当前位置: 首页 > news >正文

目标检测评估指标mAP详解:原理与代码

目标检测评估指标mAP详解:原理与代码

  • 目标检测评估指标mAP详解:原理与代码
    • 一、前言:为什么需要mAP?
    • 二、核心概念解析
      • 2.1 PR曲线(Precision-Recall Curve)
      • 2.2 AP计算原理
    • 三、代码实现详解
      • 3.1 核心函数`ap_per_class`
      • 3.2 AP计算函数`compute_ap`
    • 四、关键实现细节
      • 4.1 排序的重要性
      • 4.2 插值处理技巧
      • 4.3 平滑处理
    • 五、结果解读与可视化
      • 5.1 输出指标解析
    • 六、实际应用建议
    • 七、常见问题FAQ
    • 八、完整代码获取

目标检测评估指标mAP详解:原理与代码

一、前言:为什么需要mAP?

在目标检测任务中,mAP(mean Average Precision)是最重要的评估指标之一。本文将深入解析:

  • 精确率(Precision)与召回率(Recall)的平衡关系
  • PR曲线的绘制原理
  • AP(Average Precision)的计算方法
  • 多类别场景下的mAP计算
  • 附完整代码实现与逐行解析

二、核心概念解析

2.1 PR曲线(Precision-Recall Curve)

PR曲线是评估分类模型性能的重要工具,其绘制过程包含以下关键步骤:

  1. 将预测结果按置信度降序排列
  2. 以不同置信度阈值划分正负样本
  3. 计算各阈值下的Precision和Recall
  4. 连接所有点形成曲线

PR曲线示例(参考P-R曲线绘制原理及代码实现):
在这里插入图片描述

2.2 AP计算原理

AP即PR曲线下面积,计算方法主要有两种:

  1. 插值法(COCO标准)
    在11个等间距Recall值(0.0, 0.1,…,1.0)处取最大Precision求平均

  2. 连续积分法(VOC2007标准)
    对Recall进行分段积分计算

三、代码实现详解

3.1 核心函数ap_per_class

def ap_per_class(tp, conf, pred_cls, target_cls, plot=False, save_dir=".", names=(), eps=1e-16, prefix=""):"""计算每个类别的平均精度(Average Precision,AP),并生成相关评估指标和曲线图。来源: https://github.com/rafaelpadilla/Object-Detection-Metrics参数:tp (numpy.ndarray): 形状为[n, 1]或[n, 10]的布尔数组,表示预测框是否为真正例(True Positive)conf (numpy.ndarray): 预测框的置信度数组,范围0-1pred_cls (numpy.ndarray): 预测框的类别数组target_cls (numpy.ndarray): 真实框的类别数组plot (bool): 是否绘制P-R曲线(mAP@0.5时的曲线)save_dir (str): 绘图保存路径names (dict/array): 类别名称字典或列表eps (float): 防止除零的小量prefix (str): 保存文件的前缀返回:(tuple): 包含各类评估指标的元组:- tp (numpy.ndarray): 真正例数量(按类别)- fp (numpy.ndarray): 假正例数量(按类别)- p (numpy.ndarray): 精确率数组(按类别)- r (numpy.ndarray): 召回率数组(按类别)- f1 (numpy.ndarray): F1分数数组(按类别)- ap (numpy.ndarray): AP值数组,形状为[nc, 10](不同IoU阈值下的AP)- unique_classes (numpy.ndarray): 存在的类别索引数组"""# 按置信度降序排序(关键第一步)i = np.argsort(-conf)tp, conf, pred_cls = tp[i], conf[i], pred_cls[i]# 统计唯一类别unique_classes, nt = np.unique(target_cls, return_counts=True)nc = unique_classes.shape[0]# 初始化数据结构px = np.linspace(0, 1, 1000)ap = np.zeros((nc, tp.shape[1]))# 遍历每个类别for ci, c in enumerate(unique_classes):# 筛选当前类别的预测结果i = pred_cls == cn_l = nt[ci]  # 真实框数量n_p = i.sum()  # 预测框数量if n_p == 0 or n_l == 0:continue# 累积计算FP和TP(cumsum返回累积和)# fpc: 累积假正例(False Positive Cumulative)# tpc: 累积真正例(True Positive Cumulative)fpc = (1 - tp[i]).cumsum(0)  # 1 - TP 得到FP,然后累加tpc = tp[i].cumsum(0)       # 直接累加TP# 计算召回率(Recall = TP / (TP + FN) = TP / 真实框数)recall = tpc / (n_l + eps)  # 召回率曲线# 将召回率插值到统一坐标px(通过置信度排序后的位置)(置信度递减)r[ci] = np.interp(-px, -conf[i], recall[:, 0], left=0)# 计算精确率(Precision = TP / (TP + FP))precision = tpc / (tpc + fpc + eps)  # 精确率曲线# 插值得到统一坐标下的精确率p[ci] = np.interp(-px, -conf[i], precision[:, 0], left=1)# 计算APfor j in range(tp.shape[1]):ap[ci, j], _, _ = compute_ap(recall[:, j], precision[:, j])# 计算F1分数f1 = 2 * p * r / (p + r + eps)# 绘制曲线(可选)if plot:plot_pr_curve(...)plot_mc_curve(...)# 寻找最优F1阈值(平滑后)i = smooth(f1.mean(0), 0.1).argmax()  # 最大F1索引p, r, f1 = p[:, i], r[:, i], f1[:, i]  # 取该索引处的值# 计算最终统计量tp = (r * nt).round()   # 真正例数 = 召回率 * 真实框数fp = (tp / (p + eps) - tp).round()  # 假正例数 = 总预测数 - 真正例数(由p = tp/(tp+fp)推导)return tp, fp, p, r, f1, ap, unique_classes.astype(int)

