基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的水稻病害检测系统（DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）

斌擎人工智能官方账号

59人浏览 · 2026-03-22 16:18:13

斌擎人工智能官方账号 · 2026-03-22 16:18:13 发布

摘要

水稻作为全球最重要的粮食作物之一，其生产安全直接关系到国计民生。水稻病害的快速、准确识别是实施精准防控、减少产量损失的关键环节。传统依赖人工经验的病害诊断方法存在效率低下、主观性强、专业知识门槛高等局限性。针对上述问题，本研究设计并实现了一套集成了最新深度学习目标检测技术与现代化Web框架的水稻病害智能检测系统。

本系统采用“前后端分离”的设计范式。后端以SpringBoot为核心，负责用户管理、模型调度、数据持久化等业务逻辑，数据库采用MySQL。前端采用现代化的Web技术栈，提供了直观、交互友好的用户界面。核心检测模块则集成了YOLO系列的最新演进模型，包括YOLOv8、YOLOv10、YOLOv11以及YOLOv12，构建了一个多模型比选与切换的平台。系统专注于检测三类常见且危害严重的水稻叶部病害：细菌性条斑病、褐斑病和叶黑粉病。模型基于一个包含总计6，715张高质量标注图像的数据集进行训练与验证，其中训练集6，030张，验证集409张，测试集276张，确保了模型的泛化能力。

系统功能全面，涵盖：1) 用户认证与个人中心，实现安全的登录注册、个人信息与头像管理；2) 多模态检测，支持图片、上传视频及摄像头实时流的多格式病害识别；3) 智能分析增强，创新性地集成DeepSeek大型语言模型，对检测结果进行解释性分析，为用户提供防治建议，提升系统实用价值；4) 检测记录管理，对所有识别操作进行结构化存储与分类（图片、视频、实时）查询，便于溯源与分析；5) 数据可视化，对病害统计数据、模型性能指标、用户行为等信息进行图表化展示；6) 后台管理，提供完整的用户管理模块与模型切换控制面板。

实验结果表明，本系统能够高效、准确地识别目标水稻病害，多版本YOLO模型的集成为用户提供了性能权衡的选择。系统将先进的深度学习算法与易用的Web应用相结合，不仅为农业技术人员和种植户提供了一个便捷高效的病害诊断工具，也为农业领域的智能化解决方案提供了一个可扩展的技术框架，对推动智慧农业发展具有积极的实践意义。

关键词：水稻病害检测；YOLO系列；深度学习；SpringBoot；前后端分离；DeepSeek智能分析；Web应用；智慧农业

详细功能展示视频

基于YOLO和DeepSeek的水稻病害识别检测系统（web界面+YOLOv8/YOLOv10/YOLOv11/YOLOv12+前后端分离+python）_哔哩哔哩_bilibili

基于YOLO和DeepSeek的水稻病害识别检测系统（web界面+YOLOv8/YOLOv10/YOLOv11/YOLOv12+前后端分离+python）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV17wFzzsEyB/?spm_id_from=333.999.0.0&vd_source=549d0b4e2b8999929a61a037fcce3b0f

https://www.bilibili.com/video/BV17wFzzsEyB/

一、引言

1.1 研究背景与意义

水稻是全球超过半数人口的主食来源，其稳定生产对保障粮食安全至关重要。然而，在水稻生长周期中，各类病害的侵扰是导致其减产和品质下降的主要因素之一。例如，细菌性条斑病传播迅速，可造成叶片大面积枯死；褐斑病影响光合作用，导致籽粒不饱满；叶黑粉病则直接破坏叶片功能。对这些病害的早期发现与准确识别是实施及时、有效防治措施的前提。

传统的病害识别主要依赖农业专家或经验丰富的农技人员通过肉眼观察病斑形态、颜色等特征进行判断。这种方法严重受制于个人经验、主观判断、以及环境光线等因素，且效率低下，难以应对大规模种植田块的快速普查需求。随着计算机视觉和人工智能技术的飞速发展，尤其是深度学习在图像识别领域的突破性进展，为农作物病害的自动化、智能化检测开辟了新的路径。

