![](https://habrastorage.org/r/w1560/getpro/habr/upload_files/3ee/f04/770/3eef047702c1b6a9aa8e09e9c4d05446.png)
Статья подробно описывает процесс установки ROS2 версии Humble на операционной системе Ubuntu 22.04 и последующую настройку нод ROS2 для получения изображений, их передачи через топики, а также получение и примеры обработки в других нодах.
User
Статья подробно описывает процесс установки ROS2 версии Humble на операционной системе Ubuntu 22.04 и последующую настройку нод ROS2 для получения изображений, их передачи через топики, а также получение и примеры обработки в других нодах.
Установка драйверов для видеокарт от Nvidia с одной стороны сейчас не вызывает столько проблем, как было еще 10–15 лет назад, с другой стороны если с драйверами еще как-то народ управляется, то вот работоспособную CUDA получить могут не все. У себя в HOSTKEY мы создали специальный скрипт, который пользователь может запустить самостоятельно и получить рабочее окружение для запускавсего — от PyTorch до Stable Diffusion и Ollama с поддержкой GPU.
Привет! Я занимаюсь разметкой данных для ИИ: экспертно и с большой любовью. Задачи компьютерного зрения — одни из самых популярных и поэтому поговорим про них.
Прочитав статью вы узнаете как алгоритму отличить гейшу от китаянки, кто такая майко, как не перепутать лапшу с автобусом и правильно найти тунца.
Практически сразу после выхода zero-shot модели SAM (Segment Anything Model) для компьютерного зрения мы с командой активно ее внедрили в свою платформу разметки данных и стали использовали в разных задачах.
Хочется поделиться опытом и ответить на самый популярный вопрос — насколько SAM ускоряет разметку данных?
В статье будет очень много гифок и интерактива.
В этой статье мы научим авто самостоятельно парковаться с помощью генетического алгоритма.
Мы создадим первое поколение авто с произвольными геномами, которое будет вести себя примерно так:
Примерно на сороковом поколении авто начнут понимать, что такое авто-парковка, и начнут приближаться к парковочному месту:
Привет, Habr! Меня зовут Александр Сулейкин, архитектор Big Data решений, к. т. н. и CEO ИТ‑компании «ДЮК Технологии». Совместно с нашим экспертом по внедрению LLM, Анатолием Лапковым, мы подготовили статью по теме внедрения умного помощника в крупной некоммерческой организации. Под капотом — базовая модель от Сбера GigaChat, однако вся обвязка и подход к решению задачи — наши собственные. И это то, о чем пойдет речь в статье.
Составили список самых важных библиотек Python для машинного обучения и рассказали, для каких задач они могут быть полезны начинающим ML-инженерам и специалистам по Data Science.
Собрать подборку помог Кирилл Симонов — ML-разработчик компании IRLIX с экспертизой в компьютерном зрении.
Зарядные устройства от Ugreen уверенно удерживают высокие позиции на рынке аксессуаров уже несколько лет подряд. Я более 4 лет заряжал все свои домашние устройства только зарядкой от Ugreen и у меня не возникло ни единой проблемы: все аккумуляторы используемых устройств остались целы и невредимы, а их емкость практически не изменилась. Однако с недавнего времени у меня появилась потребность в более мощном зарядном устройстве. Прошлая зарядка Ugreen выдавала максимальную мощность 65W, чего стало иногда не хватать. Также она имеет некоторые проблемы с современными протоколами быстрой зарядки и не может обеспечить максимальную мощность зарядки для некоторых устройств.
В общем то недолго раздумывая я выбрал новую GaN зарядку Ugreen Nexode X на 160W, которая поддерживает протокол быстрой зарядки PD 3.1. Другие популярные стандарты, вроде Samsung Super Fast Charger, также заявлены в описании. Немного потестил ее и теперь готов поделиться своими впечатлениями.
Привет, Хабр!
Ранее мы рассмотрели вопрос применения подходов Reinforcement Learning в ценообразовании в разрезе одного товара. В этой статье покажем, как можно применить RL при наличии ограничений на группу товаров при помощи оптимизации с ограничениями.
Есть отличный термин self hosted, который очень популярен в англоязычном интернете.
Но он плохо переводится, почти как open source - хотя википедия и пытается дать ужасно звучащий термин "самохостинг"...
Как ни странно, на Хабре нет про него обзорных статей, и даже нет соответствующего тега, хоть я и искал.Возможно, плохо искал, и вы кинете в комментарии что-то хорошее.
В общем, self hosted - это когда вы решаете, что какие-то вещи лучше хранить у себя, а не отдавать злым корпорациям - фотографии, почту, умный дом, книги, и так далее.
И собираете под это какой-то сервер, полноценным хозяином которого являетесь только вы.
Эту статью я пишу во многом для нескольких друзей, которые решили приобщиться к этому тренду, и здесь будет обзор моего личного self hosted - про всякие разные штуки, которые показались полезны лично мне, и плотно заняли своё место на моём домашнем сервере.
На хабре много опытных пользователей, так что если вам что-то кажется очевидным - смело листайте дальше. Здесь есть много классных подробных статей, которые идут в глубину, а в этой статье я хотел дать общее представление, куда вообще можно копать и что делать.
Ускоряем написание кода при работе с таблицами и библиотекой Pandas с помощью PandasAI в несколько раз за пару строк. Хитрецы уже используют ...