3.2 AP计算函数compute_ap

def compute_ap(recall, precision):"""根据召回率和精确率曲线计算平均精度(AP)参数:recall (numpy.ndarray): 召回率曲线数组precision (numpy.ndarray): 精确率曲线数组返回:ap (float): 平均精度mpre (numpy.ndarray): 调整后的精确率曲线mrec (numpy.ndarray): 调整后的召回率曲线"""# 在曲线首尾添加哨兵值(确保从0开始,到1结束)mrec = np.concatenate(([0.0], recall, [1.0]))mpre = np.concatenate(([1.0], precision, [0.0]))# 计算精确率包络线(确保曲线单调递减)mpre = np.flip(np.maximum.accumulate(np.flip(mpre)))# 计算AP(积分方法:连续法或插值法)method = "interp"  # 使用COCO的101点插值法if method == "interp":x = np.linspace(0, 1, 101)  # 生成101个插值点ap = np.trapz(np.interp(x, mrec, mpre), x)  # 梯形积分计算面积else:  # 'continuous'方法i = np.where(mrec[1:] != mrec[:-1])[0]  # 找出召回率变化的点ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])  # 计算矩形面积和return ap, mpre, mrec

四、关键实现细节

4.1 排序的重要性

  • 置信度降序排列是正确绘制PR曲线的前提
  • 高置信度预测优先处理,模拟实际检测流程

4.2 插值处理技巧

np.interp(-px, -conf[i], recall[:, 0], left=0)
  • 使用负号实现降序插值
  • left参数处理边界情况

4.3 平滑处理

def smooth(y, f=0.05):nf = round(len(y) * f * 2) // 2 + 1  # 确保奇数窗口yp = np.concatenate(([y[0]]*(nf//2), y, [y[-1]]*(nf//2)))return np.convolve(yp, np.ones(nf)/nf, mode='valid')
  • 使用滑动平均消除曲线抖动
  • 边缘值填充避免边界效应

五、结果解读与可视化

5.1 输出指标解析

指标说明
tp真正例数量(按类别)
fp假正例数量(按类别)
p精确率数组
r召回率数组
f1F1分数数组
apAP值数组(不同IoU阈值)

六、实际应用建议

  1. 数据准备

    • 确保预测结果与真实标签格式统一
    • 类别ID需要连续编号
  2. 参数调整

    • 调整eps防止除零错误
    • 修改px的分辨率平衡精度与效率
  3. 多阈值评估

    • 默认支持多个IoU阈值评估(tp.shape[1]维度)
    • 可通过调整输入tp结构实现

七、常见问题FAQ

Q1:为什么我的AP计算结果异常高/低?

