- OpenVINO 37
- Tools 12
- Openwrt 3
- VS Code 4
- OpenCV 3
- 计算机视觉与TensorFlow 4
- 问题集锦 1
- k8s 1
- Edge Software Hub 8
- Golang 3
- 机器学习 21
- NLP 16
- TDengine 2
- python 2
- NAS 3
- Shell 7
- RKNN 1
OpenVINO
- OpenVINO系列37丨在AI爱克斯开发板上使用OpenVINO NNCF优化YOLOv7，性能可提升至2.15倍
- OpenVINO系列36丨在AI爱克斯开发板上OpenVINO处理U2-Net模型的图像分割和背景替换
- OpenVINO系列35丨Openvino-dev如何下载、优化和量化yolov4模型
- OpenVINO系列34丨如何充分使用OpenVINO工具套件
- OpenVINO系列33丨OpenVINO wheel 包的编译和使用
- OpenVINO系列31丨OpenVINO 2022新版本源码编译流程讲解和新特性Auto-Device演示
- OpenVINO系列32丨Paddle OCR 模型在 OpenVINO 的部署应用
- OpenVINO系列30丨OpenVINO_Notebooks介绍与使用
- OpenVINO系列29丨OpenVINO_TensorFlow介绍与使用
- OpenVINO系列28丨Dockerfile实现OpenVINO的demo编译
- OpenVINO系列27丨OpenVINO支持哪些NLP的BERT模型
- OpenVINO系列26丨OpenVINO能支持ARM架构了？！
- OpenVINO系列25丨OpenVINO在树莓派上如何使用NCS2加速
- OpenVINO系列24丨ubuntu18.04上使用Intel HDDL的demo演示
- OpenVINO系列23丨ubuntu18.04上使用Intel MYRIAD的demo演示
- OpenVINO系列22丨ubuntu上使用Intel GPU 的demo演示
- OpenVINO系列21丨ubuntu演示crossroad_camera_demo
- OpenVINO系列20丨openvinotoolkit-prc的相关工具包介绍
- OpenVINO系列19丨DL Workbench的介绍与使用
- OpenVINO系列18丨视频处理的介绍
- OpenVINO系列17丨Inference Engine介绍与使用
- OpenVINO系列16丨Model Optimizer介绍与使用(二)
- OpenVINO系列15丨Model Optimizer介绍与使用(一)
- OpenVINO系列14丨human-pose-estimation在不同硬件设备上基准测试的性能差异
- OpenVINO系列13丨face_detection检测人脸并做标记
- OpenVINO系列12丨benchmark Tool介绍使用
- OpenVINO系列11丨Vtune对human-pose-estimation在CPU推理运行的性能分析
- OpenVINO系列10丨human-pose-estimation在CPU、GPU、HDDL、MYRIAD等计算设备上的推理运行
- OpenVINO系列09丨OpenVINO如何给计算机视觉的应用加速
- OpenVINO系列08丨windows系统python演示人脸表情检测
- OpenVINO系列07丨windows系统python演示landmark检测模型
- OpenVINO系列06丨ubuntu系统python演示道路分割模型
- OpenVINO系列05丨windows上演示multi-channel-face-detection-demo
- OpenVINO系列04丨Ubuntu上演示human-pose-estimation-0001
- OpenVINO系列03丨windows上运行text-detection-0002
- OpenVINO系列02丨安装OpenVINO
- OpenVINO系列01丨初识OpenVINO
Tools
- Tools系列08丨Ubuntu环境配置
- Tools系列11丨Windows最好用的ssh终端利器
- Tools系列10丨Dockerfile的构建
- Tools系列09丨不同浏览器书签直接同步：坚果云+Floccus_详细使用教程
- Tools系列08丨Vim环境配置与命令使用
- Tools系列07丨docker常用命令以及卸载
