本文分享飞桨常规赛PALM眼底彩照黄斑中央凹定位11月第1名方案。介绍赛事与数据后，详述自定义数据集读取、新数据增强方法，给出具体实现代码，包括数据处理、模型组网、训练评估等，还提及结果投票集成，最后总结改善方向与飞桨使用建议。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
榜首个人主页，戳此处查看
PALM黄斑定位常规赛的重点是研究和发展与患者眼底照片黄斑结构定位相关的算法。该常规赛的目标是评估和比较在一个常见的视网膜眼底图像数据集上定位黄斑的自动算法。具体目的是预测黄斑中央凹在图像中的坐标值。
中央凹是视网膜中辨色力、分辨力最敏锐的区域。以人为例，在视盘颞侧约3.5mm处，有一黄色小区，称黄斑，其中央的凹陷，就是中央凹。中央凹的准确定位可辅助医生完成糖尿病视网膜、黄斑变性等病变的诊断。
（1）飞桨常规赛面向全社会公开报名，直至赛题下线；
（2）飞桨常规赛不设初赛、复赛，以当月每位参赛选手提交的最优成绩排名。每月竞赛周期为本月 1 日至本月最后 1 日；
（3）比赛期间选手每天最多可提交 5 次作品（预测结果+原始代码），系统自动选取最高成绩作为榜单记录；
（4）每个月 1-5 日公布上一个月总榜。当月排名前10 且通过代码复查的选手可获得由百度飞桨颁发的荣誉证书。对于初次上榜的参赛选手，还可额外获得1份特别礼包（1个飞桨周边奖品+ 100小时GPU算力卡）。工作人员将以邮件形式通知上一月排名前10的选手提交材料供代码复查，请各位参赛选手留意邮箱通知。特别提醒： 已获得过特别礼包的参赛选手，如果基于本赛题撰写新的studio项目并被评为精选，才可再次获得1份特别礼包；
（5） score超过0.04的第一位选手可额外获得大奖：小度在家；
（6） 鼓励选手报名多个主题的飞桨常规赛，以赛促学，全方面提升开发者的深度学习能力。
PALM病理性近视预测常规赛由中山大学中山眼科中心提供800张带黄斑中央凹坐标标注的眼底彩照供选手训练模型，另提供400张带标注数据供平台进行模型测试。
本次常规赛提供的金标准由中山大学中山眼科中心的7名眼科医生手工进行标注，之后由另一位高级专家将它们融合为最终的标注结果。本比赛提供数据集对应的黄斑中央凹坐标信息存储在xlsx文件中，名为“Fovea_Location_train”，第一列对应眼底图像的文件名(包括扩展名“.jpg”)，第二列包含x坐标，第三列包含y坐标。 图
文件名称：Train Train文件夹里有一个文件夹fundus_images和一个xlsx文件。
fundus_images文件夹内包含800张眼底彩照，分辨率为1444×1444，或2124124×2056。命名形如H0001.jpg、P0001.jpg、N0001.jpg和V0001.jpg。 xlsx文件中包含800张眼底彩照对应的x、y坐标信息。
文件名称：PALM-Testing400-Images 文件夹里包含400张眼底彩照，命名形如T0001.jpg。
class dataset(paddle.io.Dataset):
def __init__(self,img_list,label_listx,label_listy,transform=None,transform2=None,mode='train'):
self.image=img_list
self.labelx=label_listx
self.labely=label_listy
self.mode=mode
self.transform=transform
self.transform2=transform2 def load_img(self, image_path):
img=cv2.imread(image_path,1)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
h,w,c=img.shape return img,h,w def __getitem__(self,index):
img,h,w = self.load_img(self.image[index])
labelx = self.labelx[index]
labely = self.labely[index]
img_size=img.shape if self.transform: if self.mode=='train':
img, label = self.transform([img, [labelx,labely]]) else:
img, label = self.transform2([img, [labelx,labely]])
label=np.array(label,dtype='float32')
img=np.array(img,dtype='float32')/255.0
return img,label def __len__(self):
return len(self.image)
class py1(object):
# 将输入图像调整为指定大小
def __init__(self, output_size):
assert isinstance(output_size, (int, tuple))
self.output_size = output_size def __call__(self, data):
image = data[0] # 获取图片
key_pts = data[1] # 获取标签
image_copy = np.copy(image)
key_pts_copy = np.copy(key_pts)
h, w = image_copy.shape[:2] if key_pts_copy[0]
（4）具体方案分享
代码参考：『深度学习7日打卡营』人脸关键点检测
解压数据集
In [1]
!unzip -oq /home/aistudio/data/data116960/常规赛：PALM眼底彩照中黄斑中央凹定位.zip!mv │г╣ц╚№г║PALM╤█╡╫▓╩╒╒╓╨╗╞░▀╓╨╤ы░╝╢и╬╗ 常规赛：PALM眼底彩照中黄斑中央凹定位 #不知道为什么会出现乱码，可用此代码恢复中文!rm -rf __MACOSX
查看数据标签
In [1]
import blackhole.dataframe as pd
df=pd.read_excel('常规赛：PALM眼底彩照中黄斑中央凹定位/Train/Fovea_Location_train.xlsx')
df.head()
imgName Fovea_X Fovea_Y
0 H0001.jpg 743.96 790.54
1 H0002.jpg 1394.82 725.54
2 H0003.jpg 1361.74 870.72
3 H0004.jpg 703.15 742.44
4 H0005.jpg 1070.95 1037.54
数据增强