目标检测算法YOLO因其“一步到位”的设计理念，在速度和精度之间取得了优异平衡，其版本不断迭代更新（从v8到v12），性能持续提升。同时，现代软件工程倡导的前后端分离架构和微服务理念，使得构建高性能、易维护、用户体验良好的Web应用成为可能。因此，开发一个能够融合最新AI检测算法、具备友好交互界面、并能提供智能化分析服务的综合系统，具有重要的理论价值与现实意义。它不仅能降低病害诊断的专业门槛，提升监测效率，还能通过数据积累为病害预警和农业决策提供支持，是智慧农业落地的具体体现。

1.2 国内外研究现状

近年来，基于深度学习的作物病害检测研究已取得丰硕成果。早期研究多采用卷积神经网络对裁剪后的单一病叶图像进行分类，如使用AlexNet、VGG、ResNet等模型。这类方法需要预先分割病灶区域，流程繁琐。随着目标检测算法的成熟，研究者开始转向能够直接定位并识别图像中多个病斑的端到端方法。Faster R-CNN、SSD等两阶段或单阶段检测器被广泛应用于番茄、苹果、葡萄等多种作物的病害检测中。

YOLO系列作为实时目标检测的标杆，自然成为农业领域的研究热点。众多学者基于YOLOv3、YOLOv4、YOLOv5等版本，在多种作物病害数据集上进行了改进和应用，通过引入注意力机制、优化损失函数、设计新的特征融合网络等方式提升模型在小目标、密集目标及复杂背景下的检测性能。然而，大多数研究停留在模型构建与实验验证阶段，将训练好的模型封装成易于使用的、具备完整业务流程的Web应用系统的研究相对较少。现有的一些系统往往功能单一，或仅支持单一模型，缺乏可扩展性和交互性。

1.3 本文主要研究内容与贡献

本研究旨在弥补当前研究与实际应用之间的差距，设计并实现一个功能完备、技术先进、用户体验良好的水稻病害智能检测系统。主要研究内容与贡献如下：

构建多版本YOLO模型集成框架：系统同时集成YOLOv8、YOLOv10、YOLOv11、YOLOv12四个最新版本的目标检测模型，构建统一的模型加载、推理和切换接口，便于用户根据不同场景（追求速度或精度）选择合适的模型，也为模型性能的横向对比提供了平台。
开发全功能的Web交互系统：基于SpringBoot和Vue.js前后端分离技术，开发了包含用户认证、多模态检测、记录管理、数据可视化、后台管理等模块的完整Web应用。系统将复杂的AI模型封装成简单的Web服务，极大地提升了易用性。
创新性引入DeepSeek智能分析：超越单纯的病害定位与分类，在检测结果基础上，调用DeepSeek大语言模型API，自动生成对检测结果的解释、病害的简要介绍、可能成因及防治建议，使系统从一个“检测工具”升级为一个“辅助决策智能体”。
实现系统化数据管理：所有用户操作、检测记录、识别结果均结构化存储于MySQL数据库。这不仅实现了历史记录的查询与管理，也为后续进行大数据分析、模型持续优化积累了宝贵的数据资产。
聚焦于具体应用场景：针对三类具体的水稻叶部病害，收集并整理了一个规模可观、标注规范的图像数据集，并在此数据集上对多个模型进行训练与评估。

二、系统核心特性概述

功能模块

✅ 用户登录注册：支持密码检测，保存到MySQL数据库。

✅ 支持四种YOLO模型切换，YOLOv8、YOLOv10、YOLOv11、YOLOv12。

✅ 信息可视化，数据可视化。

✅ 图片检测支持AI分析功能，deepseek

✅ 支持图像检测、视频检测和摄像头实时检测，检测结果保存到MySQL数据库。

✅ 图片识别记录管理、视频识别记录管理和摄像头识别记录管理。

✅ 用户管理模块，管理员可以对用户进行增删改查。

✅ 个人中心，可以修改自己的信息，密码姓名头像等等。

登录注册模块

可视化模块

图像检测模块

YOLO模型集成 (v8/v10/v11/v12)
DeepSeek多模态分析
支持格式：JPG/PNG/MP4/RTSP

视频检测模块

实时检测模块

图片识别记录管理

视频识别记录管理

摄像头识别记录管理

用户管理模块

数据管理模块（MySQL表设计）

users - 用户信息表

imgrecords- 图片检测记录表

videorecords- 视频检测记录表

camerarecords- 摄像头检测记录表

模型训练结果

#coding:utf-8
#根据实际情况更换模型
# yolon.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
# yolos.yaml (small)：小模型，适合实时任务。
# yolom.yaml (medium)：中等大小模型，兼顾速度和精度。
# yolob.yaml (base)：基本版模型，适合大部分应用场景。
# yolol.yaml (large)：大型模型，适合对精度要求高的任务。
 
