论文解读——DISK：Learning local features with policy gradient

fandisk三维点云模型，包括asc、obj两种格式，分别存储原始点云和构网后的模型

数据集可视化效果可参见下方展示。 【数据集概况】 · 检测类别（中文）：[保龄球(bowling)] · 训练集：594 张 · 验证集：75 张 · 测试集：74 张 · 总计：743 张 该数据集聚焦于室内保龄球馆场景，系统性采集了多角度、多姿态下保龄球在不同运动阶段的视觉特征，为保龄球运动过程中的球体识别与轨迹分析提供了高质量标注样本，具有明确的体育训练与智能辅助系统开发价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9938** mAP50-95 | 0.6966 Precision | 0.9740 Recall | 0.9974 train/box_loss | 0.9113 train/cls_loss | 0.2862 val/box_loss | 1.1516 val/cls_loss | 0.3116 【训练过程分析】 100 轮训练后 mAP50 达到 0.9938，模型收敛良好。Loss 曲线前段快速下降，后段趋于平稳，val_loss 无反弹，没有明显过拟合。但 mAP50-95 为 0.6966，和 mAP50 差距 0.30，定位精度仍有优化空间。 【模型性能评估】 Precision 0.9740、Recall 0.9974，精召双高，模型对保龄球的检测能力强。 【预测效果展示】 验证集预测效果较好，检测框基本准确覆盖保龄球，置信度整体偏高。 【改进建议】 1. 丰富场景多样性：补充不同光照、背景和遮挡条件下的样本。 2. 提升输入分辨率：640 ...

PaddleOCR 与YOLO目标检测 HTTP 服务。 项目通过 PaddleOCROnnx 原生库集成 OnnxRuntime加速能力，围绕 ONNX 模型部署， 以统一接口提供图像文字识别、YOLO 目标检测和 Tensor 数据输出。 功能概览 文字识别：支持图片 Base64、multipart/form-data 上传，以及文本和 JSON 结果。 目标检测：支持 YOLO 图片检测，返回检测框 JSON 或原始 Tensor。 浏览器演示：访问服务根地址，上传图片并切换 OCR、YOLO 模式。 健康检查：通过 /health 查看服务及 OCR、YOLO 引擎初始化状态。 并发处理：通过 OCR 引擎实例池处理并发请求，可调整实例数量。 体验与调用 启动后访问： 入口 地址 浏览器演示 http://localhost:5000/ 健康检查 http://localhost:5000/health 原生依赖 Windows：优先从 runtimes/win-x64/native/ 加载原生 DLL；该目录没有 PaddleOCROnnx.dll 时，尝试从可执行文件所在目录加载。主 DLL 与对应后端依赖应放在同一原生目录中，不要将同一组依赖分散到多个目录。 Linux：原生运行时位于 runtimes/linux-x64/native/，程序使用相对于可执行文件的运行时搜索路径查找随包部署的依赖。 后端选择：CoreOCROnnx 支持 ONNX Runtime、OpenVINO、TensorRT 后端。请使用与平台、进程架构、硬件和后端匹配的一整套运行时，不要混用不同后端或版本的依赖。

一款开源、可扩展的AI代理，功能远超代码建议——支持安装、执行、编辑以及与任何大型语言模型（LLM）进行测试。