Together_CZ的博客

Agent = 一个能自主理解任务、规划步骤、调用工具、执行行动、反思改进的AI系统关键词：自主、规划、工具、执行、反思与传统AI的区别：传统AI：你问一句，它答一句（被动）Agent：你给一个目标，它自己想办法完成（主动）AI Agent（人工智能智能体）= 一个能够感知环境、自主决策、采取行动以达成目标的AI系统。核心特征：1. 自主性（Autonomy）：不需要人类逐步指导，能自己决定下一步做什么2. 目标导向（Goal-oriented）：有明确的任务目标，并为之努力。

VLA = Vision（视觉）+ Language（语言）+ Action（动作）│ ││ 视觉输入（相机图像） ││ │ ││ ▼ ││ ┌──────────┐ 语言指令 ┌──────────────┐ ││ │ 视觉编码器 │◀──"把杯子放桌上"──│ 语言编码器 │ ││ │ │ ││ ▼ ▼ ││ │ 多模态融合（Transformer） │ ││ │ ││ ▼ ││ │ 动作解码器/动作头 │ ││ │ ││ ▼ │。

模态是指信息的存在形式或感知通道。模态类型示例文本（Text）自然语言句子、段落、文档图像（Image）照片、图表、截图视频（Video）连续帧图像序列音频（Audio）语音、音乐、环境音3D 数据点云、网格、体素传感器数据温度、压力、加速度多模态大模型是指能够同时理解和/或生成多种模态信息的大规模神经网络模型。理解：接收文本+图像等输入，进行跨模态推理（如图片问答、文档理解）生成：输出不同模态的内容（如文生图、文生视频、语音合成）理解+生成。

能力问题就是本体应该能回答的问题。本体构建前先写能力问题，可以防止建模发散。业务人员能看懂。系统可以用数据和规则回答。回答结果对业务决策有价值。可以通过测试场景验证。

工业控制系统（Industrial Control System，简称ICS）是一个统称，指用于监控和控制工业生产过程的各种控制系统的集合。简单来说，它就是工厂里的"大脑"和"神经系统"——负责指挥机器设备按照设定的方式运行，确保生产过程安全、稳定、高效。DCS（Distributed Control System，分布式控制系统）是一种以微处理器为基础，采用控制功能分散、显示操作集中、兼顾分而自治和综合协调的设计原则的新一代仪表控制系统。

人工智能（AI）系统的能力边界，往往不是由模型结构单独决定的，而是由数据、算法、算力三要素共同决定。数据质量决定了模型能否学到“正确规律”。数据覆盖决定了模型在真实世界中的“泛化能力”。数据治理决定了系统在生产环境中的“稳定性与合规性”。模型决定“怎么学”，数据决定“学到什么”。数据集（Dataset）是指用于训练、验证、测试或评估机器学习模型的结构化或非结构化数据集合。训练集：用于模型学习。验证集：用于调参与模型选择。测试集：用于最终效果评估（避免泄露）。准确性：标签/字段正确率高。

OpenCV 5 的核心价值：1. 十年最大版本 ── 从 C++11 到 C++17，彻底现代化2. AI 深度集成 ── DNN 模块成为核心组件3. 向后兼容 ── 尽量降低迁移成本4. 性能飞跃 ── SIMD/GPU/NPU 全面加速5. 生态完善 ── 25 年积累的庞大社区一句话总结：OpenCV 5 = 现代 C++ + 强大的传统 CV + 原生 AI 推理是计算机视觉和深度学习融合的最佳实践。

是一个围绕 HuggingFace Hub 下载流程打造的实用工具。它把官方的稳定下载能力、命令行的自动化能力、PyQt5 的可视化操作体验结合在一起，让模型、数据集和 Space 的本地归档变得更简单。它最有价值的地方不只是“能下载”，而是把真实使用中经常遇到的细节都考虑进来了：批量枚举、仓库类型识别、本地目录整理、Token、镜像、代理、文件筛选、并发下载、失败继续和友好错误提示。