In [2]
import paddle.vision.transforms.functional as Fclass py1(object):
# 将输入图像调整为指定大小
def __init__(self, output_size):
assert isinstance(output_size, (int, tuple))
self.output_size = output_size def __call__(self, data):
image = data[0] # 获取图片
key_pts = data[1] # 获取标签
image_copy = np.copy(image)
key_pts_copy = np.copy(key_pts)
h, w = image_copy.shape[:2] if key_pts_copy[0]
In [3]
import paddle.vision.transforms as T
data_transform = T.Compose([
py1(224),
GrayNormalize(),
ToCHW(),
])
data_transform2 = T.Compose([
py2(224),
GrayNormalize(),
ToCHW(),
])
自定义数据集
In [4]
path='常规赛：PALM眼底彩照中黄斑中央凹定位/Train/fundus_image/'df=df.sample(frac=1)
image_list=[]
label_listx=[]
label_listy=[]for i in range(len(df)):
image_list.append(path+df['imgName'][i])
label_listx.append(df['Fovea_X'][i]
)
label_listy.append(df['Fovea_Y'][i])
In [5]
import os
test_path='常规赛：PALM眼底彩照中黄斑中央凹定位/PALM-Testing400-Images'test_list=[]
test_labelx=[]
test_labely=[]#list=pd.read_csv('result54.70313.csv')list=pd.read_csv('????.csv') #????.csv为以前提交的结果文件，选一个成绩好的。#list = os.listdir(test_path) # 列出文件夹下所有的目录与文件for i in range(0, len(list)):
path = os.path.join(test_path, list['FileName'][i])
test_list.append(path)
test_labelx.append(list['Fovea_X'][i])
test_labely.append(list['Fovea_Y'][i])
In [6]
import paddleimport cv2import numpy as npclass dataset(paddle.io.Dataset):
def __init__(self,img_list,label_listx,label_listy,transform=None,transform2=None,mode='train'):
self.image=img_list
self.labelx=label_listx
self.labely=label_listy
self.mode=mode
self.transform=transform
self.transform2=transform2 def load_img(self, image_path):
img=cv2.imread(image_path,1)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
h,w,c=img.shape return img,h,w def __getitem__(self,index):
img,h,w = self.load_img(self.image[index])
labelx = self.labelx[index]
labely = self.labely[index]
img_size=img.shape if self.transform: if self.mode=='train':
img, label = self.transform([img, [labelx,labely]]) else:
img, label = self.transform2([img, [labelx,labely]])
label=np.array(label,dtype='float32')
img=np.array(img,dtype='float32')/255.0
return img,label def __len__(self):
return len(self.image)
训练集、验证集、测试集
In [7]
radio=0.8train_list=image_list[:int(len(image_list)*radio)]
train_labelx=label_listx[:int(len(label_listx)*radio)]
train_labely=label_listy[:int(len(label_listy)*radio)]
val_list=image_list[int(len(image_list)*radio):]
val_labelx=label_listx[int(len(label_listx)*radio):]
val_labely=label_listy[int(len(label_listy)*radio):]
train_ds=dataset(train_list,train_labelx,train_labely,data_transform,data_transform2,'train')
val_ds=dataset(val_list,val_labelx,val_labely,data_transform,data_transform2,'valid')
test_ds=dataset(test_list,test_labelx,test_labely,data_transform,data_transform2,'test')
查看图片
In [14]
import matplotlib.pyplot as pltfor i,data in enumerate(train_ds):
img,label=data
img=img.transpose([1,2,0]) print(img.shape)
plt.title(label*224)
plt.imshow(img)
