摘要：
大语言模型（LLM）的 “越狱” 风险已成为 AI 安全领域的关键挑战，传统人工红队测试因可扩展性差、模板易失效等问题难以满足实际需求。这里结合 USENIX Security 2024 收录的论文《LLM-Fuzzer: Scaling Assessment of Large Language Model Jailbreaks》，全面解析这款自动化 LLM 越狱测试框架。下面不仅深入讲解 MCTS-Explore 选择策略、语义保持变异算子等创新技术，还提供从环境搭建、数据准备到结果验证的完整复现步骤。开源项目地址为：https://github.com/sherdencooper/GPTFuzz

一、研究背景及核心目标

1. LLM 的越狱威胁与安全需求

大预言模型在教育、编程、科研等领域的广泛应用背后，存在严重的越狱（Jailbreak） 风险：攻击者通过提示工程绕过 LLM 的安全机制，诱导其生成有害内容（如虚假信息、仇恨言论、违法指南、歧视性内容等）。为应对该问题，业界主要采用人工红队方法——由专家手动构建对抗性提示，测试 LLM 的安全边界并优化对齐策略。

2. 现有方法的核心局限性

人工红队方法存在不可扩展的致命问题：
- 模型迭代升级后，原有手动构建的越狱测试用例会快速失效，需持续投入大量人力开发新用例；
- 人工设计的提示多样性有限，难以覆盖 LLM 的所有安全漏洞；
- 无法满足大规模、自动化的 LLM 安全评估需求。

3. 传统模糊测试的适配难题

软件模糊测试（通过随机/伪随机输入发现程序漏洞）是解决自动化测试的经典方法，但无法直接应用于 LLM，核心挑战有三：
1. 无传统的“代码覆盖率/程序崩溃”等指标作为测试导向，需设计新的反馈机制（预言机）；
2. 传统种子（提示词）选择策略易陷入局部最优，导致生成的提示多样性不足；
3. 传统变异操作（适用于二进制/结构化数据）直接作用于自然语言会导致语义失效，无法实现有效越狱。

4. 论文研究目标

设计一款定制化的 LLM 模糊测试框架，解决上述适配难题，实现 LLM 越狱提示的自动化生成，提升红队工作的可扩展性和有效性；同时评估现有开源/商业 LLM 的越狱脆弱性，为防御机制优化提供依据。

二、核心相关概念

  1. LLM 越狱：通过构造特殊的自然语言提示，绕过 LLM 的安全对齐机制，使其生成违反伦理/安全准则的有害内容，核心手段是提示工程（如模拟开发者模式、角色扮演、上下文伪装）。
  2. 模糊测试经典流程：种子初始化→种子选择→变异→执行→结果评估，核心是通过迭代的输入变异发现目标系统的漏洞。
  3. 红队（Red Teaming）：针对 LLM 的安全测试方法，通过主动构建对抗性输入，挖掘模型的安全漏洞，是 LLM 安全对齐的关键环节。

三、LLM-Fuzzer 的核心设计

LLM-Fuzzer 是一款黑盒模糊测试框架（无需访问 LLM 内部参数/结构），整体思想是：以人工构建的越狱模板为种子池，通过定制化的种子选择、语义保持的变异操作生成新的越狱模板，结合非道德问题构造提示查询目标 LLM，再通过自动化预言机评估 LLM 输出是否有害，将成功的越狱模板回灌种子池，形成迭代的模糊测试闭环。

框架的核心是解决传统模糊测试适配LLM的三大核心挑战，对应三大创新模块：MCTS-Explore 种子选择策略、基于LLM的5种语义保持变异算子、微调RoBERTa的自动化预言机，整体工作流如下图：