  • 检查输入数据是否排序正确
  • 验证真实标签与预测结果的ID对应关系

Q2:如何计算COCO格式的mAP?

  • 需要设置多个IoU阈值(0.5:0.95)
  • 对各个阈值下的AP取平均

Q3:类别不平衡问题如何解决?

  • 建议使用加权mAP
  • 可在最终计算时添加类别权重

八、完整代码获取

访问GitHub仓库获取最新完整代码:
https://github.com/ultralytics/yolov5

觉得本文有帮助?欢迎点赞⭐收藏📝留言!

相关文章:

目标检测评估指标mAP详解:原理与代码

目标检测评估指标mAP详解:原理与代码 目标检测评估指标mAP详解:原理与代码一、前言:为什么需要mAP?二、核心概念解析2.1 PR曲线(Precision-Recall Curve)2.2 AP计算原理 三、代码实现详解3.1 核心函数ap_pe…...

Linux干货(六)

前言 从B站黑马程序员Linux课程摘选的学习干货,新手友好!若有侵权,会第一时间处理。 目录 前言 1.环境变量 1.环境变量的定义 2.env命令的作用 3.$符号的作用 4.PATH的定义和作用 5.修改环境变量的方法 1.临时生效 2.永久生效 2.…...

字符串相乘(43)

43. 字符串相乘 - 力扣&#xff08;LeetCode&#xff09; 解法&#xff1a; class Solution { public:string multiply(string num1, string num2) {string res "0";for (int i 0; i < num2.size(); i) {string str multiplyOneNum(num1, num2[num2.size() -…...

【Vue篇】数据秘语:从watch源码看响应式宇宙的蝴蝶效应

目录 引言 一、watch侦听器&#xff08;监视器&#xff09; 1.作用&#xff1a; 2.语法&#xff1a; 3.侦听器代码准备 4. 配置项 5.总结 二、翻译案例-代码实现 1.需求 2.代码实现 三、综合案例——购物车案例 1. 需求 2. 代码 引言 &#x1f4ac; 欢迎讨论&#…...

esp32课设记录(二)lcd屏显示文字与照片

取模软件链接&#xff1a; 链接: 百度网盘 请输入提取码 提取码: 1234 课设要求如图所示&#xff0c;因此需要在esp32显示文字和照片。在上个文章中我已经写了按键相关内容。这篇主要描述怎么显示文字和照片。我使用的是ESP-IDF库。 本项目使用的是基于ST7789驱动芯片的LCD屏幕…...

Open CASCADE学习|几何体切片处理:OpenMP与OSD_Parallel并行方案深度解析

在三维建模与仿真领域&#xff0c;几何体切片处理是CAE前处理、3D打印路径规划、医学影像分析等场景的关键技术。其核心目标是将三维模型沿特定方向离散为二维截面集合&#xff0c;便于后续分析或制造。OpenCASCADE作为开源几何内核&#xff0c;提供高效的布尔运算与几何算法&a…...

【Android】从Choreographer到UI渲染(二)

【Android】从Choreographer到UI渲染&#xff08;二&#xff09; Google 在 2012 年推出的 Project Butter&#xff08;黄油计划&#xff09;是 Android 系统发展史上的重要里程碑&#xff0c;旨在解决长期存在的 UI 卡顿、响应延迟等问题&#xff0c;提升用户体验。 在 Androi…...

板凳-------Mysql cookbook学习 (三)

1.22 使长输出行更具可读性 mysql> show full columns from limbs; ------------------------------------------------------------------------------------------------------------- | Field | Type | Collation | Null | Key | Default | Extra | Pri…...

济南国网数字化培训班学习笔记-第三组-2-电力通信光缆网认知

电力通信光缆网认知 光缆网架构现状 基础底座 电路系统是高度复杂&#xff0c;实时性、安全性、可靠性要求极高的巨系统&#xff0c;必须建设专用通信网 相伴相生 电力系统是由发电、输电、变电、配电、用电等一次设施&#xff0c;及保障其正常运行的保护、自动化、通信等…...

