玩转YOLOv5：2块钱体验完整训练+推理全流程

玩转YOLOv5：2块钱体验完整训练+推理全流程

你是不是也是一名对AI充满热情的大学生，正准备参加一场目标检测相关的竞赛？但现实很骨感——学校机房的电脑配置太低，跑不动深度学习模型；注册各种云计算平台又需要学生认证、信用卡绑定，流程复杂得让人想放弃。别急，今天我就来带你用不到2块钱的成本，在无需注册、零门槛的环境下，完整走通一次YOLOv5 的训练 + 推理全流程。

这不仅是一次技术实操，更是一个“低成本试错”的绝佳方案。你可以先用这个方式验证自己的数据集是否有效、参数设置是否合理，等一切跑通后再考虑升级资源或部署到正式环境。整个过程就像搭积木一样简单：选镜像 → 一键启动 → 上传数据 → 开始训练 → 测试效果。不需要你会Linux命令，也不用折腾CUDA驱动，所有依赖都已经打包好了。

我们使用的正是 CSDN 星图平台提供的预置 YOLOv5 镜像，它已经集成了 PyTorch、CUDA、OpenCV 等必要组件，并默认安装了 Ultralytics 官方版本的 YOLOv5 代码库。更重要的是，支持按分钟计费，哪怕只用30分钟，花几毛钱也能完成一次完整的模型训练和测试。对于只想练手、验证想法的同学来说，简直是量身定制。

学完这篇文章后，你会掌握：

  • 如何快速部署一个 ready-to-use 的 YOLOv5 环境
  • 怎样准备自己的数据集并格式化为 YOLO 可识别的形式
  • 训练过程中关键参数的意义与调整技巧
  • 如何进行推理测试并可视化结果
  • 常见报错的排查方法和性能优化建议

现在就让我们从零开始，把“我想做个目标检测项目”变成“我已经做出了第一个可运行的模型”。

1. 环境准备：一键部署你的专属GPU实验室

1.1 找到适合小白的极简部署方式

很多同学一听到“YOLOv5”就想到要配环境、装PyTorch、调CUDA版本，光是这些名词就劝退了一大半人。其实现在完全不用这么麻烦。我们要做的第一步，就是跳过所有繁琐的安装步骤，直接进入“开箱即用”的状态。

这里的关键是选择一个预置了YOLOv5环境的云镜像。CSDN星图平台提供了一个专门针对目标检测任务优化过的镜像，里面已经包含了：

  • Python 3.8+
  • PyTorch 1.10 + CUDA 11.7（适配主流NVIDIA显卡）
  • OpenCV、Pillow、NumPy 等常用图像处理库
  • Ultralytics/yolov5 官方仓库（自动克隆并安装依赖）

最棒的是，这个镜像支持免注册试用，并且可以按实际使用时间计费，每小时不到一块钱。也就是说，哪怕你只用了20分钟，也只需要支付几毛钱。这对于想临时跑个实验的学生党来说，性价比极高。

⚠️ 注意：由于我们是在云端运行，所有的操作都会保存在实例中。建议每次使用前确认是否有自动关机策略，避免长时间挂机产生额外费用。

1.2 三步完成环境搭建

接下来我带你一步步操作，整个过程不超过5分钟。

第一步：进入镜像广场访问 CSDN 星图平台，在搜索框输入“YOLOv5”，找到标有“预装YOLOv5”的镜像。这类镜像通常会注明已集成训练脚本和示例数据集，非常适合新手。

第二步：选择GPU规格根据你的数据集大小选择合适的GPU类型。如果你只是做小规模测试（比如几百张图片），推荐选择入门级GPU（如T4级别），显存8GB足够应付640x640分辨率的训练任务。如果后续要做更大规模的数据集或多类别检测，再升级也不迟。

第三步：一键启动实例点击“立即创建”或“启动实例”，系统会在几分钟内为你分配一台带有GPU的虚拟机，并自动加载YOLOv5环境。完成后你会看到一个Jupyter Lab或终端界面，可以直接开始编码。

整个过程就像点外卖一样简单：选好菜品（镜像）→ 下单（选择配置）→ 收货（等待启动）。不需要你动手切菜洗锅（编译源码、解决依赖冲突），饭菜已经热腾腾地端上桌了。

1.3 检查环境是否正常运行

启动成功后，第一件事是验证环境是否可用。打开终端，输入以下命令：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