本体论（Ontology）一词源于古希腊语，由ὄν（on，意为"存在"）和λόγος（logos，意为"学问、理论"）组成。“什么存在？存在的本质是什么？存在物之间有什么关系？存在者（Being）的类别有哪些？（物质、精神、抽象对象……）存在的本质是什么？（属性、关系、变化……）存在的结构是怎样的？（部分与整体、个体与共相……）静态本体（Static Ontology）是指对领域先验知识进行系统化建模后形成的、结构相对稳定的本体模型。动态本体（Dynamic Ontology）

Docker Compose 是一个用于定义和运行多容器 Docker 应用的工具。通过一个 YAML 文件来配置应用的所有服务，然后一条命令就能创建并启动所有服务。核心概念：Service（服务）：一个容器的配置模板Network（网络）：服务间通信的网络Volume（卷）：数据持久化Project（项目）：一组相关服务的集合版本Docker 版本要求特点v1最初版本，功能有限v2引入 networks 和 volumesv3支持 Swarm 部署Compose V2。

eBPF（Extended Berkeley Packet Filter）是 Linux 内核的一项革命性技术，允许在内核中安全地运行沙箱程序，无需修改内核源码或加载内核模块。││││││ │2013 Docker 发布 ←─────────────────────┘│2014 Rocket (rkt) 出现│2015 OCI 标准化 / Kubernetes 1.0│2016 containerd 独立│2017 CRI-O / Podman 开始开发│。

安装 NVIDIA Driver-> nvidia-smi 验证-> 创建项目虚拟环境-> 安装 PyTorch CUDA wheel-> 安装项目依赖-> 验证 torch.cuda / cuDNN-> 训练只有在确实需要 CUDA 编译能力时，才额外安装 CUDA Toolkit。一句话总结：PyTorch/YOLO 训练需要的是“能运行 CUDA 的 PyTorch 环境”，不一定需要你手工安装系统级 CUDA Toolkit 和 cuDNN。虚拟环境优先，系统级安装谨慎使用。

在多台电脑之间传文件，是一个看起来很小、但每天都可能反复打断工作流的问题。我的使用场景很典型：一台笔记本连接无线网，一台台式机连接网线，资料经常需要在两台电脑之间来回移动。以前常见的做法是用 U 盘机械复制，或者通过 QQ、微信等聊天软件发送文件。能用，但体验并不好：文件一大就慢，目录不好管理，临时文件容易散落，甚至有时还要登录账号、压缩文件、等待同步。于是我做了一个很轻量的文件传输服务：File Send。它基于 Python 标准库实现，不依赖 Flask、Django 或其他第三方包。只要在一台电脑上

目标检测是计算机视觉里最经典、也最能体现工程价值的任务之一。从最早的两阶段检测器，到后来以 YOLO 为代表的一阶段实时检测，再到今天的端到端、多任务、端侧部署与动态计算，目标检测的技术路线一直在变化。YOLO-Next 是我对下一代目标检测范式的一次系统化探索。它不是单纯追求更大的网络，也不是把某个模块直接塞进现有检测器，而是围绕一个更长期的判断展开：未来的目标检测模型会走向端到端、跨平台、端侧友好、高效部署、动态计算和灵活可扩展。

TVConv: Efficient Translation Variant Convolution for Layout-aware Visual Processing——用于布局感知视觉处理的高效平移变化卷积

RadLLM: A Comprehensive Healthcare Benchmark of Large Language Models for Radiology——用于放射学的大型语言模型综合医疗基准测试

Domain-RAG:Retrieval-Guided Compositional Image Generationfor Cross-Domain Few-Shot Object Detection——检索引导的组合式图像生成面向跨域小样本目标检测

ASF-YOLO: A novel YOLO model with attentional scale sequence fusion for cell instance segmentation——一种用于细胞实例分割的具有注意力尺度序列融合的新型YOLO模型

AI智慧环保无人机助力道路工地作业扬尘监管治理，基于最新超图增强型自适应视觉感知YOLOv13全系列【n/s/l/x】参数模型开发构建无人机环保监管巡检场景下工地道路扬尘智能化检测识别系统

AI智慧环保无人机助力道路工地作业扬尘监管治理，基于最新以注意力为核心的YOLOv12全系列【n/s/m/l/x】参数模型开发构建无人机环保监管巡检场景下工地道路扬尘智能化检测识别系统

