- 综合排序
- 最热优先
- 最新优先
- 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。 ： nn= model（） nn.fit_generator（dataset，steps_per_epoch= None，epochs= 30，verbose= 1） nn.save（'Model.h5' \ ModelData/model_data // Model.h5is the downloaded model after training, last
1.9K30发布于 2018-09-26 - 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。 4.1 完整训练脚本训练脚本 bccd_rf_train.py 的主要流程：参数解析和环境设置数据路径验证DINOv3模型加载特征提取（训练集和验证集）数据平衡处理随机森林训练模型评估模型和配置保存"""血细胞分类训练脚本 = '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 训练输出训练过程会输出详细的统计信息：================================================================================血细胞分类训练
2.3K33编辑于 2025-10-23 - 来自专栏岑志军的专栏
HTML5-css样式分类
行内样式 <body>
121221323231221121221323231221<div style="font-size: 30px; color: red; bac2.1K50发布于 2018-05-28 - 来自专栏单细胞天地
人血细胞的单细胞转录组图谱
意义：提供了单细胞分辨率的人血细胞转录图谱，从而为探索生理和病理造血提供了全面的参考。 他们接着整合了所有造血细胞的单细胞转录组图谱，然后通过UMAP进行降维和可视化。 然而，在单细胞水平下lncRNAs在造血细胞中的表达谱尚未见报道。因此，他们基于lncRNA表达水平，构建一个包含7192个血细胞的转录图谱。 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。 总的来说，该研究图谱全面地整合了血细胞的转录组信息和免疫表型信息，为后续血液生理学和病理学研究提供了重要的血细胞注释依据和参考价值。
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)
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。 2、搭建YoloV5检测网络，使用SGD优化器，学习率是0.001，batchsize是64，epoch是500，损失函数采用交叉熵和iou损失。 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 - 来自专栏数据猿
Python Seaborn (5) 分类数据的绘制
分类散点图 显示分类变量级别中某些定量变量的值的一种简单方法使用 stripplot()，它会将分散图概括为其中一个变量是分类的： ? 在条纹图中，散点图通常将重叠。这使得很难看到数据的完整分布。 当然也可以传入 hue 参数添加多个嵌套的分类变量。高于分类轴上的颜色和位置时冗余的，现在每个都提供有两个变量之一的信息： ? 一般来说，Seaborn 分类绘图功能试图从数据中推断类别的顺序。 分类内的观测分布 分类散点图固然简单实用，但在某些特定的的情况下，他们可以提供的值的分布信息会变得及其有限（并不明晰）。 绘制多层面板分类图 正如我们上面提到的，有两种方法可以在 Seaborn 中绘制分类图。 由于分类图的广义 API，它们应该很容易应用于其他更复杂的上下文。 例如，它们可以轻松地与 PairGrid 结合，以显示多个不同变量之间的分类关系： ?
4.8K20发布于 2019-03-06 - 来自专栏机器学习AI算法工程
【趣味】数据挖掘(5)—分房与分类
故事中没有月亮、云朵和晚风，却有关于数据挖掘中的分类技术的启示；虽然，现在不再分福利房了，但此故事既回顾历史，也解释了分类技术若干要点，有参考价值。 5、 第一个训练结果，删除无用的列--属性选择。 5．1 分房委员会看出了冗余属性问题 分房委员会对这个样板初稿，提出了意见。 精简属性能减少无关属性干扰，既节省时间，又保证分类精度。 6、第二个训练结果，训练一个分房（分类）公式。 而Fi为各条件之量化值，例如，曾经有一个学校的真实的分数：工龄一年算一分，副教授算3分，教授算5分，等等； 注意，复杂的分类规则不一定能用简单的公式表达，但总可用一组形如“If….then….”的规则来表示 8、应用于大规模的分类 公示通过了测试的分房公式，用其计算全厂申请住房者的分类标号（等价于住房面积数），公示。 9、商品房时代的购房与分类有关吗？
81330发布于 2018-03-09 - 来自专栏AI机器学习与深度学习算法
学习分类 2-5 线性可分
显然，实际处理的分类任务大多数不可能仅使用一条直线将其区分开的，这也是为什么说感知机不会应用到实际的问题中。 单层感知机是一个很弱的模型，只能处理线性可分的分类问题，但是堆叠多个单层感知机的多层感知机能够处理非线性可分的分类问题。多层感知机就是所谓的神经网络。
54610编辑于 2022-11-08 - 来自专栏往期博文
【图像分类】YOLOv5-6.2全新版本：支持图像分类