from ultralytics import YOLO
 
model_path = 'pt/yolo12s.pt'
data_path = 'data.yaml'
 
if __name__ == '__main__':
    model = YOLO(model_path)
    results = model.train(data=data_path,
                          epochs=500,
                          batch=64,
                          device='0',
                          workers=0,
                          project='runs',
                          name='exp',
                          )

YOLO概述

YOLOv8

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。

YOLOv8 的主要特性

高级骨干和颈部架构： YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。
无锚点分离式 Ultralytics Head： YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
优化的准确性-速度权衡： YOLOv8 专注于在准确性和速度之间保持最佳平衡，适用于各种应用领域中的实时对象检测任务。
丰富的预训练模型: YOLOv8提供了一系列预训练模型，以满足各种任务和性能要求，使您更容易为特定用例找到合适的模型。

YOLOv10

YOLOv10 由清华大学研究人员基于 Ultralytics Python构建，引入了一种新的实时目标检测方法，解决了先前 YOLO 版本中存在的后处理和模型架构缺陷。通过消除非极大值抑制 (NMS) 并优化各种模型组件，YOLOv10 以显著降低的计算开销实现了最先进的性能。大量实验表明，它在多个模型尺度上都具有卓越的精度-延迟权衡。

概述

实时目标检测旨在以低延迟准确预测图像中的对象类别和位置。YOLO 系列因其在性能和效率之间的平衡而一直处于这项研究的前沿。然而，对 NMS 的依赖和架构效率低下阻碍了最佳性能。YOLOv10 通过引入用于无 NMS 训练的一致双重分配和整体效率-准确性驱动的模型设计策略来解决这些问题。

架构

YOLOv10 的架构建立在之前 YOLO 模型优势的基础上，同时引入了几项关键创新。该模型架构由以下组件组成：

骨干网络：负责特征提取，YOLOv10 中的骨干网络使用增强版的 CSPNet (Cross Stage Partial Network)，以改善梯度流并减少计算冗余。
Neck：Neck 的设计目的是聚合来自不同尺度的特征，并将它们传递到 Head。它包括 PAN（路径聚合网络）层，用于有效的多尺度特征融合。
One-to-Many Head：在训练期间为每个对象生成多个预测，以提供丰富的监督信号并提高学习准确性。
一对一头部：在推理时为每个对象生成一个最佳预测，以消除对NMS的需求，从而降低延迟并提高效率。

主要功能

免NMS训练：利用一致的双重分配来消除对NMS的需求，从而降低推理延迟。
整体模型设计：从效率和准确性的角度对各种组件进行全面优化，包括轻量级分类 Head、空间通道解耦下采样和秩引导块设计。
增强的模型功能: 结合了大内核卷积和部分自注意力模块，以提高性能，而无需显着的计算成本。

YOLOv11

YOLO11 是 Ultralytics YOLO 系列实时目标检测器的最新迭代版本，它以前沿的精度、速度和效率重新定义了可能性。YOLO11 在之前 YOLO 版本的显著进步基础上，在架构和训练方法上进行了重大改进，使其成为各种计算机视觉任务的多功能选择。

主要功能

增强的特征提取: YOLO11 采用改进的 backbone 和 neck 架构，从而增强了特征提取能力，以实现更精确的目标检测和复杂的任务性能。
优化效率和速度： YOLO11 引入了改进的架构设计和优化的训练流程，从而提供更快的处理速度，并在精度和性能之间保持最佳平衡。
更高精度，更少参数： 随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度均值(mAP)，同时比 YOLOv8m 少用 22% 的参数，在不牺牲精度的情况下提高了计算效率。
跨环境的适应性： YOLO11 可以无缝部署在各种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统，从而确保最大的灵活性。
广泛支持的任务范围： 无论是目标检测、实例分割、图像分类、姿势估计还是旋转框检测 (OBB)，YOLO11 都旨在满足各种计算机视觉挑战。

