- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
k8s资源分类机制_k8s资源分类机制
yaml语言介绍 资源管理方式介绍 方式1：命令式对象管理 方式2:命令式对象配置 方式3:声明式对象配置 配置方式总结 kubectl在node节点上执行
43020编辑于 2022-09-21 - 来自专栏NowlNowl_AI
机器学习第8天：SVM分类
第二列：(2−5)/9=−1.22474487(2−5)/9=−1.22474487，(5−5)/9=0(5−5)/9=0，(8−5)/9=1.22474487(8−5)/9=1.22474487 硬间隔与软间隔分类 硬间隔分类就是完全将不同的个体区分在不同的区域（不能有一点误差） 软间隔分类就是允许一些偏差（图中绿和红色的点都有一些出现在了对方的分区里） 硬间隔分类往往会出现一些问题，例如有时候模型不可能完全分成两类 ax.set_xlim(xx.min(), xx.max()) ax.set_ylim(yy.min(), yy.max()) # 绘制结果 fig, ax = plt.subplots(figsize=(8, ，也叫大间隔分类算法。 它可以用来线性分类，也可以非线性分类（可以与PolynomialFeatures结合，当然还有其他方法，我们之后再说）
47410编辑于 2024-01-18 - 来自专栏机器学习/数据可视化
pandas系列8-分类类型categories
分类 分类的目的是提高性能和内存的使用率 用整数表示的方法称为分类或者字典编码表示法，不同值的数组称为分类、字典或者数据集。 创建分类 take方法存储原始字符串Series 直接创建分类：pd.Categorical(data) 转变成类：df.astype('category') 分类对象属性 codes categories Categories (4, object): [Q1 < Q2 < Q3 < Q4] bins.codes[:10] array([1, 2, 1, 1, 3, 3, 2, 2, 3, 3], dtype=int8) as_ordered 使分类有序 as_unordered 使分类无序 remove_categories 移除分类，设置移除值为null remove_unused_categories 移除任意不出现在数据中的分类值 0 5 1 6 2 7 3 dtype: int8 cat_s.cat.categories Index(['a', 'b', 'c', 'd'], dtype='object') #
3.9K30发布于 2021-03-02 - 来自专栏Michael阿明学习之路
8. 非线性分类和决策树
决策树优缺点 优点： 不要求对数据进行标准化 可以进行多元分类而无需使用OvO，OvA等策略 缺点： 更容易过拟合，需要剪枝（设置树的最大深度、节点实例数量超过阈值才建立子节点） 本质上是贪心算法，不保证全局最优
46310发布于 2020-07-13 - 来自专栏数据分析与可视化
数据可视化(8)-Seaborn系列 | 分类散点图stripplot()
分类散点图 stripplot()可以自己实现对数据分类的展现，也可以作为盒形图或小提琴图的一种补充，用来显示所有结果以及基本分布情况。 sns.load_dataset("tips") """ 案例1： 水平散点图 """ sns.stripplot(x=tips["total_bill"]) plt.show() [zocaqgt3o8. 可以比较案例2、案例3和案例4 """ sns.stripplot(x="day", y="total_bill", data=tips, jitter=0.3) plt.show() [27qeofkyj8. matplotlib.pyplot as plt #设置风格 sns.set(style="whitegrid") # 构建数据 tips = sns.load_dataset("tips") """ 案例8： =".8") sns.stripplot(x="day", y="total_bill", data=tips, jitter=True) plt.show() [wlpbhwssme.png] 案例地址
5.8K00发布于 2019-09-24 - 来自专栏成套网站
基于yolov8的深度学习垃圾分类检测系统
