- 综合排序
- 最热优先
- 最新优先
- 来自专栏云上修行
DINOv3目标检测入门实战：基于血细胞分类的完整实现
本文将详细介绍如何使用DINOv3进行目标检测任务，以血细胞分类为例，展示从数据准备到模型训练再到推理部署的完整流程。1. 概述目标：训练一个模型，可以输入一张血细胞图片，认出血细胞中的血小板、红细胞、白细胞并获得它们的位置。 """血细胞分类训练脚本 - 使用DINOv3特征 + 随机森林分类器这种方法更简单直接，通常在小数据集上效果更好DINOv3 使用 patch_size=16，**要求输入图像尺寸必须是 16 的倍数 = 'cpu'def print_header(args: argparse.Namespace): """打印程序标题和配置信息""" print("="*80) print("血细胞分类训练 通过血细胞分类的实际案例展示了从数据准备到模型部署的完整流程。
2.3K33编辑于 2025-10-23 - 来自专栏ATYUN订阅号
机器学习项目：使用Keras和tfjs构建血细胞分类模型
血细胞数据集 数据集就像数据科学家的金矿一样，如果数据集可用于特定问题，它可以减少工程团队所需的大量工作，因为不需要开发其他东西来收集和存储数据。 数据集：https://www.kaggle.com/paultimothymooney/blood-cells 数据集结构：数据集包含12,500个血细胞增强图像。 血细胞数据集的类别 每个类包含3000个图像。该图显示了每个类的示例图像： ? 来自四个类的示例图像 我将每个图像的大小减小到（80x80x3），以便训练。 ), strides= (1,1), activation= 'relu')) model.add(Conv2D(64, (3,3), strides= (1,1), activation= ' 3,3), strides= (1,1), activation= 'relu')) model.add(Dropout(0.25)) model.add(Flatten())
1.9K30发布于 2018-09-26 - 来自专栏单细胞天地
人血细胞的单细胞转录组图谱
TCF4、EBF1和LEF1在代表B细胞的C3~C7簇中活性较高，浆细胞中PRDM1和XBP1活性较高，而NK/T细胞中GATA3和Tbx21活性较高。 Fig 2.Transcription factor regulatory networks underlie hematopoiesis 3.单细胞转录组的非编码RNA图谱 LncRNAs在造血细胞的分化和发育过程中起着至关重要的作用 而且仅用lncRNAs构建的造血分化轨迹与蛋白质编码基因构建的分化轨迹高度一致(图3B)。 Fig.3 Reconstruction of hematopoietic hierarchy by using lncRNAs 4.造血细胞亚群的精细图谱 接下来精确剖析了每个特定细胞亚群(HSPC、 Atlas 总结 该研究借助单细胞转录组深度测序技术，覆盖了从造血干细胞到祖细胞再到各谱系成熟血细胞在内的32种类型的血细胞，绘制了人全血细胞的精细分子图谱。
1.3K20编辑于 2022-03-14 - 来自专栏最新医学影像技术
CBC2019——全血细胞自动识别计数 (CBC)
今天将分享全血细胞自动识别计数 (CBC)完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 红细胞是最常见的血细胞类型，占血细胞的 40-45% 。血小板在血液中也大量存在。白细胞，仅占血细胞总数的 1%。红细胞将氧气输送到身体组织，组织接收的氧气量受到红细胞数量的影响。 由于这些血细胞数量巨大，使用血细胞计数板的传统手动血细胞计数系统非常耗时且容易出错，并且大多数情况下的准确性在很大程度上取决于临床实验室分析人员的技能。 三、CBC2019数据集 全血细胞计数 (CBC) 数据集包含360个血涂片图像及其注释文件，分为训练集、测试集和验证集。 3、训练结果和验证结果 4、验证集检测结果 5、测试集检测结果
49110编辑于 2024-03-02 - 来自专栏机器学习/数据可视化
TF-char3-分类问题
Char3-分类问题 在人工智能上花一年时间，这足以让人相信上帝的存在————艾伦\cdot佩利 分类问题典型的应用就是教会机器如何去自动识别图片中物体的种类。 保存的形状是[h,w,3]的张量Tensor，即3维数组 如果是灰色照片，像素点就是一个1维、长度为3的向量；使用形状为[h,w]的二维数组来表示一张图片信息，也可以表示成[h,w,1]形状的张量 in R^{10} 真实标签y经过one-hot变成长度为10的稀疏向量y\in {0,1}^{10} 多输入和多输出的线性预测模型是o=W^Tx+b，希望其更接近真实标签y 误差计算 对于分类问题 非线性模型 o=\sigma(Wx+b) o=ReLU(Wx+b) layers.Dense(256, activation='relu') # 长度为256的向量 3. 输出 [b,784] --->[b,10] out = model(x) # 3.