黑灰产业链深度解析

黑灰产业链深度解析 大家好&#xff0c;欢迎来到「黑产档案」。本频道专注于反诈教育宣传&#xff0c;通过深度拆解黑灰产业链的运作逻辑&#xff0c;帮助公众识别骗局、规避风险。本节课将聚焦产业链的核心环节&#xff0c;揭示其背后的灰色生态。 一、黑灰产的定义与范畴 要…...

golang选项设计模式

选项设计模式 有时候一个函数会有很多参数&#xff0c;为了方便函数的使用&#xff0c;我们会给希望给一些参数设定默认值&#xff0c;调用时只需要传与默认值不同的参数即可&#xff0c;类似于 python 里面的默认参数和字典参数&#xff0c;虽然 golang 里面既没有默认参数也…...

方案精读:104页DeepSeek金融银行核算流程场景部署建设方案【附全文阅读】

DeepSeek,金融银行核算流程的革新方案! 这份方案专为金融银行从业者打造,旨在解决传统核算流程的难题。当下,金融银行核算面临效率低、错误率高、合规压力大等挑战,DeepSeek 方案正是应对之策。 该方案运用人工智能和大数据技术,实现数据采集、清洗自动化,智能核算对账,…...

【MySQL】02.数据库基础

1. 数据库的引入 之前存储数据用文件就可以了&#xff0c;为什么还要弄个数据库? 文件存储存在安全性问题&#xff0c;文件不利于数据查询和管理&#xff0c;文件不利于存储海量数据&#xff0c;文件在程序中控制不方便。而为了解决上述问题&#xff0c;专家们设计出更加利于…...

STM32项目实战:ADC采集

STM32F103C8T6的ADC配置。PB0对应的是ADC1的通道8。在标准库中&#xff0c;需要初始化ADC&#xff0c;设置通道&#xff0c;时钟&#xff0c;转换模式等。需要配置GPIOB的第0脚为模拟输入模式&#xff0c;然后配置ADC1的通道8&#xff0c;设置转换周期和触发方式。 接下来是I2C…...

《AI语音模型:MiniMax Speech-02》

开场&#xff1a;AI 语音界的震撼弹 在 AI 语音技术的激烈竞争赛道上&#xff0c;MiniMax Speech - 02 的出现宛如一颗震撼弹&#xff0c;瞬间引爆了整个行业。不久前&#xff0c;一则消息在全球 AI 领域引起轩然大波&#xff1a;MiniMax 的新一代语音大模型 Speech - 02&#…...

基于LabVIEW的双音多频系统设计

目录 1 系统设计概述 双音多频(Dual-Tone Multi-Frequency, DTMF)信号是一种广泛应用于电话系统中的音频信号,通过不同的频率组合表示不同的按键。每个按键对应两个频率,一个低频和一个高频,共同组成独特的信号。在虚拟仪器技术快速发展的背景下,利用LabVIEW等图形化编程…...

快速生成角色背景设定:基于Next.js的AI辅助工具开发实践

引言 在游戏开发、小说创作和角色扮演&#xff08;RP&#xff09;中&#xff0c;角色背景设定&#xff08;Headcanon&#xff09;的构建往往耗时耗力。传统方法依赖手动编写&#xff0c;容易陷入思维定式。本文将分享如何利用Next.js和Tailwind CSS开发一个高效的AI角色设定生…...

轻量级视频剪辑方案:FFmpeg图形化工具体验

FFmpeg小白助手是基于开源FFmpeg开发的本地化视频处理软件&#xff0c;采用绿色免安装设计&#xff0c;解压后即可直接运行。该工具主要面向普通用户的日常音视频处理需求&#xff0c;通过简洁的图形界面降低了FFmpeg的使用门槛。 功能特性 基础编辑功能 格式转换&#xff1a;…...

主成分分析的应用之sklearn.decomposition模块的PCA函数

主成分分析的应用之sklearn.decomposition模块的PCA函数 一、模型建立整体步骤 二、数据 2297.86 589.62 474.74 164.19 290.91 626.21 295.20 199.03 2262.19 571.69 461.25 185.90 337.83 604.78 354.66 198.96 2303.29 589.99 516.21 236.55 403.92 730.05 438.41 225.80 …...