然而，传统垃圾分类方式依赖大量人力，不仅效率低下、成本高昂，而且分类准确率受人为因素影响较大，难以满足现代社会对垃圾高效、精准分类的需求。 在此背景下，基于 YOLOv8 的深度学习垃圾分类检测系统研究具有重大且深远的意义。从环境保护层面来看，精准的垃圾分类能够有效减少垃圾填埋和焚烧所带来的环境污染。 YOLOv8作为该系列的最新版本，通过引入无锚点设计、增强的骨干网络、改进的特征融合机制以及先进的损失函数等创新点，在检测速度和精度之间达到了更佳平衡，为实时垃圾分类检测提供了强大技术支撑。 4、研究技术YOLOv8介绍YOLOv8是Ultralytics公司于2023年发布的YOLO系列最新目标检测模型，在继承前代高速度与高精度优势的基础上，通过多项技术创新显著提升了性能与灵活性。 数据集标注过程数据集标注是构建基于 YOLOv8 的垃圾分类检测系统至关重要的一环，精准的标注能确保模型学习到有效的特征，提升检测性能。
68210编辑于 2025-12-27 - 来自专栏杨熹的专栏
中文NLP笔记：8. 基于LSTM的文本分类
一个基于概率的判别模型，输入是一句话（词的顺序序列），输出是这句话中所有词的联合概率（Joint Probability） N-gram 模型知道的信息越多，得到的结果也越准确 主要应用在如词性标注、垃圾短信分类 在2010年提出了 RNNLM 结构实际上是用 RNN 代替 NNLM 里的隐层 减少模型参数、提高训练速度、接受任意长度输入、利用完整的历史信息 基于 Keras 的 LSTM 文本分类 ('beierzida.csv', encoding='utf-8', sep=',') nver_df = pd.read_csv('beinverda.csv', encoding='utf -8', sep=',') #删除语料的nan行 laogong_df.dropna(inplace=True) laopo_df.dropna(inplace=True) for sentence in sentences] all_labels = [ sentence[1] for sentence in sentences] 使用 LSTM 对数据进行分类
3.7K40发布于 2019-02-20 使用onnxruntime部署yolov8-cls图像分类onnx模型
如果只需要opencv去部署yolov8分类模型可以参考博文：https://blog.csdn.net/FL1623863129/article/details/142734780 本文和 opencv 去部署yolov8分类模型区别是：opencv部署推理核心使用opencv自带api，而本文推理核心用的onnxruntime，opencv只是辅助作用即读取图片 【算法介绍】 C++使用ONNX Runtime 部署YOLOv8-cls图像分类ONNX模型是一种高效的方法，能够充分利用硬件资源，实现低延迟、高效率的推理。 YOLOv8-cls是YOLO系列的最新版本之一，特别针对图像分类任务进行了优化。它继承了YOLO系列模型快速检测速度和较高准确率的特点，并通过改进网络架构和优化损失函数等策略，进一步提升了性能。 总之，C++使用ONNX Runtime部署YOLOv8-cls图像分类ONNX模型是一种高效、灵活且可扩展的方法，适用于各种计算机视觉任务。
76610编辑于 2025-07-22- 来自专栏CDA数据分析师
机器学习实战：8大分类器识别树叶带源码
不多说，进入八大分类器。 引言：树叶有好多种，如下图： ? 目标：写一个系统，让系统区分各种树叶属于哪个品种。 我的思路如下图： ? ? ? 训练分类器：就是找到一个有某些特征的样本，我们只需要对新来的特征和前面出现类似的特征进行比对，那么找出最可能的类别，我们就说这个新的样本是属于这个类别的。 而有的人几乎很少说谎话，那么他说的话是不是可信度就大，这个测试数据就是这个道理，测试效果越好，那么这个模型分类器可能效果就越好。 这一段代码就是把k近邻，svc，随机森林这些分类器的名称写在classifiers这个列表里，等着我们之后调用它。Svc我们这里用的是rbf核，也就是高斯核。 ? 这里for 循环就是调用列表里的分类器，然后fit（），也就是训练一下，输入的参数是特征集和标签集，44行，分别用刚刚训练出来的参数，对x_text进行预测，得到预测值。
1.4K50发布于 2018-02-05 《数字图像处理》实验8-图像识别与分类
实验环境 操作系统：Windows 8/10/11 软件版本：MATLAB 2014 及以上版本（部分功能需安装 Computer Vision Toolbox、Statistics and Machine 图像减背景，突出米粒目标 % 步骤4：二值化（OTSU最优阈值） level = graythresh(I2); bw2 = imbinarize(I2, level); % 步骤5：连通区域标记（8连通域 ，标记每个米粒） [labeled, numObjects] = bwlabel(bw2, 8); [L, n] = bwlabel(bw2, 8); % n为米粒总数 % 步骤6：可视化处理流程与计数结果 白色圆圈标记质心 plot(cbar, rbar, 'Marker', 'o', 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'w', 'MarkerSize', 8) （如提取线段用线结构元素）； 连通域选择：颗粒计数时，8 连通域比 4 连通域更贴合实际（米粒边缘可能不规整）。