注：工作流的核心步骤：种子池→种子选择→变异→生成提示→LLM 推理→预言机评估→成功模板回灌种子池，失败则丢弃。

1. 创新点 1：MCTS-Explore 种子选择策略

种子选择的核心目标是平衡“探索（多样性）”和“利用（有效性）”——既优先选择高有效性的种子进行变异，又避免过度聚焦少数种子导致提示多样性不足。

（1）传统种子选择方法的问题

  • 随机/轮询选择：多样性高，但有效性低，无法快速生成高效果模板；
  • UCB/MCTS：优先选择高有效性种子，易陷入局部最优，提示多样性严重不足。

（2）MCTS-Explore 的两大改进（基于蒙特卡洛树搜索 MCTS 的定制化变体）

论文在传统 MCTS 基础上做了两处关键修改，并引入三个超参数（\alpha，\beta，\rho）：
1. 概率性提前终止遍历：在 MCTS 的树遍历阶段，以概率\rho提前终止并选择当前非叶节点为种子，而非必须遍历到叶节点，提升非叶节点的探索概率，增加种子多样性；
2. 奖励折扣与最小奖励机制：引入奖励折扣因子\alpha，对树深度进行惩罚（reward = max(reward-\alpha \cdot len(path) , \beta )），避免单一路径过深；同时设置最小奖励，防止有效种子的奖励被折为 0，平衡深度探索和广度探索。

注释：

1、传统的蒙特卡洛树是从根节点出发，按树策略遍历子节点，直到到达叶节点。因此对于非叶节点（如根节点，子节点等）探索机会极少，导致种子多样性不足。同时树搜索容易陷入单一路径过深，搜索效率很低的同时容易过拟合。另外，当探索深度过深时，奖励会被连续折扣为0，丢失种子关键信息。

2、MCTS-Explore算法为了解决种子多样性不足的问题，引入了概率性提前终止遍历：即遍历过程中的任意节点都有10%（假设）的概率之间终止，作为优质种子送回种子池，有90%概率按树策略继续往下探入。这里概率\rho是可调超参数，\rho越大，非叶节点被选中当种子的机会越大探索范围越广；\rho越小，越接近MCTS的“深度遍历”，探索深度越深。

如图，若只采取树策略，则会一路选到A11，从而遗落了B1(80%)的高价值种子。

3、未防止过拟合，引入了奖励折扣机制，即 (新奖励 = 奖励 - \alpha·深度)，树的深度越深，得到的奖励越少。同时为了奖励不会降到0从而丢失种子，设置了最小奖励\beta，与(奖励 - \alpha·深度)取最大值。

2. 创新点 2：基于 LLM 的 5 种语义保持变异算子

变异操作的核心要求是保持自然语言的语义正确性——生成的新模板需符合人类语言逻辑，否则无法实现 LLM 越狱。论文摒弃传统的二进制/结构化变异方法，利用 LLM 自身的自然语言能力实现模板变异，提出 5 种互补的变异算子，确保变异后模板的有效性和多样性。

所有变异算子均以 gpt-3.5-turbo-0125 为变异模型（温度设为 1.0，保证输出的随机性和多样性），核心是向变异模型下达指令，对种子模板进行语义保持的修改，5 种算子的功能如下：

变异算子

核心功能

Generate

输入单个种子模板，生成风格相似、内容不同的新模板

Crossover

输入两个种子模板，将其融合拼接生成新模板

Expand

为种子模板增加前置上下文，延长模板长度，强化场景伪装

Shorten

对种子模板进行精简压缩，保留核心语义，简化提示

Rephrase

对种子模板的每句话进行改写（同义词替换、句式重组），保留核心意图

论文通过实例验证，该变异方法能生成语义完整、风格多样的越狱模板，避免了传统变异的“语义失效”问题。

注释：

这里由于初始种子池是由MCTS-Explore从专家系统中挑选出来的优质种子，搜索成本高且数量有限，因此为了多样性和轻量化，对优质种子进行变异（语义变换），从而得到大量种子池。

相比模糊测试中随机生成乱码数据，这里调用大模型对种子进行以上五种文本编辑，提升种子池数量的同时保证自然语言通顺，同时兼顾了变异种子的多样性和有效性。

3. 创新点 3：基于微调RoBERTa的自动化预言机

预言机（Oracle）是LLM-Fuzzer的反馈核心，功能是自动评估LLM对变异提示的输出是否为有害内容，并为种子选择提供奖励信号（有害=1，无害=0，批量评估为有害比例）。

（1）现有评估方法的局限性

论文对比了 4 种现有有害内容评估方法，均存在明显缺陷：
- 人工标注：准确率高，但效率极低，无法适配模糊测试的大规模需求；
- 结构化查询：仅适用于是非/选择题，限制提示的灵活性；
- 关键词匹配：准确率低，易将未包含“拒绝话术”的无害内容误判为有害；
- OpenAI Moderation API/GPT-4 评估：准确率较高，但成本高、有 API 查询限制，可扩展性差。