Java基于数组的阻塞队列实现详解

在多线程编程中&#xff0c;阻塞队列是一种非常有用的工具&#xff0c;它可以在生产者和消费者之间提供一个缓冲区&#xff0c;使得生产者可以往队列中添加数据&#xff0c;而消费者可以从队列中取出数据。当队列满时&#xff0c;生产者会被阻塞直到有空间可用&#xff1b;当队…...

ngx_http_random_index_module 模块概述

一、使用场景 随机内容分发 当同一目录下存放多份等价内容&#xff08;如多张轮播图、不同版本静态页面等&#xff09;时&#xff0c;可通过随机索引实现负载均衡或流量分散。A/B 测试 通过目录请求自动随机分配用户到不同测试组&#xff0c;无需后端逻辑参与。动态“首页”选…...

你引入的lodash充分利用了吗?

#开发中&#xff0c;发现自己只有cloneDeep的时候才想起来用这个库的便利&#xff0c;搜索了项目内代码&#xff0c;发现大家基本也是这样&#xff0c;其实我们错过了很多好东西# cloneDeep 深拷贝 var objects [{ a: 1 }, { b: 2 }];var deep _.cloneDeep(objects); conso…...

Python爬虫基础

本篇内容中&#xff0c;我们主要分享一些爬虫的前置知识&#xff0c;主要知识点有&#xff1a; 爬虫的概念和作用爬虫的流程【重要】http相关的复习 http和https概念和区别浏览器访问一个网址的过程爬虫中常用的请求头、响应头常见的响应状态码 浏览器自带开发者工具的使用 爬…...

飞帆控件:on_post_get 接口配置

在网页中写一个接口是很基础的要求。 今天我们介绍一个工具&#xff0c;不用写代码&#xff0c;配置即可。 先上链接&#xff1a; on_post_gethttps://fvi.cn/798来看看控件的配置&#xff1a; 使用这个控件&#xff0c;在网页中写 post/get 接口可以告别代码。或许能做到初…...

C++笔试题(金山科技新未来训练营):

题目分布&#xff1a; 17道单选&#xff08;每题3分&#xff09;3道多选题&#xff08;全对3分&#xff0c;部分对1分&#xff09;2道编程题&#xff08;每一道20分&#xff09;。 不过题目太多&#xff0c;就记得一部分了&#xff1a; 单选题&#xff1a; static变量的初始…...

Selenium-Java版(css表达式)

css表达式 前言 根据 tag名、id、class 选择元素 tag名 #id .class 选择子元素和后代元素 定义 语法 根据属性选择 验证CSS Selector 组选择 按次序选择子节点 父元素的第n个子节点 父元素的倒数第n个子节点 父元素的第几个某类型的子节点 父元素的…...

19. 结合Selenium和YAML对页面实例化PO对象改造

19. 结合Selenium和YAML对页面实例化PO对象改造 一、架构升级核心思路 1.1 改造核心目标 # 原始PO模式&#xff1a;显式定义元素定位 username (id, ctl00_MainContent_username)# 改造后PO模式&#xff1a;动态属性访问 self.username.send_keys(Tester) # 自动触发元素定…...

MySQL——5、基本查询

表的增删改查 1、Create1.1、单行数据全列插入1.2、多行数据指定列插入1.3、插入否则更新1.4、替换 2、Retrieve2.1、select列2.2、where条件2.3、结果排序2.4、筛选分页结果 3、Update4、Delete4.1、删除数据4.2、截断表 5、插入查询结果6、聚合函数7、group by子句的使用8、实…...

ngx_http_referer_module 模块概述

一、使用场景 防盗链 仅允许本站或特定域名的页面直接引用图片、视频等资源&#xff0c;拒绝第三方网站直接嵌入。流量控制 阻止来自社交媒体、搜索引擎或未知来源的大量自动化抓取。安全审计 简易记录并过滤可疑 Referer&#xff0c;以减少非法请求。 注意 Referer 头可被伪造…...