15510编辑于 2026-01-21winform部署yolov8图像分类的openvino格式的模型
namespace FIRC { public partial class Form1 : Form { Mat src = new Mat(); Yolov8ClsManager detector = new Yolov8ClsManager(); public Form1() { InitializeComponent( , EventArgs e) { detector.LoadWeights(Application.StartupPath+ "\\weights\\yolov8n-cls.xml
24910编辑于 2025-07-17使用纯opencv部署yolov8-cls图像分类onnx模型
【算法介绍】 使用纯OpenCV部署YOLOv8-cls图像分类ONNX模型涉及几个关键步骤。 首先，你需要将YOLOv8-cls模型从PyTorch格式转换为ONNX格式，这是为了确保模型在不同深度学习框架之间的互操作性。 推理的结果是一个包含分类信息的数组，你需要根据这些信息来确定图像的分类结果。 最后，你可以将分类结果以文本或图形的形式展示在图像上，或者使用其他方式进行处理。 使用纯OpenCV部署YOLOv8-cls图像分类ONNX模型的优势在于，OpenCV是一个广泛使用的计算机视觉库，它提供了丰富的图像处理和分析功能，同时支持跨平台和设备部署。 这使得YOLOv8-cls模型能够在不同的环境中实现高效和准确的图像分类。
48500编辑于 2025-07-22- 来自专栏AI机器学习与深度学习算法
机器学习入门 10-8 多分类问题中的混淆矩阵
同理，在左下角同样有一个比较亮的白色方格的位置表示的是真实的样本为数字8但是算法预测结果却为数字1，此时这个位置比较亮表示算法将很多真实值为数字8的样本错误预测成了数字1。 比如根据error_matrix矩阵绘制的灰度图可以看到算法将很多真实为数字1的样本预测成了数字9，将很多真实为数字8的样本预测成了数字1。 有了这些提示，我们可以进一步的改进我们的算法，可以把这些容易混淆的类别规约成二分类问题，换句话说现在这个算法比较容易混淆数字1和数字9也比较容易混淆数字8和数字1，相应的可以微调在数字1和数字9以及数字 8和数字1这两个二分类问题中的threshold阈值，进而提高整个分类算法的准确率。 通过感性的理解一下，为什么算法会出现那么多将数字1错误分类成数字9以及将数字8错误分类成数字1的情况。
5.9K40发布于 2020-05-25 常见鱼类分类数据集2w张8类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：7554（剩余1w多为测试集） 分类类别数：8 类别名称 NoF 图片数：930 OTHER 图片数：598 SHARK 图片数：352 YFT 图片数：1468 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放
19800编辑于 2025-07-16黄瓜及其叶子病害分类数据集6400张8类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 数据集编号：mbd.pub/o/bread/mbd-Zp6Xl5xv 图片数量 (jpg文件个数)：6400 分类类别数：8 类别名称:["anthracnose","bacterial_wilt","belly_rot","downy_mildew","fresh_cucumber gummy_stem_blight 图片数：800 pythium_fruit_rot 图片数：800 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放
15310编辑于 2025-07-16- 来自专栏云同步
ms-swift 微调 internlm3-8b-instruct（论文分类任务）