plt.show() if i==0: break
(224, 224, 3)
模型组网
以下两个网络结构任选一
In [15]
class MyNet1(paddle.nn.Layer):
def __init__(self,num_classes=2):
super(MyNet1,self).__init__()
self.net=paddle.vision.resnet152(pretrained=True)
self.fc1=paddle.nn.Linear(1000,512)
self.relu=paddle.nn.ReLU()
self.fc2=paddle.nn.Linear(512,num_classes) def forward(self,inputs):
out=self.net(inputs)
out=self.fc1(out)
out=self.relu(out)
out=self.fc2(out) return out
In [17]
class MyNet2(paddle.nn.Layer):
def __init__(self):
super(MyNet2, self).__init__()
self.resnet = paddle.vision.resnet50(pretrained=True, num_classes=0) # remove final fc 输出为[?, 2048, 1, 1]
self.flatten = paddle.nn.Flatten()
self.linear_1 = paddle.nn.Linear(2048, 512)
self.linear_2 = paddle.nn.Linear(512, 256)
self.linear_3 = paddle.nn.Linear(256, 2)
self.relu = paddle.nn.ReLU()
self.dropout = paddle.nn.Dropout(0.2)
def forward(self, inputs):
y = self.resnet(inputs)
y = self.flatten(y)
y = self.linear_1(y)
y = self.linear_2(y)
y = self.relu(y)
y = self.dropout(y)
y = self.linear_3(y)
y = paddle.nn.functional.sigmoid(y) return y
异步加载数据
In [18]
train_loader = paddle.io.DataLoader(train_ds, places=paddle.CPUPlace(), batch_size=32, shuffle=True, num_workers=0)
val_loader = paddle.io.DataLoader(val_ds, places=paddle.CPUPlace(), batch_size=32, shuffle=False, num_workers=0)
test_loader=paddle.io.DataLoader(test_ds, places=paddle.CPUPlace(), batch_size=32, shuffle=False, num_workers=0)
自定义损失函数
In [19]
from sklearn.metrics.pairwise import euclidean_distances
import paddle.nn as nn# 损失函数def cal_coordinate_Loss(logit, label, alpha = 0.5):
"""
logit: shape [batch, ndim]
label: shape [batch, ndim]
ndim = 2 represents coordinate_x and coordinaate_y
alpha: weight for MSELoss and 1-alpha for ED loss
return: combine MSELoss and ED Loss for x and y, shape [batch, 1]
"""
alpha = alpha
mse_loss = nn.MSELoss(reduction='mean')
mse_x = mse_loss(logit[:,0],label[:,0])
mse_y = mse_loss(logit[:,1],label[:,1])
mse_l = 0.5*(mse_x + mse_y) # print('mse_l', mse_l)
ed_loss = [] # print(logit.shape[0])
for i in range(logit.shape[0]):
logit_tmp = logit[i,:].numpy()
label_tmp = label[i,:].numpy() # print('cal_coordinate_loss_ed', logit_tmp, label_tmp)
ed_tmp = euclidean_distances([logit_tmp], [label_tmp]) # print('ed_tmp:', ed_tmp[0][0])
ed_loss.append(ed_tmp)
ed_l = sum(ed_loss)/len(ed_loss) # print('ed_l', ed_l)
# print('alpha', alpha)
loss = alpha * mse_l + (1-alpha) * ed_l # print('loss in function', loss)
return loss
In [20]
class SelfDefineLoss(paddle.nn.Layer):
"""
1. 继承paddle.nn.Layer
"""
def __init__(self):
"""
2. 构造函数根据自己的实际算法需求和使用需求进行参数定义即可
"""
super(SelfDefineLoss, self).__init__() def forward(self, input, label):
"""
3. 实现forward函数，forward在调用时会传递两个参数：input和label
- input：单个或批次训练数据经过模型前向计算输出结果
- label：单个或批次训练数据对应的标签数据
接口返回值是一个Tensor，根据自定义的逻辑加和或计算均值后的损失
"""
# 使用PaddlePaddle中相关API自定义的计算逻辑
output = cal_coordinate_Loss(input,label) return output
模型训练与可视化
如果图片尺寸较大应适当调小Batch_size，防止爆显存。
In [22]
from utils import NMEimport warnings