94110发布于 2021-03-02 - 来自专栏AI机器视觉
AIDI模块讲解之分类（3）
http://mpvideo.qpic.cn/0bf27aabqaaazuakws3fpnqvb6gddd4aagaa.f10002.mp4? d4af46be562d2e473fd707fb0538d45a&dis_t=1654069709&vid=wxv_2088137652611940353&format_id=10002&support_redirect=0&mmversion=false 3 分类 分类模块对每张图设置一个类别标签作为标注。 3.1 分类标注 分类标注工具支持同时对多种类别混杂图进行标注，也可以对单一类别图进行批量标注。 分类标签名称长度限制为10个字符 1 溯源图 显示图像溯源信息 2 缺陷标注模式 切换缺陷标注和掩模编辑状态 3 ROI ROI编辑模式按钮，点击进入ROI编辑模式，调整ROI大小和位置 4 样本分布
1K10编辑于 2022-06-01 - 来自专栏大鹅专栏：大数据到机器学习
Python3 使用fastText进行文本分类 新闻分类
word order信息，所以通过加入N-gram features进行补充 用hashing来减少N-gram的存储 简介 这篇博客将会简要记录使用python版本的fastText对不同类别新闻进行分类 train_data.drop([2], axis=1, inplace=True) train_data.columns = ['id', 'text'] label_data.drop([2, 3] train_file.write(outline) # train_file.flush() train_file.close() test_file.close() 分类预测 , dim=100, ws=5, epoch=5, minCount=5, minCountLabel=0, minn=3, q=cache:CPFHb3JAk2wJ:https://www.codeleading.com/article/22283127900/+&cd=3&hl=zh-CN&ct=clnk&gl=hk
3.5K21编辑于 2021-12-22 - 来自专栏Michael阿明学习之路
3. 分类（MNIST手写数字预测）
3. 多分类 一些算法（比如，随机森林，朴素贝叶斯）可以直接处理多类分类问题 其他一些算法（比如 SVM 或 线性分类器）则是严格的二分类器 但是：可以可以把二分类用于多分类当中 上面的数字预测： 一个方法是 你需要训练N*(N-1)/2个分类器。选出胜出的分类器 OvO主要优点是：每个分类器只需要在训练集的部分数据上面进行训练。 可以看出，数字被错误的预测成3、8、9的较多 把3和5的预测情况拿出来分析 def plot_digits(instances, images_per_row=10, **options): size 3 和 5 之间的主要差异是连接顶部的线和底部的线的细线的位置。 如果你画一个 3，连接处稍微向左偏移，分类器很可能将它分类成5。反之亦然。换一个说法，这个分类器对于图片的位移和旋转相当敏感。
1.6K20发布于 2020-07-13 - 来自专栏科学Sciences
数据的分类(Data Classification)常识(3)
A.数据(Data)和信息(Information)常识 B.数据的分类(Data Classification)常识 一、宏观的数据分类 二、统计数据分类和数据标准 三、大数据业务领域中的数据类型
2.1K61发布于 2020-04-21 - 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。
63310编辑于 2022-11-08 - 来自专栏往期博文
【数据挖掘】任务3：决策树分类
要求 要求：天气因素有温度、湿度和刮风等，通过给出数据，使用决策树算法学习分类，输出一个人是运动和不运动与天气之间的规则树。 pd.read_excel('data.xlsx', index_col=None) df 天气 温度 湿度 风况 运动 0 晴 85 85 无 不适合 1 晴 80 90 有 不适合 2 多云 83 78 无 适合 3 = np.where(df['湿度'] > 80, 1, 0) 转换后的数据如下表所示： df 天气 温度 湿度 风况 运动 0 0 2 1 0 0 1 0 2 1 1 0 2 1 2 0 0 1 3 7 0 1 1 0 0 8 0 0 0 0 1 9 2 1 0 0 1 10 0 1 0 1 1 11 1 1 1 1 1 12 1 2 0 0 1 13 2 1 0 1 0 数据集划分 根据7/3的比例划分训练集和测试集 Xtrain, Xtest, Ytrain, Ytest = train_test_split(data, target, test_size=0.3) 决策树构建 这里决策树的标准选择基尼指数，最终得到分类准确率为