Конечно, прекрасно подключить API от OpenAI и разыграть своего руководителя новым консультантом… Но подобные чат-боты не могут ориентироваться в данных компании и предоставлять адекватные ответы. Можно хотя бы не рассчитывать на увольнение:)
В чем отличие модифицированного чат-бота, нейросотрудника от обычного окошка с GPT 4.0? — он может ориентироваться в нужной вам информации лучше: составлять подборки резюме для дальнейшего анализа живым HR-ом, общаться с клиентами скриптами, даже подбирать контент-план на основе данных о компании и помогать расписывать ТЗ для сотрудников.
В этой работе мы попробуем написать своего простого нейросотрудника, а точнее HR-менеджера. Начнем с теоретической части про векторные базы данных и обучение, закончим практикой, разобрав конкретный пример.
Если не хочется читать теорию – переходите в конец статьи.
Психические расстройства представляют собой сложную проблему здравоохранения, требующую значительных ресурсов и высококвалифицированных специалистов. Искусственный интеллект (ИИ) предлагает инновационные решения для трансформации психиатрической помощи, охватывая профилактику, диагностику, терапию и исследования. В настоящее время ИИ-алгоритмы демонстрируют высокую точность в диагностике различных расстройств, включая шизофрению, депрессию и аутизм, используя данные электронных медицинских карт, нейровизуализации и "цифровые фенотипы". ИИ помогает предсказывать течение заболеваний, ответ на лечение и риски, такие как суицид или агрессивное поведение. Виртуальные ассистенты, чат-боты и технологии виртуальной реальности поддерживают пациентов, обеспечивая психообразование, когнитивно-поведенческую терапию и мониторинг состояния. ИИ автоматизирует систематические обзоры литературы, анализирует большие объемы данных и строит клинико-психологические модели, например, для лечения аддиктивных расстройств. ИИ помогает врачам в получении информации, подготовке к экзаменам и составлении рекомендаций для пациентов. Перспективные технологии: психовизуализация (объединение нейровизуализации, биометрических данных и ИИ для визуализации мыслей, восприятия и эмоций). Существует ряд проблем внедрения ИИ в психиатрию: нехватка качественных данных, непрозрачность моделей ИИ, сложности валидации и регулирования, недостаток знаний о ИИ среди клиницистов, необходимость изменения рабочих процессов, риски автоматизации ошибок, вопросы к конфиденциальности данных, ответственности за решения, предвзятости алгоритмов, балансу между эффективностью и безопасностью. Путями к преодолению проблем станут междисциплинарное сотрудничество, повышение доверия к ИИ-системам за счет понимания логики принятия решений, обучение специалистов работе с новыми технологиями. ИИ обладает огромным потенциалом для трансформации психиатрической помощи, но требует ответственного подхода и решения существующих проблем.
Привет! Хочу поделиться моим опытом сдачи первой ступени экзамена ISTQB онлайн на русском языке. Ниже более подробно рассказу о своей подготовке, сдаче и поделюсь лайфхаками!
Чуть-чуть обо мне
Начну с того, что в тестировании я год, но писать на python начала с октября прошло года, в нынешней компании работаю с февраля и занимаю должность автотестировщика.
Тестирование с первого дня меня заинтересовало, поэтому я стараюсь, как можно быстрее и качественнее учиться и сразу внедрять новые знания в работу.
Кто такой этот ISTQB и зачем его сдавать
ISTQB - некоммерческая организация, занимающаяся определением различных принципов развития сферы тестирования ПО, таких как структура и правила аккредитации, сертификации и т.п. (с сайта RSTQB)
Если кратко, то это организация, которая позволяет получить международный сертификат.
Зачем сдавать? Судя по вакансиям, в России данная сертификация не очень популярна, но для своего собственного развития и возможности в будущем претендовать на трудоустройство на международном рынке, оно того стоит.
Я же решила сдавать данный экзамен, чтобы, во-первых, выучить теорию и подтвердить свои знания, а во-вторых, дополнить мое резюме и возможно выглядеть более привлекательно для работодателей.
Для распознавания изображений и видео используют особый тип нейросетей — сверточные. Например, они помогают анализировать результаты МРТ и рентгеновские снимки, чтобы поставить правильный диагноз.
Вместе с Марией Жаровой, Data Scientist в Альфа-Банк, подготовили подробный гайд о том, как устроены сверточные нейросети и что нужно знать для начала работы с ними.
128 CUDA ядер, 2GB LPDDR3 это всё Nvidia jetson nano 2gb. Реально ли на таком железе запустить AI(конкретно YOLOv8), как это питать и охлаждать, и это хоть кому-то нужно?
Если вам кажется, что начать работу с нейросетями - это сложно, то этот материал для вас!
В статье подробно, с примерами кода, разберем основные функции базовой модели YOLOV8 - детекция, сегментация, трекинг объектов, а также создание собственного датасета и дообучение нейросети для работы с собственными объектами!
В данной статье речь пойдёт о замерах производительности и точности работы моделей YOLOv8 на разных устройствах с различными оптимизациями и без них. Большое внимание будет уделено работе Yolo на “слабых устройствах”, таких как Raspberry PI, Orange PI, Jetson Nano, мини ПК.
Современные задачи робототехники требуют вычислений "на борту", что особенно актуально для автономных систем. Важность данного исследования заключается в том, что оно направлено на решение задачи детекции в режиме реального времени на маломощных устройствах, что открывает новые возможности для использования компьютерного зрения в мобильных и автономных роботах. Будем считать, что FPS обработки изображений >= 10 пригоден для некоторых задач детекции в реальном времени, но далеко не для всех.