warnings.filterwarnings('ignore')
visualdl=paddle.callbacks.VisualDL(log_dir='visual_log')#定义输入Batch_size=32EPOCHS=20step_each_epoch = len(train_ds)//Batch_size# 使用 paddle.Model 封装模型model = paddle.Model(MyNet2())#模型加载#model.load('/home/aistudio/work/lup/final')lr = paddle.optimizer.lr.CosineAnnealingDecay(learning_rate=1e-5,
T_max=step_each_epoch * EPOCHS)# 定义Adam优化器optimizer = paddle.optimizer.Adam(learning_rate=lr,
weight_decay=1e-5,
parameters=model.parameters())# 定义SmoothL1Lossloss =paddle.nn.SmoothL1Loss()#loss =SelfDefineLoss()# 使用自定义metricsmetric = NME()
model.prepare(optimizer=optimizer, loss=loss, metrics=metric)# 训练可视化VisualDL工具的回调函数# 启动模型全流程训练model.fit(train_loader, # 训练数据集
val_loader, # 评估数据集
epochs=EPOCHS, # 训练的总轮次
batch_size=Batch_size, # 训练使用的批大小
save_dir="/home/aistudio/work/lup", #把模型参数、优化器参数保存至自定义的文件夹
save_freq=1, #设定每隔多少个epoch保存模型参数及优化器参数
verbose=1 , # 日志展示形式
callbacks=[visualdl]
) # 设置可视化
The loss value printed in the log is the current step, and the metric is the average value of previous steps.
Epoch 1/20
step 20/20 [==============================] - loss: 0.0604 - nme: 0.4010 - 4s/step
save checkpoint at /home/aistudio/work/lup/0
Eval begin...
step 5/5 [==============================] - loss: 0.0053 - nme: 0.1495 - 8s/step
Eval samples: 160
Epoch 2/20
step 20/20 [==============================] - loss: 0.0361 - nme: 0.3705 - 2s/step
save checkpoint at /home/aistudio/work/lup/1
Eval begin...
step 5/5 [==============================] - loss: 0.0100 - nme: 0.1334 - 2s/step
Eval samples: 160
Epoch 3/20
step 20/20 [==============================] - loss: 0.0350 - nme: 0.3663 - 2s/step
save checkpoint at /home/aistudio/work/lup/2
Eval begin...
step 5/5 [==============================] - loss: 0.0096 - nme: 0.1611 - 2s/step
Eval samples: 160
Epoch 4/20
step 20/20 [==============================] - loss: 0.0353 - nme: 0.3423 - 2s/step
save checkpoint at /home/aistudio/work/lup/3
Eval begin...
step 5/5 [==============================] - loss: 0.0057 - nme: 0.1399 - 2s/step
Eval samples: 160
Epoch 5/20
step 20/20 [==============================] - loss: 0.0325 - nme: 0.3279 - 2s/step
save checkpoint at /home/aistudio/work/lup/4
Eval begin...
step 5/5 [==============================] - loss: 0.0063 - nme: 0.1391 - 2s/step
Eval samples: 160
Epoch 6/20
step 20/20 [==============================] - loss: 0.0288 - nme: 0.3110 - 2s/step
save checkpoint at /home/aistudio/work/lup/5
Eval begin...
step 5/5 [==============================] - loss: 0.0057 - nme: 0.1273 - 2s/step
Eval samples: 160
Epoch 7/20
step 20/20 [==============================] - loss: 0.0219 - nme: 0.2979 - 2s/step
save checkpoint at /home/aistudio/work/lup/6
Eval begin...
step 5/5 [==============================] - loss: 0.0060 - nme: 0.1356 - 2s/step
Eval samples: 160
Epoch 8/20
step 20/20 [==============================] - loss: 0.0339 - nme: 0.3089 - 2s/step
save checkpoint at /home/aistudio/work/lup/7
Eval begin...