如果输出类似下面的内容，说明PyTorch和CUDA都正常工作：

1.10.0 True

接着检查YOLOv5代码是否存在：

ls /root/yolov5/

你应该能看到models/,utils/,train.py,detect.py等目录和文件。这些都是YOLOv5的核心组成部分。

💡 提示：有些镜像可能会把代码放在/workspace/yolov5或其他路径，请查看镜像说明文档确认具体位置。

一旦确认环境无误，恭喜你！你已经有了一个随时可用的AI开发环境，接下来就可以开始准备自己的数据了。

2. 数据准备：教你如何整理自己的训练集

2.1 目标检测数据长什么样？

在正式动手之前，先搞清楚一个问题：YOLOv5到底需要什么样的数据？简单来说，它需要两样东西：

  1. 原始图片：JPEG、PNG等常见格式的图像文件
  2. 标注文件：每个图片对应的文本文件（.txt），记录物体的位置和类别

举个例子，如果你想做一个“校园猫猫识别”项目，那你就要收集一堆校园里猫咪的照片，并用工具标出每只猫在图中的位置。最终生成的结构大概是这样的：

dataset/ ├── images/ │ ├── cat_001.jpg │ ├── cat_002.jpg │ └── ... └── labels/ ├── cat_001.txt ├── cat_002.txt └── ...

其中，labels文件夹里的.txt文件内容是这样的：

0 0.45 0.60 0.30 0.40

这五个数字分别代表：

  • 第一个数字：类别编号（0 表示“猫”）
  • 后四个数字：归一化后的中心坐标(x, y)和宽高(w, h)

这种格式叫做YOLO格式标注，是YOLO系列模型专用的标准。

2.2 标注工具推荐：轻松搞定几千张图

自己写文本文件显然不现实，所以我们需要用标注工具。对于学生党来说，推荐两个免费又好用的工具：

LabelImg（图形化界面，适合初学者）

  • 下载地址：https://github.com/tzutalin/labelimg
  • 支持 Windows/Mac/Linux
  • 操作直观：打开图片 → 拖框标注 → 自动保存为 .txt 文件
  • 导出格式选择 “YOLO” 即可

Roboflow Annotate（在线版，无需安装）

  • 网址：https://roboflow.com/annotate
  • 直接浏览器打开就能用
  • 支持多人协作标注
  • 免费账户每月有一定额度

我建议新手从 LabelImg 开始，本地运行更稳定，也不会受网络影响。安装后打开软件，设置输出格式为 YOLO，然后就可以一张张地标记你的图片了。

⚠️ 注意：确保每张图片都有对应名字的 .txt 文件，否则训练时会报错找不到标签。

2.3 划分训练集、验证集和测试集

数据准备好后，不能全部用来训练。我们需要把数据分成三份：

  • 训练集（train）：约占70%，用于模型学习
  • 验证集（val）：约占20%，用于监控训练过程，防止过拟合
  • 测试集（test）：约占10%，用于最终评估模型效果

YOLOv5 默认只使用 train 和 val，但我们可以通过修改配置让它也支持 test 集评估。

假设你有1000张图片，可以这样划分：

# 创建目录结构 mkdir -p dataset/images/{train,val,test} mkdir -p dataset/labels/{train,val,test} # 使用Python脚本随机划分（示例） import os, random, shutil images = [i for i in os.listdir('raw_images') if i.endswith('.jpg')] random.shuffle(images) train_ratio = 0.7 val_ratio = 0.2 test_ratio = 0.1 n = len(images) split1 = int(n * train_ratio) split2 = int(n * (train_ratio + val_ratio)) for img in images[:split1]: shutil.copy(f'raw_images/{img}', 'dataset/images/train/') shutil.copy(f'raw_labels/{img.replace(".jpg", ".txt")}', 'dataset/labels/train/') # 类似处理 val 和 test...

