1、anaconda3安装

注意安装anaconda时一定要把环境变量加入windows环境中。要没有勾选，安装完后还要手动加入

手动加入环境变量

点击右边的新建，新建三个

C:\ProgramData\Anaconda3

在上一篇文章中，我们探讨了对比学习与自监督表示学习。本文将深入计算机视觉的核心任务之一——目标检测

香港科技大学人工智能硕士专业以 “前沿技术与产业应用并重” 为特色，其文书与职业规划的结合需突破 “纯技术描述” 的局限，聚焦 “技术如何服务于具体行业” 的清晰路径。招生官期待看到申请者不仅具备算法能力，更能将职业目标与人工智能的落地场景紧密关联，形成 “技术深耕 — 行业应用 — 社会价值” 的完整叙事。

文书创作可采用 “技术痛点锚定法”：开篇明确职业定位，如 “3 年内成为医疗 AI 领域的算法优化专家，专注于医学影像诊断模型的临床适配”，随后用学术与实践经历构建支撑链条。例如，描述参与深度学习课程设计时，可突出 “为解决肺部 CT 影像识别的假阳性问题，优化 YOLOv5 模型的损失函数，使准确率提升 12%” 的技术细节，再关联医院实习中观察到的 “基层医生对高效诊断工具的迫切需求”，让经历成为职业目标的 “合理性证明”。需避免堆砌技术名词，而是每段内容都指向 “为何选择医疗 AI 赛道”“港科大课程如何填补能力缺口”。

一年一度的GeekPwn国际安全极客大赛在上海举行，近两年的比赛上，对AI的攻击是所有项目中最为吸睛的一个，云计算的风险同样引人注目。

选手能否破解知名厂商的图像识别系统，让AI作出错误决策？如果场上选手能骗过AI，黑客也可以，这将给厂商和用户带来难以估量的损失。AI、云计算发展带来的安全隐患已经引起思考。参加GeekPwn比赛的是有着白帽子黑客之称的极客，他们技术高超，发现漏洞后会提醒公司进行修补。

Geekpwn的云安全挑战赛是世界首个基于真实云环境复原的云安全攻防竞赛，比赛现场，腾讯安全云鼎实验室构建了一个真实的、可以完整工作的全栈云环境，复现了主流云平台的架构、技术和系统软硬件环境，预演云上攻防。

YOLO11与YOLOv12对比分析

引言

YOLO（You Only Look Once）系列作为目标检测领域的标杆模型，始终以速度与精度的平衡为核心优化方向。2024年发布的YOLO11与2025年发布的YOLOv12分别代表了模块化设计与注意力机制主导的技术路线。本文从架构设计、性能表现、硬件适应性、训练策略与应用场景等维度对二者进行全面对比，揭示其技术演进与适用边界。

YOLOv11作为YOLO系列的最新迭代，在保持一阶段检测器高效性的基础上，实现了精度与速度的全面提升。相比YOLOv8，YOLOv11在模型架构、训练策略和损失函数设计方面都有显著改进，mAP提升约2-5%，同时推理速度更快，参数量更少。

核心架构创新

1. 改进的C3k2模块：YOLOv11引入了C3k2（C3 with 2 Kernels）模块替代传统的C3模块。该模块采用双分支设计，一个分支使用3×3卷积捕获局部特征，另一个分支使用1×1卷积进行通道交互，通过残差连接融合多尺度特征表示。

引言

在计算机视觉领域，**目标检测（Object Detection）**是一个核心任务，它不仅需要识别图像中的物体，还要准确地定位它们的位置。传统方法如 R-CNN 虽然在准确性上表现优秀，但在推理速度上难以满足实时应用的需求。而 YOLO（You Only Look Once）系列模型的出现，极大地推动了实时目标检测的发展。