Ultralytics YOLO11 在其前代产品的基础上进行了多项重大改进。主要改进包括：

增强的特征提取： YOLO11 采用了改进的骨干网络和颈部架构，增强了特征提取能力，从而实现更精确的目标检测。
优化的效率和速度： 改进的架构设计和优化的训练流程提供了更快的处理速度，同时保持了准确性和性能之间的平衡。
更高精度，更少参数： YOLO11m 在 COCO 数据集上实现了更高的平均精度均值 (mAP)，同时比 YOLOv8m 少用 22% 的参数，在不牺牲精度的情况下提高了计算效率。
跨环境的适应性： YOLO11 可以部署在各种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统。
广泛支持的任务范围： YOLO11 支持各种计算机视觉任务，例如目标检测、实例分割、图像分类、姿势估计和旋转框检测 (OBB)。

YOLOv12

YOLO12引入了一种以注意力为中心的架构，它不同于之前YOLO模型中使用的传统基于CNN的方法，但仍保持了许多应用所需的实时推理速度。该模型通过在注意力机制和整体网络架构方面的新颖方法创新，实现了最先进的目标检测精度，同时保持了实时性能。尽管有这些优势，YOLO12仍然是一个社区驱动的版本，由于其沉重的注意力模块，可能表现出训练不稳定、内存消耗增加和CPU吞吐量较慢的问题，因此Ultralytics仍然建议将YOLO11用于大多数生产工作负载。

主要功能

区域注意力机制: 一种新的自注意力方法，可以有效地处理大型感受野。它将特征图分成 l 个大小相等的区域（默认为 4 个），水平或垂直，避免复杂的运算并保持较大的有效感受野。与标准自注意力相比，这大大降低了计算成本。
残差高效层聚合网络（R-ELAN）：一种基于 ELAN 的改进的特征聚合模块，旨在解决优化挑战，尤其是在更大规模的以注意力为中心的模型中。R-ELAN 引入：
- 具有缩放的块级残差连接（类似于层缩放）。
- 一种重新设计的特征聚合方法，创建了一个类似瓶颈的结构。
优化的注意力机制架构：YOLO12 精简了标准注意力机制，以提高效率并与 YOLO 框架兼容。这包括：
- 使用 FlashAttention 来最大限度地减少内存访问开销。
- 移除位置编码，以获得更简洁、更快速的模型。
- 调整 MLP 比率（从典型的 4 调整到 1.2 或 2），以更好地平衡注意力和前馈层之间的计算。
- 减少堆叠块的深度以改进优化。
- 利用卷积运算（在适当的情况下）以提高其计算效率。
- 在注意力机制中添加一个7x7可分离卷积（“位置感知器”），以隐式地编码位置信息。
全面的任务支持: YOLO12 支持一系列核心计算机视觉任务：目标检测、实例分割、图像分类、姿势估计和旋转框检测 (OBB)。
增强的效率: 与许多先前的模型相比，以更少的参数实现了更高的准确率，从而证明了速度和准确率之间更好的平衡。
灵活部署: 专为跨各种平台部署而设计，从边缘设备到云基础设施。

主要改进

增强的特征提取:
- 区域注意力: 有效处理大型感受野，降低计算成本。
- 优化平衡： 改进了注意力和前馈网络计算之间的平衡。
- R-ELAN：使用 R-ELAN 架构增强特征聚合。
优化创新：
- 残差连接：引入具有缩放的残差连接以稳定训练，尤其是在较大的模型中。
- 改进的特征集成：在 R-ELAN 中实现了一种改进的特征集成方法。
- FlashAttention: 整合 FlashAttention 以减少内存访问开销。
架构效率:
- 减少参数：与之前的许多模型相比，在保持或提高准确性的同时，实现了更低的参数计数。
- 简化的注意力机制：使用简化的注意力实现，避免了位置编码。
- 优化的 MLP 比率：调整 MLP 比率以更有效地分配计算资源。

前端代码展示

登录界面一小部分代码：

<template>
	<div class="login-container">
		<!-- 农业背景 -->
		<div class="agriculture-background">
			<!-- 水稻粒子 -->
			<div class="rice-particles">
				<div class="particle" v-for="n in 25" :key="`particle-${n}`" :style="getParticleStyle(n)">
					<div class="particle-glow"></div>
				</div>
			</div>
			