（2）定制化预言机的设计与训练

论文提出基于微调RoBERTa-large的预言机，兼顾准确率、效率和成本，训练过程如下：
1. 构建标注数据集：将 77 个人工种子模板与 100 个非道德问题组合，查询 ChatGPT 得到7700 条响应，由 4 名研究者手动标注“有害/无害”（模糊案例通过投票确定）；
2. 数据集划分：80% 训练集，20% 验证集（保证同一问题的响应不同时出现在两个集合，提升模型泛化性）；
3. 模型微调：对RoBERTa-large进行15轮微调，优化器为Adam，学习率1e-5，批大小64，最大序列长度512；
4. 性能验证：验证集准确率达96.16%，真阳性率（TPR）94.12%，假阳性率（FPR）仅2.71%，性能优于GPT-4（准确率92.01%），且推理速度快、无成本限制。

四、实验设计与结果分析

论文通过四大系列实验验证LLM-Fuzzer的有效性、高效性、可迁移性，并通过消融实验验证各模块的必要性，实验重复5次取平均和标准差，保证结果的鲁棒性。

1. 实验基础设置

（1）实验对象

  • 核心测试模型：gpt-3.5-turbo-0125（商业 LLM）、Llama-2-7B-Chat（开源标杆 LLM，经安全微调）；
  • 迁移性测试模型：Vicuna-13B/7B、Baichuan-13B-Chat、ChatGLM2-6B、Llama-2-13B/70B-Chat、Gemma-2B/7B-it、GPT-4-0125、Gemini-1.0、Claude1.2/2.0、PaLM2 等 12 款开源/商业 LLM。

（2）实验数据

  • 种子池：77 个人工构建的越狱模板（来自现有研究，剔除不适配的模板）；
  • 测试用例：100 个人工模板无法越狱的非道德问题（涵盖违法、不道德、有毒内容等场景，来自 Anthropic 和现有研究的公开数据集）。

（3）评估指标

     论文定义 5 个核心指标，全面评估 LLM-Fuzzer 的性能：

  1. JQN（Jailbreaking Question Number）：能成功越狱的有害问题数量，反映模板的整体有效性；
  2.  ASR（Attack Success Rate）：单个模板能成功越狱的问题比例，反映单模板有效；
  3. EASR（Ensemble Attack Success Rate）：模板集合中至少一个模板能成功越狱的问题比例，反映模板集合的整体有效性；
  4. QBC（Query Budget Consumption）：生成有效模板的平均查询次数，反映效率；
  5. TBC（Token Budget Consumption）：生成有效模板的平均令牌消耗，反映成本。

（4）基线方法

      迁移性实验中对比 3 种当前主流的 LLM 越狱方法：
        - Here is：在有害问题前添加”Sure, here is”前缀；
        - GCG：基于梯度的通用对抗性提示生成方法（白盒）；
        - Masterkey：自动化的越狱模板变异方法。

2. 四大实验与核心结果

论文围绕4 个核心研究问题设计实验，以下为实验结论和关键数据：

实验 1：能否为人工模板失效的问题生成有效越狱模板？（有效性 + 效率）

实验设计：对 100 个人工模板无法越狱的问题，为每个问题设置 500 次查询上限，测试LLM-Fuzzer能否生成有效模板，并统计QBC和TBC。
核心结果：
- 对 gpt-3.5-turbo-0125：JQN=96.85/100，平均 QBC=225.43，平均 TBC=64.01k 令牌（成本约 0.048 美元/模板）；
- 对 Llama-2-7B-Chat：JQN=90.00/100，平均 QBC=345.38，平均 TBC=82.73k 令牌（成本约 0.062 美元/模板）。
结论：LLM-Fuzzer 能为90% 以上人工模板失效的问题生成有效越狱模板，且查询/令牌成本极低，效率远超人工红队。