划分完成后，记得更新data.yaml配置文件中的路径信息。

3. 模型训练：从零开始跑通第一次训练

3.1 配置 data.yaml：告诉模型去哪里找数据

YOLOv5 是通过一个 YAML 文件来读取数据路径和类别信息的。你需要在/root/yolov5/data/目录下创建一个自定义的.yaml文件，比如叫mydata.yaml。

内容如下：

train: /root/dataset/images/train val: /root/dataset/images/val test: /root/dataset/images/test nc: 1 # number of classes names: ['cat'] # class names

解释一下这几个字段：

  • train和val：训练和验证集的图片路径
  • test：虽然YOLOv5默认不用，但我们可以手动添加用于最终测试
  • nc：类别数量，这里是1类（猫）
  • names：类别名称列表，顺序要和标注文件中的类别ID一致

保存后，这个文件就成了你训练任务的“地图”，告诉模型：“去这儿拿数据，一共有一类东西叫‘猫’”。

3.2 启动训练：一条命令开启AI之旅

准备工作全部就绪后，终于到了激动人心的时刻——开始训练！

回到终端，进入YOLOv5主目录：

cd /root/yolov5

然后运行训练命令：

python train.py \ --img 640 \ --batch 16 \ --epochs 50 \ --data mydata.yaml \ --weights yolov5s.pt \ --cfg models/yolov5s.yaml \ --name mycat_exp

参数详解：

  • --img 640：输入图像统一缩放到640x640（YOLOv5标准尺寸）
  • --batch 16：每次喂给模型16张图（根据显存调整，T4建议8-16）
  • --epochs 50：训练50轮，太少可能欠拟合，太多可能过拟合
  • --data mydata.yaml：指定数据配置文件
  • --weights yolov5s.pt：使用预训练权重（迁移学习，大幅提升效果）
  • --cfg models/yolov5s.yaml：模型结构配置（small版本，速度快）
  • --name mycat_exp：实验名称，结果会保存在 runs/train/mycat_exp/

执行后你会看到类似这样的输出：

Epoch gpu_mem box obj cls total targets img_size 0/49 2.4G 0.05675 0.04345 0 0.10020 89 640

这表示模型已经开始学习了！每一行显示当前epoch的损失值、目标检测准确率等指标。

3.3 训练过程中的观察与调参技巧

训练不是按下回车就不管了。你需要学会看懂这些数字背后的含义。

关键指标解读：

  • box：边界框回归损失，越低说明定位越准
  • obj：目标置信度损失，反映模型判断“有没有物体”的能力
  • cls：分类损失，只有多类别时才明显
  • total：总损失，理想情况是持续下降直到平稳

一般前10个epoch下降很快，后面逐渐变缓。如果发现 loss 不降反升，可能是 learning rate 太高，可以尝试加--lr0 0.001降低初始学习率。

显存不够怎么办？如果你遇到CUDA out of memory错误，说明 batch size 太大。可以改成：

--batch 8 # 减半试试

或者改用更小的模型：

--weights yolov5n.pt --cfg models/yolov5n.yaml # nano版本，仅需2GB显存

提前停止训练？当 val loss 连续几个 epoch 没有改善时，说明模型已经学到极限了。可以提前终止，节省成本。

4. 模型推理：看看你的AI有多聪明

4.1 使用 detect.py 进行图片检测

训练完成后，模型权重会保存在runs/train/mycat_exp/weights/best.pt。现在我们就用它来做推理测试。

首先准备几张新的猫猫图片（不要是训练集里的），放到/root/test_images/目录下。

然后运行检测命令：

python detect.py \ --weights runs/train/mycat_exp/weights/best.pt \ --source /root/test_images/ \ --img 640 \ --conf 0.5 \ --name mycat_test

参数说明：

  • --weights：加载训练好的模型
  • --source：待检测的图片路径（支持文件夹、单图、摄像头、视频）
  • --conf 0.5：置信度阈值，低于此值的预测不显示
  • --name：输出结果保存目录名

