Кэширование и трекинг. Как YOLO экономит время и нервы
Случалось мне работать с CV: запускаешь сорокаминутное видео, YOLO честно находит людей, машины, собак. На двадцатой минуте падает сеть или, что хуже, камера наблюдения выходит из строя. Перезапускаешь. Модель снова смотрит те же кадры,
Что я делаю, когда работы по горло
Кому знакомо: задач дофига, мозг уже устал, а день еще не закончился. Раньше у меня был такой подход: я пытался разогнать себя в моменте. Сейчас подход другой: больше простых ограничений. Ниже то, что у меня действительно осталось в системе, а не просто “когда-то попробовал”.
Как я автоматизировал свои эмоции
Как я уже рассказывал в предыдущих постах, я фанат списков и трекинга всего, что происходит в моей жизни. Я пришел к этому не сразу, просто заметил, что после того как перенесешь задачу, мысль или план на бумагу, а потом и в трекер, жить становится легче: в голове нет тумана из задач и дедлайнов, мысли упорядочиваются, прокрастинации становится меньше, планирование точнее, действия по делу.
Взгляд со стороны: зачем айтишнику идти в гору 3 дня, вставать в 6 утра и любить позу голубя
Физкульт-привет, хабровчане!
MLflow для исследований: как систематизировать ML-эксперименты
ВведениеКогда речь заходит о таких инструментах, как Airflow, MLflow или Docker, многие сразу представляют себе продакшен-среду, и новичков это может пугать. Однако на самом деле эти инструменты полезны не только в проде или крупных компаниях.Сегодня я хочу рассказать об MLflow. Эта статья рассчитана на тех, кто только начинает свой путь в машинном обучении и обладает базовыми знаниями, а также на практикующих ученых в области ИИ, которые пока не знакомы с этим инструментом или сознательно им не пользуются.