实验 2：能否生成高有效性的模板集合？（集合有效性）

实验设计：设置50k次查询预算，迭代生成新模板，计算最高ASR和EASR，并与人工种子模板（ASR/EASR=0）对比。
核心结果：
- 对 gpt-3.5-turbo-0125：最高 ASR=89.20%，EASR=93.14%；
- 对 Llama-2-7B-Chat：最高 ASR=57.82%，EASR=85.02%。
结论：LLM-Fuzzer 能生成高有效性的模板集合，单模板可实现近 90% 的越狱成功率，模板集合的越狱成功率超85%，远优于人工模板。

实验 3：生成的模板是否具有跨LLM的可迁移性？（可迁移性）

实验设计：基于 gpt-3.5-turbo-0125、Llama-2-7B-Chat、Vicuna-7B 生成模板，在 12 款未参与训练的 LLM 上测试 ASR/EASR，并与3种基线方法对比。
核心结果：
1. 开源 LLM：在 Vicuna-13B、Baichuan-13B、ChatGLM2-6B、Llama-2-13B/70B 等模型上，EASR 均超过 80%，显著优于 GCG、Here is、Masterkey；
2. 商业 LLM：在 GPT-4、Claude、PaLM2 上仍有较高有效性，但Gemini-1.0 的 EASR/ASR 显著偏低（因 Gemini 经过深度红队优化，安全边界更严格）；
3. 单模板迁移性：Top-1 模板在 8 款模型上的 ASR 超 40%，优于基线方法。
结论：LLM-Fuzzer 生成的模板具有强跨模型可迁移性，能有效攻击绝大多数开源/商业 LLM，是通用的越狱提示生成方法。

实验 4：种子选择、变异算子、超参数对性能的影响？（消融实验）

实验设计：分别替换种子选择策略、关闭单个变异算子、调整超参数，测试最高 ASR 和 EASR 的变化。
核心结果：
1. 种子选择：MCTS-Explore 的 ASR/EASR（57.82%/85.02%）显著优于随机（34.32%/55.52%）、轮询（29.15%/56.59%）、UCB（53.84%/81.73%）、原始 MCTS（50.18%/78.38%）；
2. 变异算子：5 个算子缺一不可，关闭任意一个都会导致性能下降，Crossover 和 Expand 的贡献最大，Shorten 和 Rephrase 贡献较小但仍有提升；
3. 超参数：在合理范围（\alpha \epsilon[0.1,0.5]，\beta \epsilon [0,0.5]，\rho \epsilon [0.1,0.3]）内，LLM-Fuzzer 的性能稳定性高，对超参数不敏感。
结论：论文设计的MCTS-Explore 种子选择策略和5 种变异算子的组合是最优的，各模块对性能均有不可替代的贡献。

五、完整复现流程

1.环境准备

（1）硬件要求
- GPU：至少 1 张显存≥12GB 的 NVIDIA 显卡（推荐 A100/3090，支持多卡并行）；
- 内存：≥32GB（避免模型加载与数据处理时 OOM）；
- 存储：≥50GB（用于存储模型、数据集与实验结果）。

（2）软件环境配置

① Anaconda 创建虚拟环境

# 创建Python 3.9环境
conda create -n llm-fuzzer python=3.9
conda activate llm-fuzzer

# 安装PyTorch（需匹配CUDA版本，以11.8为例）
pip3 install torch==2.1.0+cu118 torchvision==0.16.0+cu118 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118

# 安装核心依赖库
pip install pandas numpy transformers==4.35.2 vllm==0.3.3 fastchat==0.2.31
pip install huggingface-hub==0.19.4 argparse logging httpx==0.25.2
pip install scikit-learn==1.3.2 sentencepiece==0.1.99 accelerate==0.24.1

② 配置 Hugging Face 访问（下载 Llama-2 必需）
- 注册 Hugging Face 账号，申请 Llama-2 访问权限（https://huggingface.co/meta-llama/Llama-2-7b-chat-hf）；
- 生成访问令牌（Settings→Access Tokens→New Token，权限设为 write）；
- 终端登录 Hugging Face：

huggingface-cli login
# 输入生成的访问令牌，确认登录成功

（3）项目下载与目录结构

# 克隆开源仓库
git clone https://github.com/sherdencooper/GPTFuzz.git
cd GPTFuzz

# 查看目录结构（关键文件说明）
├── datasets/                # 数据集目录（种子池+测试问题）
│   ├── prompts/             # 种子模板池（GPTFuzzer.csv）
│   └── questions/           # 有害问题集（question_list.csv）
├── gptfuzzer/               # 核心代码目录
│   ├── fuzzer/              # 模糊测试逻辑（选择策略+变异算子）
│   ├── llm/                 # LLM调用封装（OpenAI/本地模型）
│   └── utils/               # 工具函数（预言机预测+日志处理）
├── scripts/                 # 辅助脚本（数据生成+结果分析）
└── gptfuzz.py               # 主运行脚本