前言 众所周知，YOLOv5是一款优秀的目标检测模型，但实际上，它也支持图像分类。在6.1版本中，就暗留了classify这个参数，可以在做检测的同时进行分类。 官方仓库地址：https://github.com/ultralytics/yolov5/releases 更新概览 在几天前刚新出的6.2版本中，直接将分类功能单独剥离开来，使其能够直接训练图像分类数据集 先看看官网公示的更新说明： 分类功能 新增分类功能，并提供各模型在ImageNet上训练过的预训练模型 ClearML日志记录 与开源实验跟踪器ClearML集成。 分类模型效果 下图是官方贴出来的各分类模型对比图，在可以看到在相同的数据集上，YOLOv5x-cls模型取得了最佳的准确率。下列这些模型官方均提供预训练权重。 模型会从高到低输出前5个类别的概率值。 代码备份 本次实验代码包含YOLOv5-6.2版本提供的所有预训练权重和mnist数据集。
2.5K30编辑于 2022-09-23 - 来自专栏Reinvent Data Science
5 分钟教你搭建「视频动作分类」系统
「视频动作分类」系统展示图 怎么样，是不是很神奇呢？快跟着我们往下看吧！ 准备工作 安装依赖包 在搭建「视频动作分类」系统之前，我们需要创建系统依赖的环境。 在默认情况下，模型将会返回得分（可能性）最高的前 5 个分类，我们可以通过自行更改topk来控制返回的类别数量。 import towhee ( towhee.glob['path']('. 了解更多[5] .action_classification.pytorchvideo()：一个 Towhee 的算子，可以提取视频特征并预测视频所属的动作分类。 上图展示了5个视频的预测结果，top1 （第一个预测类别）的预测结果有 4/5 判断正确，而 top2 （前两个预测类别）则全部准确预测。 」的交互界面，输入你想要分类的视频，即可呈现出视频所对应的分类标签。
1.3K10编辑于 2023-01-09 - 来自专栏Devops专栏
5-SpringBoot 配置-配置文件分类
5-SpringBoot 配置-配置文件分类 SpringBoot 配置-配置文件分类 SpringBoot是基于约定的，所以很多配置都有默认值，但如果想使用自己的配置替换默认配置的话，就可以使用application.properties Tomcat 的端口号 server: port: 8082 4.创建配置文件 application.yaml 定义内置 Tomcat 的端口号 server: port: 8083 5.
41830编辑于 2022-03-23 - 来自专栏HT
基于 HTML5 WebGL 的垃圾分类系统
前言 垃圾分类，一般是指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用。 垃圾在分类储存阶段属于公众的私有品，垃圾经公众分类投放后成为公众所在小区或社区的区域性准公共资源，垃圾分类搬运到垃圾集中点或转运站后成为没有排除性的公共资源。 从国内外各城市对生活垃圾分类的方法来看，大致都是根据垃圾的成分、产生量，结合本地垃圾的资源利用和处理方式来进行分类的。到2019年6月25日，生活垃圾分类制度将入法。 一套应用于工业物联网的智能一体化的垃圾分类机械臂将随之而来，由此，我应用 HT for Web 的图型化编辑工具打造了一款形象生动的例子：Garbage classification，也借此机会与大家一起分享和学习 data, {animation : {duration : 500}, distance : 800}) // 拉近视角 } }) 好了，准备工作做好了，下面来实现动画部分，除了了解 垃圾分类
52730编辑于 2022-05-10 - 来自专栏HT
HTML5 + WebGL 实现的垃圾分类系统
前言 垃圾分类，一般是指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用。 垃圾在分类储存阶段属于公众的私有品，垃圾经公众分类投放后成为公众所在小区或社区的区域性准公共资源，垃圾分类搬运到垃圾集中点或转运站后成为没有排除性的公共资源。 从国内外各城市对生活垃圾分类的方法来看，大致都是根据垃圾的成分、产生量，结合本地垃圾的资源利用和处理方式来进行分类的。到2019年6月25日，生活垃圾分类制度将入法。 一套应用于工业物联网的智能一体化的垃圾分类机械臂将随之而来，由此，我应用 HT for Web 的图型化编辑工具打造了一款形象生动的例子：Garbage classification，也借此机会与大家一起分享和学习 data, {animation : {duration : 500}, distance : 800}) // 拉近视角 } }) 好了，准备工作做好了，下面来实现动画部分，除了了解 垃圾分类
51130编辑于 2022-05-10 - 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。 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。 关于更多细节，标准卷积如图5所示，相应的深度可分离卷积如图6所示。假设输入通道为 N ，输出通道为 M ，卷积核的大小为 N_k×N_k 。根据图5，标准卷积核是 N×N_k×N_k×M 。 血细胞检测属于密集的小目标检测，因此深度可分离卷积的能力可以在该模型上显示出来。根据表5，由于具有不同骨干的TE-YOLOF中的深度可分离卷积的贡献，性能提高了0.2至1.3个点。
77831编辑于 2023-05-15 - 来自专栏HT
基于 HTML5 + WebGL 的垃圾分类系统
