要：
引子 基于单目摄像头的深度估计，一直是CV领域的一个难点，之前也对此关注也不够多。偶然浏览技术博客，看到Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data这个最新CVPR2024的工作。看到名字，大概也能猜出来这篇是 阅读全文
摘要：
引子 最近在关注多模态大模型，之前4月份的时候关注过CogVLM（https://blog.csdn.net/zzq1989_/article/details/138337071?spm=1001.2014.3001.5501）。模型整体表现还不错，不过不支持中文。智谱AI刚刚开源了GLM-4大模型 阅读全文
摘要：
引子 最近看新闻博客说零一科技的Yi-VL-Plus视觉大模型效果很不错，那就想着尝尝鲜。这是第四篇关于视觉大模型的博客。之前有写过一篇零一科技的chat大模型零一科技Yi-34B Chat大模型环境搭建&推理_python部署大模型yi-34b-chat-CSDN博客，感兴趣的童鞋可以移步。我个 阅读全文
摘要：
引子 两个多月前YOLOv9发布（感兴趣的童鞋可以移步YOLOv9环境搭建&推理测试_yolov9安装-CSDN博客），这才过去这么短的时间，YOLOv10就横空出世了。现在YOLO系列搞得就和追剧一样了。。。OK，那就让我们开始吧。 一、模型介绍 1、作者提出了一种新颖的一致性双重分配策略，用于 阅读全文
摘要：
引子 最近鹅厂竟然开源了一个多模态的大模型，之前分享福报厂的多模态视觉大模型（Qwen-VL环境搭建&推理测试-CSDN博客）感兴趣的可以移步。鹅厂开源的，我还是头一回部署。好的，那就让我们看看这个多模态视觉大模型有什么特点吧，首先它说它是汉英双语DiT模型，嗯，这个时候必须再次吐槽下智谱开源的C 阅读全文
摘要：
引子 记得2015年左右，去参加VALSE的时候，就有虚拟试衣的项目亮相。现在回头看看，当时的效果还是十分简陋和不协调的。今天在全球最大的同性交友网站github上突然发现一个不错的虚拟试衣项目，看其效果还是不错，加入了扩散模型，效果看起来有质的提升。OK，让我们开始吧。 一、模型介绍 论文名称： 阅读全文
摘要：
引子 这几天阿里的Qwen2.5大模型在大模型圈引起了轰动，号称地表最强中文大模型。前面几篇也写了QWen的微调等，视觉语言模型也写了一篇CogVLM，感兴趣的小伙伴可以移步https://blog.csdn.net/zzq1989_/article/details/138118608?spm=10 阅读全文
摘要：
一、引子 CV做了这么多年，大多是在固定的数据集上训练，微调，测试。突然想起来一句话，I have a dream！就是能不能不用再固定训练集上捣腾，也就是所谓的开放词汇目标检测（OVD）。偶尔翻翻AI新闻，发现现在CV领域有在卷开集目标检测的趋势。刚好翻到，YOLO-World这一开源项目。OK， 阅读全文
摘要：
引子 对于多模态大语言模型，一直没有怎么接触。刚巧一朋友有问到这方面的问题，也就顺手调研下。智谱AI的东西一直以来，还是很不错的。ChatGLM的忠实fans，看到白嫖网站github上有他们开源的多模态CogVLM/CogAgent，那就顺手看看了。OK，让我们开始吧。 一、模型介绍 CogV 阅读全文
摘要：
引子 由于工作上需要，一直在用Qwen做大模型推理，有个再训练的需求，特此琢磨下Qwen的训练。OK，我们开始吧。 一、安装环境 查看显卡驱动版本 根据官网推荐 OK，docker在手，天下我有。 docker pull qwenllm/qwen:cu117 docker run -it --rm 阅读全文