运行结束后，结果会保存在runs/detect/mycat_test/，打开就能看到带框的图片。

你会发现，模型不仅能找出猫的位置，还会标出类别和置信度分数。比如一只蹲在草地上的猫被成功识别，置信度高达0.92，说明它非常确定这就是一只猫。

4.2 视频与实时检测：让AI动起来

除了静态图片，YOLOv5 还能处理视频和实时摄像头流。比如你想做个“教室门口人流统计”小项目，可以用USB摄像头连接云端实例（部分平台支持），然后运行：

python detect.py --source 0 --weights best.pt # 0表示默认摄像头

或者检测一段视频：

python detect.py --source myvideo.mp4 --weights best.pt

实测下来，在T4 GPU上处理720p视频能达到30FPS以上，完全满足实时性要求。这意味着每秒能分析30帧画面，真正做到“一眼识万物”。

4.3 结果分析与性能评估

光看几张图还不够，我们要科学地评价模型表现。

YOLOv5 在训练结束时会自动生成一份评估报告，位于runs/train/mycat_exp/results.txt，包含以下几个核心指标：

  • mAP@0.5：IoU阈值为0.5时的平均精度，越高越好（理想>0.8）
  • Precision：精确率，预测为正的样本中有多少是真的
  • Recall：召回率，真实正样本中有多少被找出来了

如果 mAP 较低（比如<0.5），可以从以下几个方面优化：

  1. 增加训练数据量（至少500张以上）
  2. 检查标注质量（框是否准确贴合物体）
  3. 尝试更大的模型（如yolov5m.pt）
  4. 调整超参数（可通过--hyp指定自定义超参文件）

💡 实用技巧：可以在 Roboflow 上免费增强数据集（旋转、翻转、亮度变化等），提升泛化能力。

总结

  • 低成本也能玩转AI：借助预置镜像和按需计费模式，2块钱足以完成一次完整的训练+推理闭环
  • 流程清晰可复制：从环境部署到数据准备、训练、测试，每一步都有明确的操作指引
  • YOLOv5上手极快：得益于良好的工程设计，即使是新手也能在一天内跑通全流程
  • 迁移学习威力强大：使用预训练权重（如yolov5s.pt），即使数据量不多也能获得不错的效果
  • 现在就可以试试：整个过程无需注册、无需复杂配置，实测在CSDN星图平台上稳定性非常好

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/1170717.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

手把手教你用Qwen3-VL-2B实现智能客服图文问答

手把手教你用Qwen3-VL-2B实现智能客服图文问答

手把手教你用Qwen3-VL-2B实现智能客服图文问答 1. 引言&#xff1a;智能客服的视觉化升级需求 在现代企业服务中&#xff0c;客户咨询已不再局限于文字描述。越来越多的用户倾向于通过截图、照片、图表甚至手写笔记来表达问题&#xff0c;例如&#xff1a;“这张发票为什么没…
阅读更多...
YOLOv9结果保存路径：runs/detect输出目录说明

YOLOv9结果保存路径：runs/detect输出目录说明

YOLOv9结果保存路径&#xff1a;runs/detect输出目录说明 1. 镜像环境说明 核心框架: pytorch1.10.0CUDA版本: 12.1Python版本: 3.8.5主要依赖: torchvision0.11.0&#xff0c;torchaudio0.10.0&#xff0c;cudatoolkit11.3, numpy, opencv-python, pandas, matplotlib, tqdm…
阅读更多...
麦橘超然vs Automatic1111：资源占用与响应速度对比

麦橘超然vs Automatic1111：资源占用与响应速度对比

麦橘超然vs Automatic1111&#xff1a;资源占用与响应速度对比 1. 引言 1.1 技术背景与选型需求 随着AI图像生成技术的快速发展&#xff0c;Stable Diffusion系列模型已成为主流创作工具。然而&#xff0c;在实际部署过程中&#xff0c;用户常常面临显存占用高、推理延迟大等…
阅读更多...
部署麦橘超然后，我终于搞懂AI绘画怎么玩

部署麦橘超然后，我终于搞懂AI绘画怎么玩

部署麦橘超然后&#xff0c;我终于搞懂AI绘画怎么玩 1. 引言&#xff1a;从部署到理解&#xff0c;AI绘画的实践起点 在尝试了多个AI图像生成工具后&#xff0c;我最终选择了「麦橘超然 - Flux 离线图像生成控制台」作为我的本地创作入口。这不仅因为它支持中低显存设备运行&…
阅读更多...
边缘计算新选择：Qwen2.5-0.5B开源模型部署趋势一文详解

