Android Neural Networks API – https://android-developers.googleblog.com/2020/11/android-neural-networks-api-13.html AndroidPytorch Demo https://pytorch.org/mobile/android/
Android Neural Networks API – https://android-developers.googleblog.com/2020/11/android-neural-networks-api-13.html AndroidPytorch Demo https://pytorch.org/mobile/android/
Команда VisionLabs одна из самых быстро растущих и перспективных компаний России в области ИИ. Сайт у них не отражает всей интересной информации, поэтому информация часто попадается в профильных чатах, конференциях и других событиях. Сегодня состоялась конференция Data Science&Cloud , организованная командой SberCloud. Соответственно, появилась новая порция информации о интересных девайсах команды VisionLabs. Решение явно...
Некоторые датасеты медицинской направленности: Датасет болезней сердца — эта база данных содержит 76 атрибутов, таких как возраст, пол, тип боли в груди, артериальное давление в покое и другие. Рентгенография грудной клетки (пневмония) — 5,863 изображения, 2 категории. Звуки сердцебиения — классификация аномалий сердцебиения по стетоскопу. Изображения клеток крови — 12 500 изображений: 4 разных...
https://medium.com/@timothycarlen/understanding-the-map-evaluation-metric-for-object-detection-a07fe6962cf3 To understand the AP, it is necessary to understand the precision and recall of a classifier. For a more comprehensive explanation of these terms, the wikipedia article is a nice place to start. Briefly, in this context, precision measures the “false positive rate” or the ratio of true object detections to the total...
https://www.quora.com/To-what-resolution-should-I-resize-my-images-to-use-as-training-dataset-for-deep-learning t really depends on the size of your network and your GPU. You need to fit reasonably sized batch (16-64 images) in gpu memory. That can easily be very big: you can compute the size of intermediate activations as 4*batch_size*num_feature_maps*height*width. Say you take 32 square images 112×112 with 64 feature maps. It would...
Odroid -HC1 неплохая плата с восьмиядерным процессором, прежде всего предназначенная для NAS серверов. Но с такими характеристиками ее грех не попробовать поиспользовать для машинного обучения вместе с Tensorflow Ее характеристки: Установить Tensorflow не так просто – нет официальной поддержки платы релизами TF. Статья, как поставить TF -на Medium
Labelimg вместе с исходными кодами лежит на Github и содержит полную информацию, как его устанавливать в различных системах и как им пользоваться. Этот редактор выбрали, так как разметка идет на разных машинах (Linux, Windows) и есть задача обеспечить конфиденциальность данных (графических картинок) и получившихся размеченных данных.
Российская компания Fastwell выпустила процессорный модуль СЗС313 на базе процессора Baikal-T1. Двухъядерный процессор Baikal-T с тактовой частотой 1,2 ГГц Напаянная оперативная память DDR3-1600 SDRAM 4 Гбайт с ECC Видео порты Analog RGB (до 1920 x 1080 @ 50 Гц) и LVDS (18 / 24 бит, до 1366 х 768 @ 60 Гц) SATA...