- Tools系列06丨Ubuntu录制gif
- Tools系列05丨git用户配置
- Tools系列04丨常用的PROXY配置
- Tools系列03丨常用的国内加速配置
- Tools系列02丨Timeshift、Diff、Ssh、Vnc
- Tools系列01丨markdown常用总结
Openwrt
VS Code
- VS Code系列04丨Windows配置C语言的开发环境
- VS Code系列03丨配置Golang的开发环境
- VS Code系列02丨Picgo+jsDelivr+Github搭建高速稳定图床
- VS Code系列01丨配置Python开发环境
OpenCV
计算机视觉与TensorFlow
- 计算机视觉与TensorFlow系列04丨常见的损失函数
- 计算机视觉与TensorFlow系列03丨深度神经网络介绍
- 计算机视觉与TensorFlow系列02丨Tensorflow和Keras介绍与Tensorboard使用
- 计算机视觉与TensorFlow系列01丨深度学习与CV介绍
问题集锦
k8s
Edge Software Hub
- ESH系列08丨焊接孔隙率检测参考实现
- ESH系列07丨开放边缘洞察（EII）的编译安装
- ESH系列06丨工业文本行识别用例
- ESH系列05丨车辆事件记录用例
- ESH系列04丨预防损失检测的实时传感器融合用例
- ESH系列03丨纺织品缺陷分类检测用例
- ESH系列02丨多摄像头社交距离检测用例
- ESH系列01丨智能交通管理用例
Golang
机器学习
- 机器学习系列21丨特征降维
- 机器学习系列20丨聚类算法
- 机器学习系列19丨集成学习
- 机器学习系列18丨决策树算法（二）
- 机器学习系列17丨ID3、C4.5两种算法的比较
- 机器学习系列16丨决策树算法（一）
- 机器学习系列15丨逻辑回归
- 机器学习系列14丨线性回归（二）
- 机器学习系列13丨线性回归（一）
- 机器学习系列12丨交叉验证和网格搜索
- 机器学习系列11丨特征工程_特征预处理
- 机器学习系列10丨常用数据集以及scikit-learn中数据集介绍
- 机器学习系列09丨K-近邻算法
- 机器学习系列08丨特征工程_特征提取
- 机器学习系列07丨使用Azure Designer 训练模型
- 机器学习系列06丨常用科学计算库的使用 Seaborn
- 机器学习系列05丨常用科学计算库的使用 Pandas
- 机器学习系列04丨常用科学计算库的使用 Numpy
- 机器学习系列03丨常用科学计算库的使用 Matplotlib
- 机器学习系列02丨Anaconda与Jupyter Notebook安装与配置
- 机器学习系列01丨机器学习概述
NLP
- NLP与Pytorch09丨使用Pytorch实现手写数字识别
- NLP与Pytorch08丨Pytorch的数据加载
- NLP与Pytorch07丨梯度下降法及常见的优化算法
- NLP与Pytorch06丨调用Pytorch API完成线性回归
- NLP与Pytorch05丨手动完成线性回归
- NLP与Pytorch03丨梯度下降和反向传播
- NLP与Pytorch03丨Pytorch基本语法
- NLP与Pytorch02丨Pytorch介绍与使用
- NLP与Pytorch01丨深度学习和神经网络的介绍
- NLP学习系列07丨文本情感分析
- NLP学习系列06丨对话系统
- NLP学习系列05丨RNN基础机构
- NLP学习系列04丨Word2Vec算法
- NLP学习系列03丨基础文本分析模型
- NLP学习系列02丨LDA模型
- NLP学习系列01丨自然语言处理 (NLP) 概述
TDengine
python
NAS
- 2022-06-11-玩转NAS系列01丨FRP内网穿透的设置
- 2022-06-11-玩转NAS系列01丨Docker安装Jellyfin打造家庭影院
- 2022-05-22-玩转NAS系列01丨群辉应用中心第三方扩展的配置
Shell
- 2022-06-27-Shell系列07丨 shell流程控制
- 2022-06-26-Shell系列06丨 shell计算命令
- 2022-06-25-Shell系列05丨 shell运算符
- 2022-06-24-Shell系列04丨 shell内置命令
- 2022-06-23-Shell系列03丨 shell字符串变量
- 2022-06-22-Shell系列02丨 shell环境变量深入
- 2022-06-21-Shell系列01丨 shell介绍与变量