CV肉饼王

在上一篇《启用 WebGPU 加速 Web 端模型推理》中提到“可以将 tensorflow.js 和现代化的前端框架结合”，基于这个想法，我继续展开迭代，将代码迁移到 Next.js 14 框架中，

在上一篇《基于ONNX的Web端YOLOv8模型部署与推理》的最后，我写了一些改进措施，其中有提到“调用端侧设备的GPU资源，来加速浏览器中模型的推理”，之后自己就一直在思考和尝试这方面的技术方案。本

之前的一些实验，主要集中在模型的搭建、训练和调优上，没有涉及部署的环节，所以这次尝试将模型部署到端侧设备（浏览器），来熟悉一下部署的流程。 整个过程大致包含如下步骤： YOLOv8的自定义数据集训练

本文旨在梳理并总结实验过程，方便后续回顾查阅。 部分预测结果： 一、目标检测的应用场景 基于深度学习的目标检测，目前在各个领域都有广泛的应用场景，可以归纳为以下几类： 交通领域：智能驾驶、智能交通、行

本文综合了网上部分讲解资料，旨在归纳并梳理Faster R-CNN算法相关原理，方便日后查阅复习 一、目标检测与Faster R-CNN 目标检测与图像分类同属于计算机视觉（CV）范畴，但前者较后者在

记录一次较为满意的实验。调优过程参考了Chollet大神的《Python深度学习》第8章中部分内容。

在密码学中，有一个著名的说法，叫“密码学家的工具箱”，指的是密码学中常用的6种技术：对称密码、公钥密码、单向散列函数、消息认证码、数字签名、伪随机数生成器。它们在信息安全中发挥着重要的作用，我们可以用下图来表示各项技术与其解决的问题之间的关系： 随着近些年来Web标准的突飞猛进…