step 5/5 [==============================] - loss: 0.0060 - nme: 0.1382 - 2s/step
Eval samples: 160
Epoch 9/20
step 20/20 [==============================] - loss: 0.0246 - nme: 0.3041 - 2s/step
save checkpoint at /home/aistudio/work/lup/8
Eval begin...
step 5/5 [==============================] - loss: 0.0067 - nme: 0.1365 - 2s/step
Eval samples: 160
Epoch 10/20
step 20/20 [==============================] - loss: 0.0315 - nme: 0.3006 - 2s/step
save checkpoint at /home/aistudio/work/lup/9
Eval begin...
step 5/5 [==============================] - loss: 0.0061 - nme: 0.1383 - 2s/step
Eval samples: 160
Epoch 11/20
step 20/20 [==============================] - loss: 0.0254 - nme: 0.3009 - 2s/step
save checkpoint at /home/aistudio/work/lup/10
Eval begin...
step 5/5 [==============================] - loss: 0.0061 - nme: 0.1386 - 2s/step
Eval samples: 160
Epoch 12/20
step 20/20 [==============================] - loss: 0.0273 - nme: 0.2984 - 2s/step
save checkpoint at /home/aistudio/work/lup/11
Eval begin...
step 5/5 [==============================] - loss: 0.0069 - nme: 0.1412 - 2s/step
Eval samples: 160
Epoch 13/20
step 20/20 [==============================] - loss: 0.0365 - nme: 0.2950 - 2s/step
save checkpoint at /home/aistudio/work/lup/12
Eval begin...
step 20/20 [==============================] - loss: 0.0340 - nme: 0.2917 - 2s/step
save checkpoint at /home/aistudio/work/lup/13
Eval begin...
step 5/5 [==============================] - loss: 0.0066 - nme: 0.1376 - 2s/step
Eval samples: 160
Epoch 15/20
step 20/20 [==============================] - loss: 0.0331 - nme: 0.2910 - 2s/step
save checkpoint at /home/aistudio/work/lup/14
Eval begin...
step 5/5 [==============================] - loss: 0.0070 - nme: 0.1403 - 2s/step
Eval samples: 160
Epoch 16/20
step 20/20 [==============================] - loss: 0.0334 - nme: 0.2885 - 2s/step
save checkpoint at /home/aistudio/work/lup/15
Eval begin...
step 5/5 [==============================] - loss: 0.0066 - nme: 0.1383 - 2s/step
Eval samples: 160
Epoch 17/20
step 20/20 [==============================] - loss: 0.0373 - nme: 0.2919 - 2s/step
save checkpoint at /home/aistudio/work/lup/16
Eval begin...
step 5/5 [==============================] - loss: 0.0069 - nme: 0.1401 - 2s/step
Eval samples: 160
Epoch 18/20
step 20/20 [==============================] - loss: 0.0232 - nme: 0.2843 - 2s/step
save checkpoint at /home/aistudio/work/lup/17
Eval begin...
step 5/5 [==============================] - loss: 0.0064 - nme: 0.1348 - 2s/step
Eval samples: 160
Epoch 19/20
step 20/20 [==============================] - loss: 0.0291 - nme: 0.2869 - 2s/step
save checkpoint at /home/aistudio/work/lup/18
Eval begin...
step 5/5 [==============================] - loss: 0.0068 - nme: 0.1389 - 2s/step
Eval samples: 160
Epoch 20/20
step 20/20 [==============================] - loss: 0.0342 - nme: 0.2946 - 2s/step
save checkpoint at /home/aistudio/work/lup/19
Eval begin...
step 5/5 [==============================] - loss: 0.0062 - nme: 0.1368 - 2s/step
Eval samples: 160
save checkpoint at /home/aistudio/work/lup/final
模型评估
In [23]
# 模型评估model.load('/home/aistudio/work/lup/5')
result = model.evaluate(val_loader, verbose=1)print(result)
Eval begin...
step 5/5 [==============================] - loss: 0.0057 - nme: 0.1273 - 2s/step
Eval samples: 160
{'loss': [0.005723397], 'nme': 0.1273284799297331}
进行预测操作
In [24]
# 进行预测操作result = model.predict(test_loader)
Predict begin...
