Report Library
报告中心
技术研究、自然观察、旅行与个人专题的独立报告档案。
52份报告
技术硬件
YOLO26s NABirds 鸟类 Pose 训练与关键点可视化审计
在 NABirds 48,562 张鸟图完成 YOLO26s Pose 训练，并用全量测试与逐图证据解释训练标注、OKS/PCK/NME、11点正确/错位/漏检及结果好坏。
技术硬件
A7R6 鸟片清晰度二分类模型：结构、训练与关键点扩展 · 2026-08-19
从本地权重与13,680个训练patch审计YOLO26n-cls鸟片清晰度模型，并给出用CUB/NABirds关键点改进SAM提示和眼部优先评分的分阶段路线。
技术硬件
A7R6 鸟体清晰度：175 种方法与噪声鲁棒最终方案 · 2026-08-19
对 1,838 张 A7R6 ARW 鸟框测试 175 种清晰度方法与变体，并以 125 张真实困难负样本主动学习；最终原生像素块 v12 在 P80–P100 的 368 张全量视觉审查中无失焦片。
技术硬件
A7R6 ARW 鸟体双曝光中性化与原生像素清晰度审计 · 2026-08-19
在1,838张A7R6 16 bit线性ARW单框裁剪上完成六种Reblur评分，并为每种算法按十档、每档二十张展示原图、mask、中性化与梯度贡献热力图。
技术硬件
JPEG 去块与多尺度 Reblur：三种鸟体清晰度算法重算审计
在1,838张A7R PreviewImage单鸟框上，比较四种JPEG去块策略与六级Gaussian Reblur曲线，重算三种清晰度算法的排名、热力图与退化稳定性。
自然观察
北京常见100种鸟声引导教程 V5
面向鸟声初学者的北京常见100种鸟学习教材，以六步入门训练、黑尾蜡嘴雀五遍法和199张重算声谱图建立可执行的听辨路径。
技术硬件
PreviewImage 鸟体清晰度传统算法全量视觉审计
在1,838张A7R PreviewImage单鸟框上，用原生像素、100分位与贡献热力图审计三种传统清晰度算法，并拆解排名和绝对分值变化。
待分类
A7R6 鸟类检测互动复核 · 2026-08-12
为 2026-08-12 导入的 3,563 张 A7R6 PreviewImage 提供分页审核、错误分类和服务器保存入口。
天文图像
恒星实验室：二维多体引力互动模拟器
可直接在浏览器运行的二维 Newton 多体引力实验室，提供恒星发射、120 秒默认轨迹、碰撞合并、时间控制和周期、进动及研究预设。
技术硬件
YOLO26s 鸟类检测：原始模型对比、四域误差与下一轮训练
以同条件原始模型基线、四域独立测试和 18,605 张逐图预测为证据，量化 YOLO26s 鸟类微调收益，拆解 FP、FN 与框偏差，并给出数据修复、训练优化和 YOLO26m 受控实验建议。
技术硬件
四套鸟类数据集训练 YOLO26s：数据治理、M5 实测与分域结果
将 GBDD1433-2023、IBERBIRDS、NABirds 与 Big Bird 清洗为单类鸟检测集，经事件级划分和感知哈希去泄漏后在 Apple M5 上训练 YOLO26s，并以分数据域指标评估可用性与局限。
技术硬件
YOLO26s 鸟/非鸟 Stage A 微调实测与 YOLO26n 对比
在 Apple M5 上以相同 Stage A 数据和参数完整微调 YOLO26s-cls，并从训练成本、跨域召回、昆虫误报、失败样本和部署代价判断扩大模型是否值得。
天文图像
放宽闭合条件后的二维稳定引力系统：漂移、进动、相对周期与准周期图谱
分析放宽严格闭合条件后出现的整体漂移、旋转相对周期、进动、共振和准周期稳定系统，并给出相应判稳与仿真实现方法。
天文图像
二维引力周期轨道与稳定解图谱：从二体椭圆到稳定三体轨道
系统梳理二维 Newton 引力从二体椭圆、三体编舞和限制性三体到四体及 N 体周期族，并区分存在、周期性与稳定性证据。
天文图像
二维引力轨道与稳定性全景：从周期解到恒星实验室实测
汇总二维 Newton 引力的周期、相对周期、进动与准周期系统，并以恒星实验室 96 个确定性预设的 3600 秒实测和 Floquet 分析区分真实稳定、有限时有界与数值失稳。
技术硬件
2026-07-25 鸟类二分类实测复盘：蜻蜓误报与系统性失效
基于 1,232 张完整鸟片、逐张人工复核和位移/尺度/遮挡实验，解释蜻蜓高置信误报、鸟证据稀释、背景捷径、失焦漏检与阈值困境，并给出下一轮训练规划。
技术硬件
YOLO26n 鸟 / 非鸟微调实测：召回提升与昆虫、蜘蛛误报代价
基于 Apple M5 上 49 分钟训练和 8,055 张冻结评测，对比训练前、Stage A、Stage B 与多视图推理，量化小鸟召回提升、昆虫与蜘蛛误报代价和下一轮数据建设门槛。
技术硬件