Go语言--语法基础5--基本数据类型--类型转换

Go 编程语言中 if 条件语句的语法如下&#xff1a; 1、基本形式 if 布尔表达式 { /* 在布尔表达式为 true 时执行 */ } If 在布尔表达式为 true 时&#xff0c;其后紧跟的语句块执行&#xff0c;如果为 false 则 不执行。 package main import "fmt" …...

用golang实现二叉搜索树(BST)

目录 一、概念、性质二、二叉搜索树的实现1. 结构2. 查找3. 插入4. 删除5. 中序遍历 中序前驱/后继结点 一、概念、性质 二叉搜索树&#xff08;Binary Search Tree&#xff09;&#xff0c;简写BST&#xff0c;又称为二叉查找树 它满足&#xff1a; 空树是一颗二叉搜索树对…...

基于FPGA的电子万年历系统开发,包含各模块testbench

目录 1.课题概述 2.系统仿真结果 3.核心程序与模型 4.系统原理简介 5.完整工程文件 1.课题概述 基于FPGA的电子万年历系统开发,包含各模块testbench。主要包含以下核心模块&#xff1a; 时钟控制模块&#xff1a;提供系统基准时钟和计时功能。 日历计算模块&#xff1a…...

上位机知识篇---Web

文章目录 前言 前言 本文简单介绍了Web。...

2025 ISCC 练武赛Pwn-wp(含附件)

前言 去年个人赛报名了忘记打了(笑), 所以这应该算是我第一次参加ISCC, 体验也是非常非常非常非常的cha(第四声)!!! 主办方也是非常幽默&#xff0c;pwn和web都是公用容器&#xff0c;那web最后都被当成玩具玩坏了 下面是这次练武题的pwn所有附件 通过网盘分享的文件&#xf…...

LeetCode Hot100刷题——除自身以外数组的乘积

238. 除自身以外数组的乘积 给你一个整数数组 nums&#xff0c;返回 数组 answer &#xff0c;其中 answer[i] 等于 nums 中除 nums[i] 之外其余各元素的乘积 。 题目数据 保证 数组 nums之中任意元素的全部前缀元素和后缀的乘积都在 32 位 整数范围内。 请 不要使用除法&a…...

IDEA - Windows IDEA 代码块展开与折叠(基础折叠操作、高级折叠操作)

一、基础折叠操作 折叠当前代码块&#xff1a;Ctrl - # 操作方式按下 【Ctrl】 键&#xff0c;再按下 【-】 键展开当前代码块&#xff1a;Ctrl # 操作方式按下 【Ctrl】 键&#xff0c;再按下 【】 键折叠所有代码块&#xff1a;Ctrl Shift - # 操作方式按下 【Ctrl】…...

javaSE.Map

Map存储映射关系。键值对。key-value 左边值映射着右边的值&#xff0c;左边相当于钥匙&#xff0c;开到右边的门获取得到信息。 get&#x1f447;put 是否存在该key&#x1f447;containsKey() map.values&#x1f447; entrySet&#x1f447; entrySet()获取map中所有的键…...

Python Requests库完全指南:从入门到精通

引言 在Python的生态系统中&#xff0c;requests库以其简洁优雅的API设计和强大的功能&#xff0c;成为HTTP请求处理领域的标杆工具。无论是数据爬虫开发、API接口调用&#xff0c;还是自动化测试场景&#xff0c;requests都能将复杂的网络交互简化为几行可读性极高的代码。相…...

1.QPushBotton 以及 对象树

目录 1. 创建第一个Qt程序 1.1 初始化设置 ​&#x1f350; 选择存储位置 &#x1f34a; Kit &#x1f34b; 类信息 &#x1f34c; 项目管理 1.2 代码 &#x1f349; main.cpp &#x1f347;widget.h &#x1f353; widget.cpp 1.3 .pro文件 &#x1f348; 常见模块…...

GO语言语法---For循环、break、continue

文章目录 1. 基本for循环&#xff08;类似其他语言的while&#xff09;2. 经典for循环&#xff08;初始化;条件;后续操作&#xff09;3. 无限循环4. 使用break和continue5 . 带标签的循环&#xff08;可用于break/continue指定循环&#xff09;1、break带标签2、continue带标签…...