66910编辑于 2022-09-01 血细胞检测数据集VOC+YOLO格式2757张4类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2757 标注数量(xml文件个数)：2757 标注数量(txt文件个数)：2757 标注类别数：4 标注类别名称:["Platelets","RBC","WBC","sickle cell"] 每个类别标注的框数： Platelets 框数 = 2235 RBC 框数 = 39206 WBC 框数 = 2285 sickle cell 框数 = 2417 总框数：46143 使用标注工具：labelImg 标注规则：对类别进行画矩形框 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标注
31610编辑于 2025-07-16- 来自专栏AiCharm
YOLO系列改进 | YOLOF的小小改进升级之轻量化TE-YOLOF
显微图像中的血细胞检测是医学图像处理研究的一个重要分支。由于人工检查血细胞的疾病检测处理时间较长且容易误检，因此使用基于卷积神经网络的目标检测方法来检测血细胞可以被看做一种比较可行的解决方案。 在血细胞领域，血液中有三种重要成分：白细胞（WBC）、红细胞（RBC）和血小板。这些血细胞的比例和数量严重影响医生对疾病的判断。 此外，还与YOLOv3、Deformable DETR进行了比较。本文方法可以得到更高的mAP。 2、本文方法 目标检测的目标是找到图像中物体的坐标，并对其分类。 如图2所示，解码器由两个并行的任务专用头组成：分类头和回归头。 回归头上有4个纵向可分离卷积模块，而分类头上只有2个。 深度可分离卷积模块的架构如图4所示。模块中的每个卷积层之后是BN层和Mish层。 分类分数的最终预测是通过将分类输出与objectness预测相乘而得到的。 4.其他 在该目标检测算法中使用NMS以确保检测器仅检测每个目标一次。将移除与最高分数超过阈值的框重叠的检测到的框。
77831编辑于 2023-05-15 - 来自专栏侯哥的Python分享
Mysql高级3-索引的结构和分类
说明3：特殊二叉树红黑树当做索引是，大数据量情况下，层级比较深，检索速度慢 2.4 B树实现索引的弊端 以一个最大度数（max-degree）为5（5阶）的b树为例（每个节点最多储存4个key 相对于hash索引，B+树支持范围匹配及排序操作 三、索引分类 3.1 主键索引 针对于表中主键创建的索引，默认自动创建，只能有一个， 关键字：primary 3.2 唯一索引 二级索引下面存放的对应的主键，要不然聚集索引下存放了整行数据，二级索引下也放整行数据，就会很冗余 3.7 回表查询 说明1：首先根据name字段走二级索引 说明2：找到Arm对应的id=10 说明3：
44331编辑于 2023-07-31 - 来自专栏3D视觉从入门到精通
3D点云分割、目标检测、分类
编辑丨3D视觉工坊 3D点云学习（ Point Clouds）作为近年来的研究热点之一，受到了广泛关注，每年在各大会议上都有大量的相关文章发表。 对于3D点云，数据正在迅速增长。 此外，论文全面涵盖了分类，检测，跟踪和分割等不同应用。图1显示了三维点云的现有深度学习方法的分类。 图1：三维点云深度学习方法分类。 · 4）提供了现有方法在几个可公开获得的数据集上的全面比较（例如，表1、2、3、4），并提供了简要的总结和深入的讨论。 本文的结构如下。第2节回顾了三维形状分类的方法。 结论 本文介绍了最先进的三维理解方法，包括三维形状分类，三维目标检测和跟踪，以及三维场景和目标分割。对这些方法进行了全面的分类和性能比较。介绍了各种方法的优缺点，并提出了今后的研究方向。
1.5K20编辑于 2023-04-29 - 来自专栏Ywrby
3-操作系统的发展与分类
操作系统的发展与分类 手工操作阶段 主要矛盾：用户独占全机，人机速度矛盾导致资源利用率极低（计算机的高速与人手工输入的低速） 批处理阶段：单道批处理系统 引入了脱机输入/输出技术（通过磁带完成），并通过监督程序
71120编辑于 2022-10-27 - 来自专栏Michael阿明学习之路
3. K-近邻算法分类和回归