微调框架：ms-swift 训练方式：（预训练 + SFT）Lora 目标 对 InternLM 系列模型 进行微调，使其能够完成论文分类任务，然后进行打榜 Docs 安装 ms-swift 1）创建 conda activate swift 3）安装 ms-swift # ms-swift 全能力安装 pip install 'ms-swift[all]' -U 训练集 训练集：实战营arxiv论文分类数据集 /bin/bash ############ 可自定义 # 指定基础模型，可以是模型路径 model="Shanghai_AI_Laboratory/internlm3-8b-instruct" # 20250622-142204/checkpoint-144 --merge_lora true SFT 目标：让模型学会准确分类，输出简洁答案 1）新建训练脚本 # 脚本 vim config/internlm3 -8b-sft.sh internlm3-8b-sft.sh： 可以自己定义一些参数，从第5行到第15行 swift 一些参数说明可参考：https://zhuanlan.zhihu.com/p/1920127302924235042
70010编辑于 2025-08-01 - 来自专栏数据拾光者
广告行业中那些趣事系列8：详解BERT中分类器源码
广告系列中前几篇文章有从理论的方面讲过BERT的原理，也有从实战的方面讲过使用BERT构建分类模型。本篇从源码的角度从整体到局部分析BERT模型中分类器部分的源码。 本篇解读的是BERT开源项目中分类器部分的源码，从最开始的数据输入到模型运行整个流程主要可以分成数据处理模块、特征处理模块、模型构建模块和模型运行模块。 前面文章有讲过如果需要做单句分类的任务我们可以在这里添加一个SentenceClassifierProcess进行定制化开发。 text_b是可选的，如果为空则变成单句分类任务，不为空则是句子关系判断任务。label在训练集和验证集是必须的，在测试集中可以不提供。 通过整体到局部的方式我们可以对BERT中的分类器源码有深入的了解。后面可以根据实际的业务需求对分类器进行二次开发。
40240编辑于 2022-05-05 智慧厨房菜品识别分类数据集10285张8类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 数据集编号：mbd.pub/o/bread/Zp6XlZtv 图片数量(jpg 文件个数)：10285 分类类别数：8 类别名称:["chashugu","dongguawanzi","fanqiechaojidan","guobaorou","hongshaodaiyu"," mapodoufu（麻婆豆腐） 图片数：1290 youmaicai（炒油麦菜） 图片数：1277 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放
26110编辑于 2025-07-16- 来自专栏Python和安全那些事
8.基于API序列和机器学习的恶意家族分类实例详解
#coding:utf-8 #By:Eastmount CSDN 2023-05-31 import csv import re import os csv.field_size_limit(500 # -*- coding: utf-8 -*- # By:Eastmount CSDN 2023-06-01 import os import csv import time import numpy ，将数据在高维寻找一个满足分类要求的超平面，使训练集中的点距离分类面尽可能的远，即寻找一个分类面使得其两侧的空白区域最大。 如图19.16所示，两类样本中离分类面最近的点且平行于最优分类面的超平面上的训练样本就叫做支持向量。 # -*- coding: utf-8 -*- # By:Eastmount CSDN 2023-06-01 import os import csv import time import numpy
1.4K40编辑于 2023-09-21 使用C#部署yolov8-cls的图像分类的tensorrt模型
",1024); 【视频演示和解说】 使用C#部署yolov8-cls的图像分类的tensorrt模型_哔哩哔哩_bilibili试环境：win10 x64vs2019cuda11.7+cudnn8.8.0TensorRT tensorrt模型，使用C#部署yolov8的旋转框obb检测tensorrt模型，使用C#部署yolov8-pose的姿态估计关键点检测tensorrt模型，重生紫薇之：容嬷嬷带我了解yolo v10 ----人工智能/计算机视觉/yolo，将yolov8封装成一个类几行代码完成语义分割任务，C++使用纯opencv去部署yolov8官方obb旋转框检测，这也太全了！ 图像处理、特征提取、目标检测、图像检索、图像分类、图像修复、医疗影像等七大计算机视觉算法一口气学完！ ，C++使用纯opencv部署yolov9的onnx模型，用C#部署yolov8的tensorrt模型进行目标检测winform最快检测速度，yolov8 TensorRT C++ C#部署 https
25700编辑于 2025-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号