梦醒过后说珍重

🏷️ 标签： Jetson 边缘计算 Linux排错 网络调试 jtop 系统监控 📝 摘要：本文记录了在 Jetson 边缘计算设备上配置开发环境时的常见陷阱与解决方...

文章从基础安装入手，梳理了高频快捷键及进程管理方法，并分享了在无 root 权限或老旧服务器环境下的免安装使用方案，适合想要提升命令行效率和视觉体验的开发者阅读。...

这篇文章记录了我从自然图像（DIV2K）预训练，到医疗领域微调的全链路实战经验，全是干货和血泪踩坑史。...

本文记录了我扒开模型源码、分析特征层级合理性，并通过三步简单的代码重构，将原本“硬编码”的特征提取改造为“即插即用、动态传参”的工程化全过程。...

把所用到的Endo-FM模型中最核心的特征提取部分剥离出来，封装成一个不依赖任何外部配置、自闭环、即插即用的 PyTorch 模块。...

本文记录了我是如何将上百行的基于 Mamba 的感知损失代码从主训练脚本中剥离，通过规范的目录结构、相对导入与动态权重路径寻址，将其重构为“一行代码即可调用”的即插即用黑盒...

通过数量级对齐、基线确立、对数试探与视觉盲测，助你告别“拍脑袋”调参，稳步打破感知-失真权衡（Perception-Distortion Tradeoff）的魔咒。...

本文记录了我在医学图像超分微调中踩过的坑：如何因为误用 `ReduceLROnPlateau` 调度器和“基于 PSNR 的早停策略”导致模型训练过早崩溃，以及如何通过切换...

本文记录了我为了高效对比多个微调 Epoch 模型的视觉效果，从零编写全自动化模型推理与可视化脚本的完整过程。包含目录结构保持、ROI 局部放大、误差热力图以及带“放大镜”...

本文介绍了如何通过 conda + venv 双层隔离的方式创建项目环境，并根据 nvidia-smi 选择合适的 PyTorch 版本进行安装，详细说明了环境导出与复现的...

传统超分感知损失常使用 ImageNet 预训练的 VGG，但在内窥镜等医学图像中存在严重的“域鸿沟”。本文记录了在 Windows 环境下，如何使用内窥镜基础模型 End...

本文记录了图像超分模型微调中损失函数的重构全过程。结合代码深度解析了抛弃MSE、加载延迟Warm-up机制，以及如何根据Sobel原始Loss尺度动态调整权重，避免医学超分...

K 折交叉验证在实际应用中有三大流派（全量重训、模型集成、挑最好的一折）。除了打 Kaggle 比赛会用到模型集成，工业界落地的绝对标准做法是：全量数据重训单一模型。...

我花时间从零重构了一个专为内窥镜超分设计的（HyperKvasir数据集）PyTorch `DataLoader` 流水线。本文将复盘这一过程中的核心技术点。...

为了让模型在最后阶段平稳降落并实现自动化训练，我引入了以下两个核心机制：引入动态学习率衰减、引入早停机制...

微调听起来很简单，无非就是加载一下 `.pth` 权重接着跑。但在实际落地中，为了保证实验的绝对可复现性以及无损的特征迁移**，我踩了不少坑。这篇文章就来复盘一下我是如何从...

面对 4K 分辨率的庞大张量，传统的 PyTorch 数据加载方式会瞬间导致显存溢出（OOM）。本文将带你从零构建一个专为超分辨率任务定制的、高效 DataLoader。...

我本以为用 Hugging Face 最经典的 `load_dataset` 一行代码就能轻松搞定，没想到却因此踩进了一个几乎毁掉整个数据集配对结构的巨坑。在此记录下完整的...

为了能完整、不断点地把包含 `3840x2160p` 和 `480x270p` 目录结构的原始文件拉取到本地，我系统学习了 Hugging Face CLI 工具的高级，并...

在做内景图像超分项目（基于 ESPCN 架构）时，我遇到了一个极具代表性的问题：如何高效获取并转化 4K 医疗影像数据？...