边缘计算新选择：Qwen2.5-0.5B开源模型部署趋势一文详解

边缘计算新选择&#xff1a;Qwen2.5-0.5B开源模型部署趋势一文详解 1. 引言&#xff1a;轻量级大模型在边缘计算中的崛起 随着人工智能应用向终端侧延伸&#xff0c;边缘计算场景对轻量、高效、低延迟的AI推理能力提出了更高要求。传统大模型依赖高性能GPU集群&#xff0c;在…
阅读更多...
通义千问Embedding模型推理慢？vLLM加速部署实战提升300%

通义千问Embedding模型推理慢？vLLM加速部署实战提升300%

通义千问Embedding模型推理慢&#xff1f;vLLM加速部署实战提升300% 1. 背景与痛点&#xff1a;Qwen3-Embedding-4B 的性能瓶颈 在构建大规模语义检索、知识库问答或跨语言文本匹配系统时&#xff0c;高质量的文本向量化模型是核心基础设施。阿里开源的 Qwen/Qwen3-Embedding…
阅读更多...
docker部署数据中台系统DataCap

docker部署数据中台系统DataCap

推荐一套基于 SpringBoot 开发的简单、易用的开源权限管理平台&#xff0c;建议下载使用: https://github.com/devlive-community/authx 推荐一套为 Java 开发人员提供方便易用的 SDK 来与目前提供服务的的 Open AI 进行交互组件&#xff1a;https://github.com/devlive-commun…
阅读更多...
用Qwen3-0.6B做了个视频摘要工具，附完整过程

用Qwen3-0.6B做了个视频摘要工具，附完整过程

用Qwen3-0.6B做了个视频摘要工具&#xff0c;附完整过程 1. 引言&#xff1a;从零构建视频摘要工具的动机与场景 在信息爆炸的时代&#xff0c;视频内容已成为主流的信息载体。然而&#xff0c;面对动辄几十分钟甚至数小时的长视频&#xff0c;用户往往难以快速获取核心信息。…
阅读更多...
DeepSeek-R1优化技巧：让CPU推理速度提升50%

DeepSeek-R1优化技巧：让CPU推理速度提升50%

DeepSeek-R1优化技巧&#xff1a;让CPU推理速度提升50% 1. 背景与挑战&#xff1a;轻量化模型的性能瓶颈 随着大语言模型在本地化部署场景中的广泛应用&#xff0c;如何在资源受限的设备上实现高效推理成为关键问题。DeepSeek-R1-Distill-Qwen-1.5B 作为一款基于蒸馏技术构建…
阅读更多...
Live Avatar推理速度优化：降低sample_steps提升效率策略

Live Avatar推理速度优化：降低sample_steps提升效率策略

Live Avatar推理速度优化&#xff1a;降低sample_steps提升效率策略 1. 技术背景与性能挑战 Live Avatar是由阿里巴巴联合多所高校开源的数字人生成模型&#xff0c;基于14B参数规模的DiT&#xff08;Diffusion Transformer&#xff09;架构&#xff0c;支持从单张图像和音频…
阅读更多...
Z-Image-Edit创意脑暴工具：快速生成设计灵感草图

Z-Image-Edit创意脑暴工具：快速生成设计灵感草图

Z-Image-Edit创意脑暴工具&#xff1a;快速生成设计灵感草图 1. 引言&#xff1a;AI图像编辑进入高效创作时代 在当前AIGC&#xff08;人工智能生成内容&#xff09;高速发展的背景下&#xff0c;设计师、产品经理和创意工作者对快速原型生成与视觉表达迭代的需求日益增长。传…
阅读更多...
智能证件照工坊API文档：开发者快速入门

智能证件照工坊API文档：开发者快速入门

智能证件照工坊API文档&#xff1a;开发者快速入门 1. 引言 1.1 业务场景描述 在现代数字化办公与身份认证体系中&#xff0c;证件照是简历投递、考试报名、政务办理、平台注册等高频使用的核心材料。传统拍摄方式依赖照相馆或手动PS处理&#xff0c;流程繁琐且存在隐私泄露…
阅读更多...
Qwen All-in-One扩展性探讨：未来多任务接入方案