网络编程-select(二)

一、I/O多路复用 1、为什么要多路复用 之前开启多线程能实时接收数据&#xff0c;并且也不是一次性连接服务。但毕竟是一请求一连接&#xff0c;每有一个客户端向服务端发起请求&#xff0c;就会创建一个线程&#xff0c;当请求达到上千上万&#xff0c;就会创建上千上万的线…...

2025年PMP 学习十九 第12章 项目采购管理

2025年PMP 学习十九 第12章 项目采购管理 序号过程过程组1规划采购管理规划2实施采购执行3控制采购监控4合同管理- 文章目录 2025年PMP 学习十九 第12章 项目采购管理12 项目采购管理建立战略合作伙伴关系的意义&#xff1a;细化采购步骤 12.1 规划采购管理1. **定义与作用**2…...

10.11 LangGraph多角色Agent开发实战:生产级AI系统架构与性能优化全解析

LangGraph 项目:High-level API for Multi-actor Agents 关键词:LangGraph 多角色 Agent, 状态管理, 持久化机制, 工作流编排, 生产级 AI 系统 1. LangGraph 设计哲学与架构演进 LangGraph 是 LangChain 生态中首个面向 多角色协作 Agent 的高阶 API 框架,其核心设计思想可…...

计算机网络概要

⽹络相关基础知识 协议 两设备之间使⽤光电信号传输信息数据 要想传递不同信息 那么⼆者ᳵ就需要约定好的数据格式 层 封装 继承 多态是计算机的性质 它们⽀持了软硬件分层的实现 同层协议可以ᳵ接通信 同层协议ᳵ不直接通信 是各⾃调⽤下层提供的结构能⼒完成通信 分层…...

Visual Studio已更新为17.14+集成deepseek实现高效编程

01 Visual Studio 2022 v17.14。 此更新侧重于全面提供出色的开发人员体验&#xff0c;侧重于稳定性和安全性以及 AI 改进。 02 GPT-4o代码完成模式 我们非常高兴地宣布&#xff0c;新的 GPT-4o Copilot 代码完成模型现已在 Visual Studio 17.14 中为 GitHub Copilot 用户…...

axios的基本使用

1. Axios概述 Axios 是一个基于 Promise 的 HTTP 客户端库&#xff0c;专为浏览器和 Node.js 设计&#xff0c;用来发送AJAX请求。可以通过npm install -g axios安装axios库。Axios有以下特征&#xff1a; 跨平台兼容性&#xff1a;同一套代码可运行于浏览器和 Node.js。在浏…...

【第三十六周】LoRA 微调方法

LoRA 摘要Abstract文章信息引言方法LoRA的原理LoRA在Transformer中的应用补充其他细节 实验与分析LoRA的使用论文实验结果分析 总结 摘要 本篇博客介绍了LoRA&#xff08;Low-Rank Adaptation&#xff09;&#xff0c;这是一种面向大规模预训练语言模型的参数高效微调方法&…...

fcQCA模糊集定性比较分析法-学习笔记

模糊集定性比较分析&#xff08;fsQCA&#xff0c;Fuzzy-set Qualitative Comparative Analysis&#xff09; 是一种结合了定性和定量元素的研究方法&#xff0c;用于分析中小样本数据中的复杂因果关系。 1. 理解基础概念 QCA的核心思想&#xff1a; 基于集合论和布尔代数&a…...

基于WebRTC的实时语音对话系统:从语音识别到AI回复

基于WebRTC的实时语音对话系统&#xff1a;从语音识别到AI回复 在当今数字化时代&#xff0c;实时语音交互已成为人机界面的重要组成部分。本文将深入探讨一个基于WebRTC技术的实时语音对话系统&#xff0c;该系统集成了语音识别(ASR)、大语言模型(LLM)和语音合成(TTS)技术&am…...

Text2SQL:自助式数据报表开发---0517

Text2SQL技术 早期阶段&#xff1a;依赖于人工编写的规则模板来匹配自然语言和SQL语句之间的对应关系 机器学习阶段&#xff1a;采用序列到序列模型等机器学习方法来学习自然语言与SQL之间的关系 LLM阶段&#xff1a;借助LLM强大的语言理解和代码生成能力&#xff0c;利用提示…...