KNN分类 根据身高、体重对性别进行分类 import numpy as np import matplotlib.pyplot as plt X_train = np.array([ [158 对身高 155cm，体重 70 kg的人进行性别预测 设置 KNN 模型 k = 3 计算距离 x = np.array([[155,70]]) dis = np.sqrt(np.sum((X_train-x )**2 ,axis = 1)) dis 选取最近k个 nearset_k_neighbor = dis.argsort()[0:3] k_genders = [y_train[i] for i in 'female'] 计算最近的k个的标签 from collections import Counter # b = Counter(np.take(y_train, dis.argsort()[0:3] 使用sklearn KNN分类 标签（male，female）数字化（0,1） from sklearn.preprocessing import LabelBinarizer from sklearn.neighbors
62730发布于 2020-07-13 - 来自专栏区块链开发
Web3项目的分类及特点
Web3项目涵盖了多个领域，每个领域都有其独特的特点和应用场景。以下是Web3项目的主要分类及其特点。1. Web3基础设施特点：这些项目提供底层基础设施，支持Web3应用的运行，包括区块链节点、钱包、API等。示例：Infura、Alchemy、MetaMask。8. Web3游戏和元宇宙特点：Web3游戏和元宇宙项目利用区块链技术创建沉浸式的虚拟世界，用户可以在其中进行社交、游戏和交易。 Web3工具和框架特点：这些项目提供开发工具和框架，帮助开发者更高效地构建Web3应用，包括智能合约开发框架、前端库等。示例：Hardhat、Truffle、Ethers.js。 总结Web3项目通过区块链技术推动了多个领域的创新，从金融服务到数字艺术，从治理到游戏。每个项目都有其独特的特点和应用场景，共同构成了一个多元化的Web3生态系统。
98110编辑于 2025-03-27 - 来自专栏数据分析1480
3个最常用的分类模型评估指标！
对于多元分类问题，在实际的处理过程中常将它们转换为多个二元分类问题解决，比如图1所示的例子。 ? 图1 那么自然地，一个多元分类结果可以分解为多个二元分类结果来进行评估。 很容易发现，图中标记为2的部分表示模型预测结果正确，而标记为1和3的部分则表示模型预测结果错误。 对于一份预测结果，一方面希望它能做到“精确”：当时 ? ，有很大概率，真实值 ? 就等于1。 整个过程的直观图像如图3所示。 ? 图3 03 F-score 既然这两个指标往往是成反比的，而且在很大程度上，受预测标准的控制。那么只拿其中的某一个指标去评估预测结果是不太合适的。 具体的定义如公式（3），从数学上来看，它其实是查准率与查全率的调和平均数。对于二元分类问题， ? 综合考虑了预测结果的查准率和查全率，是一个比较好的评估指标。 ? 例如在实时竞价（RTB）广告行业，有3种参与者：需要在互联网上对产品做广告的商家，比如Nike；广告投放中介（DSP）；广告位提供者，比如新浪网。
3.1K10发布于 2019-05-22 - 来自专栏iOSDevLog
第3章：决策树分类器 - 理论
作者：Savan Patel 时间：2017年5月11日 原文：原文：https://medium.com/machine-learning-101/chapter-3-decision-trees-theory-e7398adac567 在第二部分中，我们修改了sklearn库中决策树分类器的垃圾邮件分类代码。我们将比较Naive Bayes和SVM的准确性。 ? 拒绝和招聘的黑暗面！ 例如， 如果我们在投掷事件中将项目作为骰子面部出现次数为1123， 则熵为 p（1）= 0.5 p（2）= 0.25 p（3）= 0.25 entropy = - （0.5 * log（0.5） ）） - （0.25 * log（0.25）） - （0.25 * log（0.25） = 0.45 3.信息增益 假设我们有多个功能来划分当前工作集。 划分，我们将划分为 Rainy：NNN（entropy = 0） Sunny：YYN（entropy = 0.041） 阴天：YY（entropy = 0） 因此，信息增益= 0.3 - [0 +（3/
1.1K20发布于 2019-05-05
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