Qwen All-in-One扩展性探讨：未来多任务接入方案

Qwen All-in-One扩展性探讨&#xff1a;未来多任务接入方案 1. 引言&#xff1a;单模型多任务的工程价值与挑战 随着大语言模型&#xff08;LLM&#xff09;在自然语言处理领域的广泛应用&#xff0c;如何在资源受限环境下实现高效、灵活的AI服务部署&#xff0c;成为工程实践…
阅读更多...
亲测BGE-Reranker-v2-m3：RAG系统检索效果实测分享

亲测BGE-Reranker-v2-m3：RAG系统检索效果实测分享

亲测BGE-Reranker-v2-m3&#xff1a;RAG系统检索效果实测分享 在当前的检索增强生成&#xff08;RAG&#xff09;系统中&#xff0c;向量检索虽能快速召回候选文档&#xff0c;但常因语义模糊或关键词误导导致“搜不准”问题。为解决这一瓶颈&#xff0c;重排序&#xff08;Re…
阅读更多...
安全部署HY-MT1.5-7B：模型加密与访问控制

安全部署HY-MT1.5-7B：模型加密与访问控制

安全部署HY-MT1.5-7B&#xff1a;模型加密与访问控制 1. 引言 随着大语言模型在企业级场景中的广泛应用&#xff0c;模型的安全部署已成为不可忽视的关键环节。特别是在翻译类模型的应用中&#xff0c;涉及多语言数据处理、敏感术语传递以及跨区域服务调用&#xff0c;安全性…
阅读更多...
Qwen3-Embedding-4B工具推荐：集成vLLM+Open-WebUI快速上手

Qwen3-Embedding-4B工具推荐：集成vLLM+Open-WebUI快速上手

Qwen3-Embedding-4B工具推荐&#xff1a;集成vLLMOpen-WebUI快速上手 1. 通义千问3-Embedding-4B&#xff1a;面向多语言长文本的高效向量化模型 在当前大模型驱动的语义理解与检索系统中&#xff0c;高质量的文本向量化能力已成为构建知识库、智能问答、跨语言搜索等应用的核…
阅读更多...
U-Net架构优势解析：cv_unet_image-matting技术原理揭秘

U-Net架构优势解析：cv_unet_image-matting技术原理揭秘

U-Net架构优势解析&#xff1a;cv_unet_image-matting技术原理揭秘 1. 引言&#xff1a;图像抠图的技术演进与U-Net的崛起 随着计算机视觉技术的发展&#xff0c;图像抠图&#xff08;Image Matting&#xff09;作为一项精细的像素级分割任务&#xff0c;在影视后期、电商展示…
阅读更多...
如何监控Qwen2.5运行状态？GPU资源实时查看教程

如何监控Qwen2.5运行状态？GPU资源实时查看教程

如何监控Qwen2.5运行状态&#xff1f;GPU资源实时查看教程 1. 引言&#xff1a;为什么需要监控Qwen2.5的运行状态&#xff1f; 通义千问2.5-7B-Instruct是阿里于2024年9月发布的70亿参数指令微调模型&#xff0c;定位为“中等体量、全能型、可商用”的高性能语言模型。该模型…
阅读更多...
MinerU+GPT联合使用：云端1小时2块搞定智能文档

MinerU+GPT联合使用：云端1小时2块搞定智能文档

MinerUGPT联合使用&#xff1a;云端1小时2块搞定智能文档 你是不是也遇到过这样的问题&#xff1a;手头有一堆合同、协议、技术文档&#xff0c;想快速提取关键信息&#xff0c;再做分析判断&#xff0c;但光是读完就累得不行&#xff1f;更别说还要识别表格、公式、条款细节了…
阅读更多...
AutoGLM-Phone-9B启动与调用详解｜从环境配置到API测试全流程

AutoGLM-Phone-9B启动与调用详解｜从环境配置到API测试全流程

AutoGLM-Phone-9B启动与调用详解&#xff5c;从环境配置到API测试全流程 1. 引言&#xff1a;移动端多模态大模型的应用前景 随着边缘计算和终端智能的快速发展&#xff0c;将大语言模型部署至资源受限设备已成为AI落地的重要方向。AutoGLM-Phone-9B 正是在这一背景下推出的专…
阅读更多...
最新文章

Copyright @ 2022~2023