YOLO（You Only Look Once）是一种目标检测算法，其特点是速度快且准确率高。在进行YOLO的落地部署时，需要考虑以下几个方面： 1. 硬件选择：为了实现实时目标检测，需要选择适合的硬件设备。通常情况下，使用GPU可以加速YOLO的推理过程。 2. 模型训练与转换：首先，需要使用标注好的数据集对YOLO模型进行训练。训练完成后，将模型转换为适合部署的格式，如TensorRT、OpenVINO等。 3. 模型优化：为了提高YOLO的推理速度，可以进行模型优化。例如，使用剪枝技术减少模型参数量、使用量化技术减少模型的存储空间和计算量等。 4. 推理引擎选择：选择适合的推理引擎进行部署。常用的推理引擎有TensorRT、OpenVINO、NCNN等，它们可以针对不同硬件平台进行优化。 5. 输入数据预处理：在进行目标检测之前，需要对输入图像进行预处理，如图像缩放、归一化等操作。 6. 后处理与结果展示：在得到目标检测结果后，可以进行后处理操作，如非极大值抑制（NMS）来去除冗余的检测框。最后，将结果展示在图像或视频上。

主要使用算法： maxmin 极大极小值搜索 alphabeta 剪枝算法( 与阿尔法围棋 AlphaGo 一样的算法 )，可进行 AI 人机对决。 注：使用AI算法比较复杂，1500+的代码计算起来会很慢。使用turbowarp编译可以大幅度提升速度（大约快15倍左右）! 操作：【Q】查看日志，【R】开外挂( 作弊按键 )。 此后仍有作品或有趣游戏，请关注原作者，且点赞加收藏，记得推荐好友。下载即可游玩，快来下载吧！

代码参考自中国大学mooc上人工智能与信息社会陈斌老师的算法，我在原来的基础上增加了玩家输入的异常捕获 AlphaBeta剪枝算法是对Minimax方法的优化，能够极大提高搜索树的效率，如果对这个算法感兴趣的可以去参考相关资料。

对于基于回溯法解决的TSP问题可以由下图简单说明：一条边代表了选择的下一个城市，可以看到问题的本质是对解空间树的遍历搜索，找到一条这样的路径：从根结点到某一叶节

python实现采用Alpha-Beta剪枝搜索实现黑白棋AI源码（人工智能期末作业）.zip 黑白棋 实验要求： 使用 『最小最大搜索』、『Alpha-Beta 剪枝搜索』 或 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi（三种算法择一即可）。 使用 Python 语言。 算法部分需要自己实现，不要使用现成的包、工具或者接口。 Result： 实现 AIPlayer 类，采用 Alpha-Beta 剪枝搜索实现黑白棋 AI

α-β剪枝实现的一字棋

人机对战,MFC写的,基本功能都有,可以直接运行.

课程大作业,有详细设计文档.:-)

通过jueceshu.py建立一棵决策树，再通过main.py从17个样本中每次随机抽取11个样本建立1棵决策树，一共建立3个决策树，再统计每棵决策树的预测结果，选取出现结果最多的类别为最终结果。参考了一些博客，但是他们的预测函数有点问题，不能采用自己的数据集，于是我改进了一下，条件是：预测样本必须满足样本集包括的前6个特征。也可不以西瓜为数据集。

c# winform实现井字棋小游戏，可选择人机对战或双人对战，以及谁先谁后。博弈算法使用一层最小最大算法，可实现不输。

yolov5网络剪枝代码

运行顺序： 1. 原始训练，得到一个最优mAP等评价指标 2.通过调整BN稀疏值sr，运行train_sparity.py稀疏训练得到一个稍微小的模型 3. 将训练好的last.pt 放到prune.py 中进行剪枝，控制剪枝率； 4. Finetune得到最优模型