step 13/13 [==============================] - 2s/step
Predict samples: 400
In [26]
# 获取测试图片尺寸和图片名test_path='常规赛：PALM眼底彩照中黄斑中央凹定位/PALM-Testing400-Images'test_size=[]
FileName=[]for i in range(len(list)): #path = os.path.join(test_path, list[i])
path=test_list[i]
img=cv2.imread(path,1)
test_size.append(img.shape)
FileName.append(list['FileName'][i])
test_size=np.array(test_size)
In [32]
result=np.array(result)
pred=[]for i in range(len(result[0])):
pred.extend(result[0][i])
pred=np.array(pred)
pred = paddle.to_tensor(pred)
out=np.array(pred).reshape(-1,2)#Fovea_X=out[:,0]*data_std+data_mean#Fovea_Y=out[:,1]*data_std+data_meanFovea_X=out[:,0]
Fovea_Y=out[:,1]#Fovea_X=Fovea_X*test_size[:,1]#Fovea_Y=Fovea_Y*test_size[:,0]for i in range(400): if test_labelx[i]<112:
x0=0
elif test_labelx[i]>(test_size[i][1]-112):
x0=test_size[i][1]-112
else:
x0=test_labelx[i]-112
if test_labely[i]<112:
y0=0
elif test_labely[i]>test_size[i][0]-112:
y0=test_size[i][0]-112
else:
y0=test_labely[i]-112
Fovea_X[i]=x0+Fovea_X[i]*224
Fovea_Y[i]=y0+Fovea_Y[i]*224submission = pd.DataFrame(data={ "FileName": FileName, "Fovea_X": Fovea_X, "Fovea_Y": Fovea_Y
})
submission=submission.sort_values(by='FileName')
submission.to_csv("result.csv", index=False)
结果文件查看
In [33]
submission.head()
FileName Fovea_X Fovea_Y
0 T0001.jpg 1275.212769 947.638123
1 T0002.jpg 1078.371338 1054.087524
2 T0003.jpg 1079.881104 1059.292847
3 T0004.jpg 1302.749023 1016.598938
4 T0005.jpg 1309.635010 701.692017
结果投票集成
简单投票集成学习，这个可以提升效果，尽量选得分高的进行投票。
在统计学和机器学习中，集成学习方法使用多种学习算法来获得比单独使用任何单独的学习算法更好的预测性能。
使用不同超参数、不同的特征，不同的结构，运行多次模型可得到不同的预测结果。在这里我使用的是简单投票法，取平均值作为最终的预测结果。 预测出多个result后，进行投票，代码如下：
In [ ]
import numpy as npimport blackhole.dataframe as pd
df1=pd.read_csv('result40.14874.csv')
df2=pd.read_csv('result41.98309.csv')
df3=pd.read_csv('result54.70313.csv')
df4=pd.read_csv('result49.75246.csv')
dfs=[df1,df2,df3,df4]
File_Name=[]
Fovea_X=[]
Fovea_Y=[]for i in range(len(df1)):
File_Name.append(dfs[0]['FileName'][i])
avgx=(sum(np.array(dfs[x]['Fovea_X'][i]) for x in range(len(dfs))))/len(dfs)
avgy=(sum(np.array(dfs[x]['Fovea_Y'][i]) for x in range(len(dfs))))/len(dfs)
Fovea_X.append(avgx)
Fovea_Y.append(avgy)
submission = pd.DataFrame(data={ "FileName": File_Name, "Fovea_X": Fovea_X, "Fovea_Y":Fovea_Y
