本文主要内容:YOLO11 全新发布（原理介绍+代码详见+结构框图）| YOLO11如何训练自己的数据集（NEU-DET为案列）
1.YOLO11介绍
Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。
2025年05月08日
本文主要内容:YOLO11 全新发布（原理介绍+代码详见+结构框图）| YOLO11如何训练自己的数据集（NEU-DET为案列）
Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。
2025年05月08日
背景介绍
数据、算法和算力是人工智能技术的三大要素。其中，算力体现着人工智能(AI)技术具体实现的能力，实现载体主要有CPU、GPU、FPGA和ASIC四类器件。CPU基于冯诺依曼架构，虽然灵活，却延迟很大，在推理和训练过程中主要完成其擅长的控制和调度类任务。GPU以牺牲灵活性为代价来提高计算吞吐量，但其成本高、功耗大，尤其对于推理环节，并行度的优势并不能完全发挥。专用ASIC芯片开发周期长，资金投入大，由于其结构固化无法适应目前快速演进的AI算法。FPGA因其高性能、低功耗、低延迟、灵活可重配的特性，被广泛地用作AI加速，开发者无需更换芯片，即可实现优化最新的AI算法，为产品赢得宝贵的时间。
2025年05月08日
作者：浪潮人工智能研究院
2021 年，浪潮人工智能研究院发布了中文巨量模型“源 1.0”，其参数规模为 2457 亿，训练采用的中文数据集达 5TB，超越美国 OpenAI 组织研发的 GPT-3 模型。“源 1.0”在语言智能方面表现优异，获得中文语言理解评测基准 CLUE 榜单的零样本学习（zero-shot）和小样本学习（few-shot）两类总榜冠军。测试结果显示，人群能够准确分辨人与“源 1.0”作品差别的成功率低于 50%。
2025年05月08日
大模型调优旨在提升其性能、准确性、泛化能力等，以下是一些调优方法：
1. 超参数调整：超参数影响模型训练过程和性能，如学习率决定每次参数更新的步长，值太大会使模型不收敛，太小则训练缓慢；批量大小影响训练稳定性和速度，较大批量可加速但可能收敛到次优解；神经网络层数和神经元数量决定模型复杂度，过多易过拟合，过少则无法学习复杂模式。可通过网格搜索、随机搜索、贝叶斯优化等方法寻找最优超参数组合。
2025年05月08日
Albert是A Lite Bert的缩写，确实Albert通过词向量矩阵分解，以及transformer block的参数共享，大大降低了Bert的参数量级。在我读Albert论文之前，因为Albert和蒸馏，剪枝一起被归在模型压缩方案，导致我一直以为Albert也是为了优化Bert的推理速度，但其实Albert更多用在模型参数（内存）压缩，以及训练速度优化，在推理速度上并没有提升。如果说蒸馏任务是把Bert变矮瘦，那Albert就是把Bert变得矮胖。最近写的文本分类库里加入了Albert预训练模型，有在chinanews上已经微调好可以开箱即用的模型，感兴趣戳这里
2025年05月08日
机器之心发布
机器之心编辑部
腾讯 QQ 团队研究员对 BERT 进行了模型压缩，在效果损失很小的基础上，LTD-BERT 模型大小 22M，相比于 BERT 模型内存、存储开销可降低近 20 倍，运算速度方面 4 核 CPU 单机可以预测速度加速 80 余倍。相关代码和更多结果将在近期开源。
BERT 已经被验证是解决口语化短文本语义量化的极为有效的工具，对于口语化人机交互系统如 FAQ、语音助手等产品意义重大。但受限于模型的高复杂度和高计算量，其产业线上应用进展不如预期，尤其很难满足像 QQ、QQ 空间等亿级用户量产品对性能的需求。
2025年05月08日
开放词汇目标检测（Open-vocabulary Object Detection, OVD）是计算机视觉领域的前沿方向，旨在突破传统目标检测模型对预定义类别的依赖，使其能够通过文本描述或零样本学习识别未知类别对象。以下从技术背景、核心方法、应用场景及挑战三个维度展开分析。