			<!-- 病害波纹 -->
			<div class="disease-ripples">
				<div class="ripple" v-for="n in 6" :key="`ripple-${n}`" :style="getRippleStyle(n)"></div>
			</div>
			
			<!-- 检测网格 -->
			<div class="detection-grid">
				<div class="grid-node" v-for="n in 20" :key="`node-${n}`" :style="getNodeStyle(n)">
					<div class="node-pulse"></div>
				</div>
			</div>
			
			<!-- 病害图标云 -->
			<div class="disease-cloud">
				<div class="disease-icon" v-for="n in 10" :key="`icon-${n}`" :style="getIconStyle(n)">
					{{ getRandomDiseaseIcon() }}
				</div>
			</div>
			
			<!-- 扫描线 -->
			<div class="scan-lines">
				<div class="scan-line" v-for="n in 4" :key="`scan-${n}`" :style="getScanStyle(n)">
					<div class="scan-path"></div>
				</div>
			</div>
			
			<!-- 水稻田背景 -->
			<div class="rice-field">
				<div class="rice-plant" v-for="n in 15" :key="`plant-${n}`" :style="getRicePlantStyle(n)">
					<div class="plant-stem"></div>
					<div class="plant-leaves"></div>
				</div>
			</div>
		</div>

		<!-- 登录主容器 -->
		<div class="login-main">
			<!-- 检测系统容器 -->
			<div class="detection-container">
				<div class="detection-effect">
					<div class="scan-pulse"></div>
					<div class="detection-connections"></div>
				</div>
				
				<!-- 系统标志 -->
				<div class="system-brand">
					<div class="brand-icon">
						<div class="ai-icon">
							<div class="ai-structure">
								<div class="ai-outline"></div>
								<div class="leaf left"></div>
								<div class="leaf right"></div>
								<div class="ai-core"></div>
								<div class="scan-beam"></div>
							</div>
							<div class="ai-aura"></div>
						</div>
						<div class="icon-glow"></div>
					</div>
					<div class="brand-text">
						<h1 class="system-title">
							<span class="yolo-text">YOLO</span>
							<span class="rice-text">DeepSeek</span>
						</h1>
						<p class="system-subtitle">水稻病害智能检测系统</p>
						<p class="company-tag">深度学习 · 农业AI实验室</p>
					</div>
				</div>

				<!-- 登录面板 -->
				<div class="login-panel">
					<div class="panel-header">
						<div class="header-line"></div>
						<h2>系统访问认证</h2>
						<div class="header-line"></div>
					</div>
					
					<div class="panel-content">
						<el-form :model="ruleForm" :rules="registerRules" ref="ruleFormRef">
							<!-- 用户名输入 -->
							<el-form-item prop="username">
								<div class="input-field">
									<div class="field-icon">
										<div class="user-icon"></div>
									</div>
									<el-input 
										v-model="ruleForm.username" 
										placeholder="请输入农业研究员ID" 
										class="detection-input"
										size="large"
										@focus="onInputFocus"
										@blur="onInputBlur"
									/>
									<div class="field-glow"></div>
								</div>
								<div class="input-hint">农业研究员身份验证</div>
							</el-form-item>

							<!-- 密码输入 -->
							<el-form-item prop="password">
								<div class="input-field">
									<div class="field-icon">
										<div class="secure-icon"></div>
									</div>
									<el-input 
										v-model="ruleForm.password" 
										type="password" 
										placeholder="请输入系统访问密钥" 
										show-password
										class="detection-input"
										size="large"
										@focus="onInputFocus"
										@blur="onInputBlur"
									/>
									<div class="field-glow"></div>
								</div>
								<div class="input-hint">农业数据安全加密...</div>
							</el-form-item>

							<!-- 登录按钮 -->
							<el-form-item>
								<div class="login-action">
									<el-button 
										type="primary" 
										class="detection-btn"
										@click="submitForm(ruleFormRef)"
										@mouseenter="onBtnHover"
										@mouseleave="onBtnLeave"
									>
										<div class="btn-content">
											<div class="btn-text">
												<span class="text-main">启动病害检测</span>
												<span class="text-sub">DISEASE SCAN</span>
											</div>
											<div class="btn-scan">
												<div class="scan-dot"></div>
												<div class="scan-dot"></div>
												<div class="scan-dot"></div>
											</div>
										</div>
										<div class="btn-energy"></div>
										<div class="btn-particles">
											<div class="particle" v-for="n in 3" :key="`btn-particle-${n}`"></div>
										</div>
									</el-button>
									
