EasyCV是一个涵盖多个领域的基于Pytorch的计算机视觉工具箱，聚焦自监督学习和视觉transformer关键技术，覆盖主

EasyCV是一个涵盖多个领域的基于Pytorch的计算机视觉工具箱，聚焦自监督学习和视觉transformer关键技术，覆盖主流的视觉建模任务例如图像分类，度量学习，目标检测，关键点检测等。核心特性：SOTA自监督算法EasyCV提供了state-of-the-art的自监督算法，有基于对比学习的算法例如SimCLR，MoCOV2，Swav，Moby，DINO，也有基于掩码图像建模的MAE算法，除此之外我们还提供了标准的benchmark工具用来进行自监督算法模型的效果评估。视觉TransformersEasyCV聚焦视觉transformer技术，希望通过一种简洁的方式让用户方便地使用各种SOTA的、基于自监督预训练和imagenet预训练的视觉transformer模型，例如ViT，Swin-Transformer，ShuffleTransformer，未来也会加入更多相关模型。此外，我们还支持所有timm仓库中的预训练模型.易用性和可扩展性除了自监督学习，EasyCV还支持图像分类、目标检测，度量学习，关键点检测等领域，同时未来也会支持更多任务领域。尽管横跨多个任务领域，EasyCV保持了统一的架构，整体框架划分为数据集、模型、回调模块，非常容易增加新的算法、功能，以及基于现有模块进行扩展。推理方面，EasyCV提供了端到端的简单易用的推理接口，支持上述多个领域。此外所有的模型都支持使用PAI-EAS进行在线部署，支持自动伸缩和服务监控。高性能EasyCV支持多机多卡训练，同时支持TorchAccelerator和fp16进行训练加速。在数据读取和预处理方面，EasyCV使用DALI进行加速。对于模型推理优化，EasyCV支持使用jitscript导出模型，使用PAI-Blade进行模型优化。#计算机视觉#工具

Meta 开源计算机视觉基础模型 DINOv2

Meta开源计算机视觉基础模型DINOv2Meta开源了它的计算机视觉基础模型DINOv2，源代码托管在上，和Meta近期开源的其它AI模型一样，采用的是非商用的CC-BY-NC4.0许可证。DINOv2是基于VisionTransformer(ViT)架构，使用一个包含1.42亿幅图像的精选数据集进行预训练，可用于图像分类、视频动作识别、语义分割和深度估计等任务。Meta称DINOv2模型的速度是旧方法的两倍，使用的内存只有旧方法的三分之一。测试显示它相比其它同类模型有显著改进。来源，来自：雷锋频道：@kejiqu群组：@kejiquchat投稿：@kejiqubot

一份面向计算机科学基础及全栈开发、深度学习和自然语言处理的定制化计算机科学课程清单(学习资源集)

一份面向计算机科学基础及全栈开发、深度学习和自然语言处理的定制化计算机科学课程清单(学习资源集)作者语：作为一名拥有物理学背景的机器学习软件工程师，我觉得缺乏计算机科学学位是我长期成长的一个限制因素。为了正面解决这个问题，我利用我在网上找到的最佳资源为自己设计了这门课程，重点关注CS基础知识以及全栈开发、深度学习和自然语言处理。有通用知识课程和项目课程。通用知识课程用于将大脑中的知识索引到一个有组织的系统中。面对新问题时，至少知道要查找哪些相关信息。项目课程是真正的学习过程。边做边学是学习的唯一途径。如果你对这个课程的创建哲学感兴趣，我写了一篇关于它的文章：#计算机科学

LightNet 是一个基于流行的暗网平台的深度学习框架，旨在为计算机视觉任务创建高效、高速的卷积神经网络（CNN）。该框架经过

LightNet是一个基于流行的暗网平台的深度学习框架，旨在为计算机视觉任务创建高效、高速的卷积神经网络（CNN）。该框架经过改进和优化，可为各种深度学习挑战提供更通用、更强大的解决方案。LightNet融合了多项前沿技术和优化来提高CNN模型的性能。主要特点包括：●多任务学习除了暗网中的对象检测之外，LightNet还经过扩展以支持语义分割学习，从而可以对图像内的对象进行更准确、更详细的分割。此功能支持训练CNN模型来识别和分类图像中的各个像素，从而实现更精确的对象检测和场景理解。例如，语义分割可用于识别图像中的各个对象，例如汽车或行人，并用相应的对象类别标记图像中的每个像素。这对于各种应用都很有用，包括自动驾驶和医学图像分析。●2:4结构化稀疏性2:4结构化稀疏技术是一种减少CNN模型参数数量同时保持其性能的新颖方法。这种方法使模型更加高效并且需要更少的计算，从而缩短训练和推理时间。例如，使用2:4结构化稀疏性可以减少CNN模型的内存占用和计算要求，从而更容易部署在手机或嵌入式系统等资源受限的设备上。●通道修剪通道剪枝是一种优化技术，可以减少CNN模型中的通道数量，而不会显着影响其准确性。此方法有助于减小模型大小和计算要求，从而在保持性能的同时缩短训练和推理时间。例如，通道修剪可用于减少CNN模型中的通道数量，以便在低功耗处理器上进行实时处理，同时仍保持高精度。这对于在计算资源有限的设备上部署模型非常有用。●训练后量化（维护中）训练后量化(PTQ)是一种减少训练后CNN模型的内存占用和计算要求的技术。此功能目前正在维护中，将在未来版本中提供。●量化感知训练（未来支持）虽然PTQ被认为足以满足NVIDIAGPU上的LightNet，但对于不支持每通道量化的AI处理器，我们可能会考虑根据需要添加对量化感知训练(QAT)的支持。#框架

Meta最新的开源项目DINOv2：具有自我监督学习功能的最先进的计算机视觉模型

Meta最新的开源项目DINOv2：具有自我监督学习功能的最先进的计算机视觉模型这款全新的自监督视觉Transformer模型可以作为几乎所有计算机视觉任务的主干模型。无需微调。•无需大量标注数据，即可训练计算机视觉模型。•多功能主干：图像分类、分割、图像检索和深度估计。•直接从图像中学习特征，而无需依赖文本描述，这有助于更好地理解局部信息。•可以从任何图像集合中学习。•DINOv2的预训练版本已经上线，并在众多任务中与CLIP和OpenCLIP竞争。Meta继SAM（SegmentAnything）网页链接之后又一计算机视觉领域的重量级开源项目。

Google 与 Hugging Face 达成协议，为开源人工智能提供“超级计算机”力量

根据TheVerge报道，开发者现在可以在不需要付费GoogleCloud订阅费的情况下建立、训练和部署人工智能模型。通过HuggingFace平台，外部开发者将获得“经济实惠”的使用权，可以访问Google的张量处理单元（TPU）和GPU超级计算机，其中包括数千台受需求大且受出口限制的NvidiaH100。HuggingFace是较为流行的人工智能模型库之一，存储着开源基础模型如Meta的Llama2和StabilityAI的StableDiffusion，并提供多个模型训练数据库。此合作将使HuggingFace用户能够在2024年上半年开始使用AI应用构建平台VertexAI和帮助训练和微调模型的Kubernetes引擎。Google表示，该合作进一步支持GoogleCloud对开源人工智能生态系统的发展。via匿名标签:#Google#Hugging频道:@GodlyNews1投稿:@GodlyNewsBot