})
submission=submission.sort_values(by='FileName')
submission.to_csv("result.csv", index=False)
（5）总结及改善方向
1、多试几个的预训练模型。
2、选择合适的学习率。
3、更换别的优化器。
4、投票方法能提高成绩，但是存在天花板。
5、曾专门用训练神经网络对中央凹可见、不可见情况进行了分类，结果测试集并未分到中央凹不可见的类别，但是总觉得测试集定位应该有（0，0），不是很确定。
（6）飞桨使用体验+给其他选手学习飞桨的建议
建议大家多参加百度AI Studio课程，多看别人写的AI Studio项目，也许会有灵感迸发，在比赛中取得更好的成绩。
# 算法
# 的是
# 形如
# 自己的
# 进行投票
# 当月
# 中山
# 多个
# 均值
# 中山大学
# 自定义
# palm
# python
# 异步
# red
# 为什么
# cos
# 异步加载
# 邮箱
# 百度
# macos
# ai
# 工具
# git
相关栏目：
【
Google疑问12 】
【
Facebook疑问10 】
【
网络优化91478 】
【
技术知识72672 】
【
云计算0 】
【
GEO优化84317 】
【
优选文章0 】
【
营销推广36048 】
【
网络运营41350 】
【
案例网站102563 】
【
AI智能45237 】
相关推荐：
通义千问怎么设置功能偏好_通义千问偏好设置【教程】
智谱AI智能绘图怎么用_智谱AI智能绘图使用方法详细指南【教程】
孩子作文写不出来？教你用AI引导孩子构思，写出优秀范文
LTX Studio：AI电影制作平台深度评测与应用指南
2025年最佳AI流程图工具：效率提升秘籍
AI人像摄影新纪元：Gemini AI助力照片编辑
斑马AI怎样设置专注模式_斑马AI专注时段与干扰屏蔽【指南】
AI视频生成终极指南：免费为店铺打造引流爆款
AI聊天机器人会取代人类吗？深度剖析与未来展望
利用MECLABS AI解决业务难题：实用指南
清洁扫地机器人传感器：解决导航和充电难题
11月电动两轮车线上销售排名出炉：九号份额达26.9%
利用Gen AI和AI Agent进行软件测试：Ollama本地LLM实践
百度ai助手怎么取消 百度ai助手取消显示设置
AI驱动SaaS增长：AppSumo $700万美金业务增长策略揭秘
N8N工作流：自动化知识管理与智能问答解决方案
Lovart AI设计助手：AI驱动设计，零成本开启创意新纪元
AI加持：2025年最佳人工智能潜在客户生成工具
如何通过文心一言进行地道的文言文翻译
Gemini怎样用语音输入_Gemini语音输入设置【方法】
AI营销软件Top 5：提升业务的终极指南
教你用AI把照片变成动漫风格，3个简单步骤刷爆朋友圈
批改网ai检测工具能否检测引用格式_批改网ai检测工具引用格式检查与修正提示【攻略】
OpenAI Codex最强攻略：提升AI编码效率的秘诀
AI如何革新心理健康诊断：从症状检查到大脑分析
AI合同提取指南：利用智能实现高效采购和节省成本
解锁 Gemini Gems 高级用法：打造专属 AI 专家助手
AI时代生存指南：掌握软实力，成为不可替代的人
Character AI终极指南：构建你的人工智能伴侣，探索无限可能
AI照片编辑终极指南：一键打造潮流图像
Codeforces Pair Programming Problem: C 解题思路
文心一言怎么一键生成会议纪要_文心一言纪要生成与重点提取【指南】
微信AI数字人怎样创建_微信AI数字人创建流程与形象定制【教程】
Tenorshare PDNob：免费AI图像翻译器，即时转换图像为文本
使用 DeepSeek 生成符合工业标准的 API 文档
手相解析：生命线的形状与意义详解，预示健康、财富和命运
识别脱水警告信号：专家解读与健康指南
YouTube SEO优化：AI驱动的标题生成工具详解
MAKA AI排版怎样设置动画效果_MAKA AI排版动画添加与参数调整【技巧】
稿定设计AI抠图怎样调整透明度_稿定设计AI透明度滑块与渐变设置【攻略】
Spin Rewriter AI：终极内容创作与SEO优化指南
如何利用 DeepSeek 进行多轮复杂对话的状态管理
DeepSeek解释机器学习模型 DeepSeek数据科学学习指南
通义千问怎样优化提示词效果_通义千问提示词优化技巧【攻略】
CanvaAI抠图怎么批量处理_CanvaAI批量抠图与团队协作功能【指南】
正确安装梁托：终极指南与常见错误规避
构建卓越的AI驱动测试自动化框架：QA工程师指南
怎么用AI帮你写一份有说服力的加薪申请？
留学文书PS怎么写？教你用AI写出招生官眼前一亮的个人陈述
2025 YouTube自动化终极指南：利用AI实现高效内容创作和多平台发布
2025-07-28
南京市珐之弘网络技术有限公司专注海外推广十年,是谷歌推广.Facebook广告全球合作伙伴,我们精英化的技术团队为企业提供谷歌海外推广+外贸网站建设+网站维护运营+Google SEO优化+社交营销为您提供一站式海外营销服务。
)
label_listy.append(df['Fovea_Y'][i])