									<div class="system-status">
										<div class="status-indicator">
											<div class="status-dot active"></div>
											<span>检测系统就绪</span>
										</div>
										<div class="status-info">
											<span>v3.1.2 • YOLO深度学习模式</span>
										</div>
									</div>
								</div>
							</el-form-item>
						</el-form>

						<!-- 辅助选项 -->
						<div class="panel-options">
							<router-link to="/register" class="option-link">
								<div class="link-icon">
									<div class="neural-plus"></div>
								</div>
								<span>注册研究员身份</span>
								<div class="link-trail"></div>
							</router-link>
						</div>
					</div>
				</div>

				<!-- 系统信息 -->
				<div class="system-info">
					<div class="info-grid">
						<div class="info-item">
							<div class="info-icon disease-icon-info"></div>
							<div class="info-content">
								<span class="info-label">病害类型</span>
								<span class="info-value">3类</span>
							</div>
						</div>
						<div class="info-item">
							<div class="info-icon accuracy-icon"></div>
							<div class="info-content">
								<span class="info-label">检测精度</span>
								<span class="info-value">98.2%</span>
							</div>
						</div>
						<div class="info-item">
							<div class="info-icon speed-icon"></div>
							<div class="info-content">
								<span class="info-label">处理速度</span>
								<span class="info-value">45ms</span>
							</div>
						</div>
					</div>
				</div>
			</div>
		</div>

		<!-- 背景装饰元素 -->
		<div class="background-elements">
			<!-- 病害数据流 -->
			<div class="disease-stream">
				<div class="data-flow" v-for="n in 6" :key="`flow-${n}`" :style="getStreamStyle(n)">
					<span v-for="i in 12" :key="`data-${n}-${i}`">
						{{ getRandomDiseaseLabel() }}
					</span>
				</div>
			</div>
			
			<!-- 浮动检测标签 -->
			<div class="floating-labels">
				<div class="floating-label" v-for="n in 8" :key="`label-${n}`" :style="getLabelStyle(n)">
					{{ ['稻瘟病','纹枯病','白叶枯','褐斑病','稻曲病','恶苗病','叶鞘腐败','胡麻斑'][Math.floor(Math.random() * 8)] }}
				</div>
			</div>
			
			<!-- 检测框 -->
			<div class="detection-boxes">
				<div class="detection-box" v-for="n in 4" :key="`box-${n}`" :style="getBoxStyle(n)">
					<div class="box-label">检测中...</div>
				</div>
			</div>
		</div>
	</div>
</template>

后端代码展示

详细功能展示视频

基于YOLO和DeepSeek的水稻病害识别检测系统（web界面+YOLOv8/YOLOv10/YOLOv11/YOLOv12+前后端分离+python）_哔哩哔哩_bilibili

https://www.bilibili.com/video/BV17wFzzsEyB/

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

DeepSpeed v0.18.9 正式发布！AutoTP 全面增强、ZeRO 与 SuperOffload 深度优化，大模型训练再升级

DeepSpeed v0.18.9作为一次迭代型版本更新，聚焦于功能增强、兼容性修复、稳定性提升、生态适配四大核心方向，所有变更均围绕大模型分布式训练的实际痛点展开，无破坏性变更，适合所有使用DeepSpeed的开发者升级。AutoTP能力全面升级，通用Checkpoint与HuggingFace tp_plan支持，大幅降低自动张量并行使用门槛；硬件与环境适配优化，支持自定义环境变量、多平台GP

AtomGit开源社区

栈（Stack）的数组与链表实现

AtomGit开源社区

学Simulink——基于Simulink的多电机功率分配能效优化

阐述了多电机能效优化的物理意义与数学模型在 Simulink 中实现了基于效率MAP的实时功率分配验证了其在标准工况下的节能效果（+4~5%续航）提供了工程落地的关键考量特斯拉 Model Y（双电机能效模式）蔚来 ET7（智能功率分配）小鹏 G9（XPower 3.0）核心思想“以数据洞察效率，以算法驾驭功率；化冗余之耗，为续航之源。—— 让每一瓦电能都物尽其用。