前言 垃圾分类，一般是指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用。 垃圾在分类储存阶段属于公众的私有品，垃圾经公众分类投放后成为公众所在小区或社区的区域性准公共资源，垃圾分类搬运到垃圾集中点或转运站后成为没有排除性的公共资源。 从国内外各城市对生活垃圾分类的方法来看，大致都是根据垃圾的成分、产生量，结合本地垃圾的资源利用和处理方式来进行分类的。到2019年6月25日，生活垃圾分类制度将入法。 一套应用于工业物联网的智能一体化的垃圾分类机械臂将随之而来，由此，我应用 HT for Web 的图型化编辑工具打造了一款形象生动的例子：Garbage classification，也借此机会与大家一起分享和学习 好了，准备工作做好了，下面来实现动画部分，除了了解 垃圾分类 的方式外我还参考了网上很多机械臂的视频，学习它的运动模式和动作细节，对每个结构和部位的动画进行步骤的排序和构思。
74920发布于 2019-12-02 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HT
基于 HTML5 + WebGL 实现的垃圾分类系统
前言 垃圾分类，一般是指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用。 垃圾在分类储存阶段属于公众的私有品，垃圾经公众分类投放后成为公众所在小区或社区的区域性准公共资源，垃圾分类搬运到垃圾集中点或转运站后成为没有排除性的公共资源。 从国内外各城市对生活垃圾分类的方法来看，大致都是根据垃圾的成分、产生量，结合本地垃圾的资源利用和处理方式来进行分类的。到2019年6月25日，生活垃圾分类制度将入法。 一套应用于工业物联网的智能一体化的垃圾分类机械臂将随之而来，由此，我应用 HT for Web 的图型化编辑工具打造了一款形象生动的例子：Garbage classification，也借此机会与大家一起分享和学习 data, {animation : {duration : 500}, distance : 800}) // 拉近视角 } }) 好了，准备工作做好了，下面来实现动画部分，除了了解 垃圾分类
53520编辑于 2022-05-10 - 来自专栏AI工程
用mT5模型微调中文分类任务示例
用mT5模型微调中文分类任务示例 mT5模型是T5模型在多语言数据集C4上的继续训练，T5本身是比较早了，是2019年的一个模型，但是后来又有很多次不同的升级。 ，mT5这样的encoder-decoder结构其实天然的做的是sequence-to-sequence结构，类似机器翻译/对话聊天之类的 那么分类任务怎么设计的 我们先定位任务为，输入一句（段）中文文本 ，输出一个三分类的标签，0，1，2。 decoder默认肯定会输出一个词表长度的向量，我们只拿其中3个使用，实际代码中我是使用3，4，5，三个特殊token id作为判定三分类的结果。 我们具体计算loss也只计算最后decoder输出的这三个token的概率比较，比如3的概率最大，那么就是分类0，4的大就是分类1，5的大就是分类2。
3.3K20编辑于 2022-03-30 - 来自专栏梦里茶室
Google机器学习笔记 4-5-6 分类器
Recipes 4 Let’s Write a Pipeline 复习与强化概念 监督学习基础套路 例子： 一个用于举报邮件的分类器 关键在于举报新的邮件 Train vs Test：隔离训练集 ，各种分类器有类似的接口 这些不同分类器都可以解决类似的问题 让算法从数据中学习到底是什么 拒绝手工写分类规则代码 本质上，是学习feature到label，从输入到输出的函数 从一个模型开始，用规则来定义函数 根据训练数据调整函数参数 从我们发现规律的方法中，找到model 比如一条划分两类点的线就是一个分类器的model，调整参数就能得到我们想要的分类器： ? TensorFlow PlayGround Example of Neural Network sklearn 笔记 Recipes 5 Writing Our First Classifier 即考虑各个feature之间差异的平方和 实现 在Lesson4的基础上进行，我们在lesson4中使用了KNeighborsClassifier()作为分类器，现在我们要实现这个分类器 ScrappyKNN
90290发布于 2017-12-29 基于yolov8的血细胞检测计数系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的血细胞检测与计数系统是一种利用深度学习技术，特别是YOLOv8目标检测算法，实现高效、准确血细胞识别的系统。 该系统能够自动识别并计数图像或视频中的血细胞，包括红细胞、白细胞和血小板等，为医疗诊断提供重要支持。 YOLOv8以其高速和高精度的目标检测能力著称，适用于实时目标检测应用。 该系统通过收集并预处理包含各种血细胞类型的图像或视频数据，利用YOLOv8算法进行模型训练，从而学习血细胞的特征和分类信息。 在实时检测阶段，系统能够快速接收并处理图像或视频输入，准确识别并计数血细胞，生成详细的统计报告。 该系统不仅提高了血细胞检测的自动化程度和准确性，还减少了人为误差，大大减轻了医护人员的工作负担。 ) self.label_5.setObjectName("label_5") self.le_res = QtWidgets.QTextEdit(self.centralwidget
21710编辑于 2025-07-16
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