AI智慧环保无人机助力道路工地作业扬尘监管治理，基于YOLOv11全系列【n/s/m/l/x】不同参数量级模型开发构建无人机环保监管巡检场景下工地道路扬尘智能化检测识别系统

AI喷洒无人机助力智慧菜田除草新模式，基于最新超图增强型自适应视觉感知YOLOv13全系列【n/s/l/x】参数模型开发构建无人机航拍农田巡检场景下田地杂草智能化检测识别系统

AI喷洒无人机助力智慧菜田除草新模式，基于最新以注意力为核心的YOLOv12全系列【n/s/m/l/x】参数模型开发构建无人机航拍农田巡检场景下田地杂草智能化检测识别系统

AI喷洒无人机助力智慧菜田除草新模式，基于YOLOv11全系列【n/s/m/l/x】参数模型开发构建无人机航拍农田巡检场景下田地杂草智能化检测识别系统

AI助力纺织场景棉花异物空洞预警，基于嵌入式端超轻量级模型LeYOLO全系列【n/s/m/l】参数模型开发构建工业纺织场景下棉花中异物、空洞智能化检测识别系统

AI助力纺织场景棉花异物空洞预警，基于最新超图增强型自适应视觉感知YOLOv13全系列【n/s/l/x】参数模型开发构建工业纺织场景下棉花中异物、空洞智能化检测识别系统

AI助力纺织场景棉花异物空洞预警，基于最新以注意力为核心的YOLOv12全系列【n/s/m/l/x】参数模型开发构建工业纺织场景下棉花中异物、空洞智能化检测识别系统

AI助力纺织场景棉花异物空洞预警，基于YOLOv11全系列【n/s/m/l/x】参数模型开发构建工业纺织场景下棉花中异物、空洞智能化检测识别系统

AI助力纺织场景棉花异物空洞预警，基于YOLOv10全系列【n/s/m/b/l/x】参数模型开发构建工业纺织场景下棉花中异物、空洞智能化检测识别系统

AI助力纺织场景棉花异物空洞预警，基于YOLOv8全系列【n/s/m/l/x】不同参数量级模型开发构建工业纺织场景下棉花中异物、空洞智能化检测识别系统

AI赋能工地施工扬尘监管治理，基于嵌入式端超轻量级模型LeYOLO全系列【n/s/m/l】参数模型开发构建无人机环保监管巡检场景下工地道路扬尘智能化检测识别系统

AI赋能工地施工扬尘监管治理，基于最新超图增强型自适应视觉感知YOLOv13全系列【n/s/l/x】参数模型开发构建无人机环保监管巡检场景下工地道路扬尘智能化检测识别系统

AI赋能工地施工扬尘监管治理，基于最新以注意力为核心的YOLOv12全系列【n/s/m/l/x】参数模型开发构建无人机环保监管巡检场景下工地道路扬尘智能化检测识别系统

AI赋能工地施工扬尘监管治理，基于YOLOv10全系列【n/s/m/b/l/x】参数模型开发构建无人机环保监管巡检场景下工地道路扬尘智能化检测识别系统

AI赋能工地施工扬尘监管治理，基于YOLOv8全系列【n/s/m/l/x】不同参数量级模型开发构建无人机环保监管巡检场景下工地道路扬尘智能化检测识别系统

AI助力构建生态环境治理，基于嵌入式端超轻量级模型LeYOLO全系列【n/s/m/l】参数模型开发构建无人机巡检场景下随意堆放建筑垃圾检测预警系统

AI助力构建生态环境治理，基于最新超图增强型自适应视觉感知YOLOv13全系列【n/s/l/x】参数模型开发构建无人机巡检场景下随意堆放建筑垃圾检测预警系统

AI助力构建生态环境治理，基于最新以注意力为核心的YOLOv12全系列【n/s/m/l/x】参数模型开发构建无人机巡检场景下随意堆放建筑垃圾检测预警系统

AI助力构建生态环境治理，基于YOLOv11全系列【n/s/m/l/x】参数模型开发构建无人机巡检场景下随意堆放建筑垃圾检测预警系统

AI助力构建生态环境治理，基于YOLOv10全系列【n/s/m/b/l/x】参数模型开发构建无人机巡检场景下随意堆放建筑垃圾检测预警系统