我的计算机学习成果

项目 1: 基于yolov8进行冠军姿态预测

 收集了超过10,000个动作数据样本，包括不同的训练强度和多样化技术动作。 通过YOLOv8模型，达到95%的关键点检测精度，显著高于传统方法的85%。 MySQL数据库优化后，数据存取速度提高了50%，从原来的秒级响应降至毫秒级。 实时反馈的响应时间缩短至300ms，大幅提升了学员在训练期间的反馈体验。 经过使用我们的系统，运动员的复盘时间平均减少了80%，从4小时缩短至仅1小时。 在使用本系统后，参与者的技术评分平均提高了20%，更快地达到了冠军标准。 98%的参与者表示冠军系统显著提升了他们的训练效果和自信心。

以下是指导老师以及核心成员，当然包括我，我的主要任务就是完成计算机相关的技术难题

接下来说一下这个算法是如何具体结合到这个项目当中的，以及步骤

首先

安装 PyTorch YOLOv8 依赖于 PyTorch，所以你需要先安装 PyTorch。根据你的 CUDA 版本来选择安装命令。如果你没有 GPU，使用 CPU 版本。

第二步，下载lableme，这是一个pyhton库函数工具，可以自己手动对标签进行标记

然后终端输入lableme，打开这个工具,并且导入相关的照片数据，进行人工打标签

打完标签以后的数据保存是以json格式保存的

然后使用训练以后的模型对冠军进行预测，以下是一些预测结果

然后模型还会自动生成一些分析图

以上便是我在这个工作中大致的任务，以及结果

项目 2: 基于生物表现型数据，代谢物成分，使用pywgcna分析影响最大的物质

以下是使用模型进行预测的一些中间结果，展示了层级预测的过程。

这是模型训练过程的详细展示。

相关模型结果的详细展示。

最后的大致分类结果的详细展示。

这是相关的热力图的详细展示。

接下来说一下算法的具体改动以及如何实现的，在pywgcna这个算法中包括了数据处理，以及核心算法的使用，经过解析，不难发现这个函数就是整个函数的核心findmodules，下面我来仔细的解析这个函数，并且我的整个函数模型的改进也是在这一部分，因为这个函数比较大，我就拆解成几个部分来说

首先数据进来，会进入pickSoftThreshold函数。

软阈值幂次是用于构建基因共表达网络的关键参数。这个函数是 WGCNA 分析中的关键步骤，用于确定网络构建时的软阈值。与硬阈值（hard thresholding）不同，硬阈值是直接设定一个阈值，将相关性矩阵中小于该阈值的值设为0，大于该阈值的值保持不变。软阈值则是通过幂次变换来调整相关性矩阵的值。软阈值的好处就是可以创建功能和相关性更强的拓扑结构。在这个函数中还添加了一个线性函数对阈值进行预测。在硬阈值中，通常会将小于阈值的值设置为0，而软阈值会将小于阈值的值无限趋近于0。而我能修改的就是阈值幂次，通过调整这个参数从而达到更好的效果。

接下来函数会进入aj函数，adjacency函数根据上面的软阈值函数来邻接矩阵，在这里它默认使用的算法是np.corrcoef，

我尝试了不同计算相关性的办法最终发现皮尔逊算法在这里的表现是最好的，相关性的提高代表后精确度的提高

然后进入tom拓扑矩阵

以及差异矩阵

基于deepspeech对少数民族语音转文字

正在书写中。。。。。