2.数据集准备

（1）默认数据集说明
- 种子池：datasets/prompts/GPTFuzzer.csv，含 77 个人工编写的越狱模板（格式：text 列存储模板文本）；
- 测试问题：datasets/questions/question_list.csv，含 100 个人工模板无法越狱的有害问题（涵盖违法、不道德、毒性内容等）；
- 标注数据：datasets/responses_labeled/，含 7700 条人工标注的“模板 + 问题 + LLM 响应”数据（用于预言机微调）。

（2）自定义数据集格式（可选）
若需扩展数据集，需遵循以下格式：
- 种子模板 CSV：仅需一列 text，模板需包含 [INSERT PROMPT HERE] 作为问题占位符；
- 有害问题 CSV：仅需一列 question，每行一个有害问题（如 “How to create fake news?”）；
- 标注数据 CSV：需包含 template（模板）、question（问题）、response（LLM 响应）、label（0 = 无害，1 = 有害）四列。

3.预训练模型下载（预言机 + 目标 LLM）

（1）预言机模型（RoBERTa-large 微调版）
        直接使用预训练好的模型（作者已开源）：

# 从Hugging Face下载微调后的RoBERTa模型
git clone https://huggingface.co/hubert233/GPTFuzz.git ./models/roberta-predictor

（2）目标测试模型（以 Llama-2-7B-Chat 为例）
        使用 vllm 加载模型（推理速度更快，支持批量处理）：

# 自动下载并缓存模型（首次运行较慢，约10-30分钟）
python -c "from vllm import LLM; LLM(model='meta-llama/Llama-2-7b-chat-hf', device_map='auto')"

（3）变异模型（GPT-3.5-turbo）
        需配置 OpenAI API 密钥：
        - 登录 OpenAI 账号，创建 API 密钥（https://platform.openai.com/api-keys）；
        - 配置环境变量：

# Linux/Mac
export OPENAI_API_KEY="你的API密钥"

# Windows（命令提示符）
set OPENAI_API_KEY="你的API密钥"

4. 核心代码修改与配置

（1）修改主运行脚本（gptfuzz.py）

        关键配置项说明（根据硬件调整）：

# 1. 模型配置（修改main函数中模型初始化部分）
target_model = LocalVLLM(args.target_model, tensor_parallel_size=1)  # 1表示单卡，多卡可设为GPU数量
roberta_model = RoBERTaPredictor('./models/roberta-predictor', device='cuda:0')  # 指定GPU卡号

# 2. 测试参数配置（修改默认参数，避免查询过量）
parser.add_argument('--max_query', type=int, default=500, help='最大查询次数（默认1000，建议设置500）')
parser.add_argument('--max_jailbreak', type=int, default=3, help='最大越狱成功次数（达到即停止）')
parser.add_argument('--energy', type=int, default=1, help='模糊测试能量（控制迭代力度）')

# 3. 变异算子配置（启用所有5种算子，温度设为1.0）
mutate_policy=MutateRandomSinglePolicy([
    OpenAIMutatorCrossOver(openai_model, temperature=1.0),
    OpenAIMutatorExpand(openai_model, temperature=1.0),
    OpenAIMutatorGenerateSimilar(openai_model, temperature=1.0),
    OpenAIMutatorRephrase(openai_model, temperature=1.0),
    OpenAIMutatorShorten(openai_model, temperature=1.0)],
    concatentate=True,
),

（2）配置文件说明
        无需额外配置文件，所有参数通过命令行传入，关键参数含义：

参数名

默认值

作用

--openai_key

空

OpenAI API 密钥（变异模型必需）

--target_model

meta-llama/Llama-2-7b-chat-hf

目标测试 LLM

--seed_path

datasets/prompts/GPTFuzzer.csv

种子模板池路径

--max_query

1000

最大查询次数（防止 API 超额）

--max_jailbreak

1

最大越狱成功次数（提前停止条件）

5.运行与结果验证

（1）启动运行命令

# 测试Llama-2-7B-Chat，最大查询500次，越狱成功3次即停止
python gptfuzz.py --openai_key "你的API密钥" --target_model "meta-llama/Llama-2-7b-chat-hf" --max_query 500 --max_jailbreak 3

