把“能跑通”升级为“能调优”。学习率与优化器、批大小与图像尺寸、迁移学习与冻结、数据增强开关、稳定性（AMP/EMA/梯度裁剪）、多卡训练与实验设计。附可抄命令、诊断清单与作业。
适配 Ultralytics YOLOv8（pip install ultralytics）。不同版本默认值略有差异，建议显式写出关键参数。

选定任务（检测/分割/关键点/分类）与类目清单；用 Label Studio / CVAT / Roboflow 之一完成规范化标注；导出为 YOLO 格式，整理成标准目录；跑通数据体检脚本（标签合法性、框尺寸分布、类目占比）；生成可复用的 data.yaml 并做一次最小训练/验证。适配 YOLOv8，兼容 CPU/GPU。你可以只做“检测”起步，之后再扩展到分割/关键点。

拿到一台新机器，半小时跑通 YOLOv8 的推理与一个最小训练任务；理解模型家族、任务类型、数据格式和常用命令；为后续课程（数据标注、进阶训练、部署）打好地基。
推荐环境：Python 3.9–3.11，CUDA 可选（NVIDIA GPU）。没有 GPU 也可以用 CPU 完成本课全部练习。

传统方法（Haar级联、HOG+SVM）
– 深度学习方法（YOLO、SSD、Faster R-CNN）
– 目标跟踪（KCF、SORT）
– 实时检测与优化

SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）是一种用于在图像中检测关键点并计算描述符的特征提取算法。SIFT特征在计算机视觉领域中被广泛应用于目标识别、图像匹配和拼接等任务。以下是SIFT特征提取的基本原理

我们将围绕以下任务进行： 💡 前提：你已有一个可运行的 Electron 项目（如上一篇笔记中的基础应用）。 …

在已有的 Electron 项目基础上 ， ✅ 1. 添加按钮并调用系统 API 我们将使用 Electron…

Electron 是一个使用 JavaScript、HTML 和 CSS 构建跨平台桌面应用程序的框架（如 V…

无需 Root，基于 Android 调试 API 与百度地图 / 定位 SDK，内置摇杆可模拟移动。项目采用…

项目简介（做什么 / 为什么） 一、环境准备 （模型与可选人脸检测模型 MTCNN/RetinaFace/Fa…

1）Lutris 是什么？适用场景 2）安装（推荐 Flatpak；或按发行版原生包） 建议优先 Flatpa…

在实际项目中，选择合适的滤波方法、边缘检测算法和形态学操作组合，需要根据具体应用场景和图像特性来决定。理解每种方法的原理和适用场景，才能在实际问题中做出正确的选择。