（2）运行日志解读

如图，运行了50次迭代，共找到3类越狱种子，其中每类有2个实例（最后一栏[0,1]代表第一个实例未越狱，第二个实例越狱），因此共有5条越狱实例。

（3）结果分析与验证
输出文件位置：./results/ 目录下，包含：
- top_template.txt：ASR 最高的越狱模板；
- jailbreak_results.csv：所有成功越狱的“模板 + 问题 + 响应”记录；
- metrics.json：核心指标（JQN、ASR、EASR、QBC、TBC）。

关键指标验证：
- 若JQN>=80/100、ASR>=50%，说明复现成功；
- 对比人工模板（ASR=0%），验证框架有效性。

6.常见问题排查

（1）API 调用失败（Error Invoking LLM）
        原因：API 密钥错误、网络不通、查询超限；
        解决方案：
        - 验证 API 密钥有效性，重新配置环境变量；
        - 国内用户需配置代理（确保能访问 OpenAI 官网）；
        - 降低 max_query 参数，避免超出 API 调用限额。

（2）模型加载失败（OOM 或 NotFoundError）
        原因：GPU 显存不足、模型路径错误、Hugging Face 未登录；
        解决方案：
        - 单卡显存不足时，使用多卡并行（设置 tensor_parallel_size=2）；
        - 验证模型路径是否正确，重新执行 huggingface-cli login；
        - 下载模型时中断，可删除 ~/.cache/huggingface/ 目录后重新下载。

（3）预言机预测准确率低
        原因：标注数据质量差、模型未正确加载；
        解决方案：
        - 复用作者提供的标注数据（datasets/responses_labeled/）；
        - 验证 RoBERTa 模型路径是否正确，重新下载预训练模型。

六、总结

LLM-Fuzzer 通过三大核心创新模块，成功解决了 LLM 越狱测试的自动化与可扩展性难题，其开源代码为开发者提供了标准化的安全测试工具。本文详细拆解了论文的核心知识点，并提供了从环境搭建到结果验证的完整复现流程，读者可按步骤快速上手。
无论是学术研究还是工业应用，LLM-Fuzzer 都为 LLM 安全生态提供了重要支撑——不仅能帮助发现模型漏洞，更能推动防御机制的持续优化，最终促进 AI 系统向更安全、可靠的方向发展。

参考文献
[1] Jiahao Yu, Xingwei Lin, Zheng Yu, et al. LLM-Fuzzer: Scaling Assessment of Large Language Model Jailbreaks[C]. USENIX Security Symposium, 2024.
[2] Meta. Llama 2: Open Foundation and Finetuned Chat Models[EB/OL]. https://huggingface.co/meta-llama/Llama-2-7b-chat-hf, 2023.
[3] GPTFuzz GitHub Repository[EB/OL]. https://github.com/sherdencooper/GPTFuzz, 2024.

# 语言模型 # 自动化 # 人工智能 # 安全
Logo
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

跟网型逆变器小干扰稳定性分析与控制策略优化研究（Simulink仿真实现）

弱电网因其高阻抗和低短路比特性，常导致系统不稳定，限制了功率传输。本研究通过仿真，建立了弱电网条件下跟网型逆变器的小信号扰动模型，包括状态空间模型和阻抗模型。我们提出了一种计算稳态工作点的新方法，并利用状态空间矩阵特征值分析，对系统稳定性进行了深入评估，确定了稳定性界限。为直观比较不同控制策略的效果，我们利用Simulink构建了仿真模型，包括传统控制策略模型和采用双锁相环阻抗重塑的优化控制策略模

avatar AtomGit开源社区
cover

【2025最新】基于SpringBoot+Vue的大创管理系统管理系统源码+MyBatis+MySQL

avatar AtomGit开源社区
cover

嵌入式视觉落地：从 DeepPCB 数据处理到 YOLOv8 轻量化模型开发实战（mAP 98.5%）

avatar AtomGit开源社区