不做鸟框：YOLO26n 有鸟 / 无鸟分类器的现有数据训练方案
基于本机 CUB、COCO bird、8,491 张困难负样本和 100 张七月标注图，规划 YOLO26n-cls 的两阶段微调、无裁切预处理、全图加 tile 高召回推理及分层验收方案。
技术硬件
零新增下载：CUB-15 鸟类 YOLO26s-Pose 微调 Demo 实现规划
利用本机现有 CUB 15 点、YOLO26s Detect 权重和 8,491 张困难负样本，规划一个 1,200 图、无需新增下载的单类鸟 Pose 微调 Demo，并给出 Notebook、审计、评测与转正式流程的退出条件。
技术硬件
替代慧眼识鸟：鸟类检测、姿态、对焦与识别系统长期规划
以 YOLO26s-Pose 单类鸟模型为几何中枢，规划鸟框与15点训练、眼部/羽毛对焦评价、姿态MLP、物种识别及Lightroom影子验证路线。
技术硬件
原始 YOLO26 鸟类检测实测：十组失败与召回案例
基于 COCO bird 与 CUB-200-2011 的六组本地实测，解释 YOLO26n/s/m 的精度—召回差异，并用十组失败与召回案例确定微调和数据建设优先级。
技术硬件
YOLO26s 鸟 / 非鸟微调实验复盘与演进路线
基于 100 张七月照片和 Apple M5 本机实测，拆解 YOLO26s-cls 的 85% 测试结果、三类失败与统计边界，并给出从多尺度分类到单类检测器和 Lightroom 旁路验证的分阶段路线。
技术硬件
慧眼识鸟：模型、训练与素材审计报告
审计慧眼识鸟的检测、关键点、美学和物种识别模型，分析训练来源、本机能力、素材缺口与可信选片的升级路线。
自然观察
慧眼选鸟 · 七月鸟片本地测试
使用 SuperPicky 4.3.0 在本机评估七月鸟片，记录检测交叉表、RAW 对焦点、连拍首选与逐图评分结果。
技术硬件
鸟类框选小模型 · 技术方案规划
比较 YOLO、EfficientNet、MobileNet 与视觉 Transformer，规划适合本机训练的鸟类检测、框选和复核小模型方案。
自然观察
2026 年 7 月鸟类识别报告
汇总 2026 年 7 月本地双模型鸟类识别结果、人工修正规则、物种记录与代表裁切，包含识别漏斗和工程结构。
技术硬件
MacJoyMouse 架构与功能介绍
介绍 MacJoyMouse 如何将游戏手柄输入转换为 macOS 鼠标、滚动和快捷操作，覆盖模块边界、状态流、权限、配置与扩展点。
待分类
Stillframe 摄影网站现状报告 · 2026-07-19
从访客看到的摄影网站，到管理照片和相册的后台，再到服务器、数据模型与下一阶段扩展条件，一次说明当前系统究竟处在什么位置。
天文图像
PixInsight、RC Astro 三件套、Siril 与 DeepSkyStacker：流程、数学模型与参考伪代码
这份报告把深空图像处理拆成“观测模型 → 校准 → 配准 → 归一化与叠加 → 背景/颜色 → 反卷积 → 降噪 → 去星/重组 → 非线性审美处理”的完整链路，并补充公式、推导与伪代码。对 PixInsight 与 RC Astro 三件套未公开的内部算法，本文不臆测源码，而给出基于 Siril、DSS、Drizzle、RANSAC、经典反卷积与公开机器学习图像复原思路的可复现参考实现。
旅行路线
北京出发草原—克什克腾—乌拉盖—阿尔山19天推荐版｜删除锡林郭勒草原公路系列
已删除锡林郭勒草原公路系列：锡林浩特/平顶山、西乌旗99号公路、乌珠穆沁草原、西乌旗补拍节点。路线改为先乌兰布统和克什克腾，再北上乌拉盖/阿尔山，最后经通辽—赤峰—承德返京。
其他
个人技术博客建设方案（GeneratePress + WordPress + Survey）
定位：个人技术知识库，而不是传统自媒体博客。
旅行路线
北京出发｜真正有自驾必要性的5条自然露营路线
重新设计逻辑不再是“把景点用车串起来”，而是只保留同时满足三项硬条件的线路：路上有明确的正规露营地、景点间公共交通难以替代、连续公路本身值得开与停靠观景。
旅行路线
北京出发｜2026年7月5日—13日｜五条自然自驾路线详细报告
9天8晚，优先自然风光，尽量避开暑期最拥挤区域。报告内含 5 张 Image 2.0 旅游地图，以及逐日安排、重点景点的详细价值说明、现场景观预期和自驾提醒。
天文图像
Astrometry.net 如何识别陌生星空：原理、数学与实现
Astrometry.net 盲天体测量原理：源提取、四星组几何哈希、HEALPix 全天索引、k-d 树检索、贝叶斯验证与 WCS/SIP 输出。
天文图像
Astrometry.net 计算特征与异构加速分析
Astrometry.net 每一步的计算类型、并行性、数据依赖、FPGA/IP 可实现性，以及 CPU/GPU/FPGA 性能差异与数值算例。
旅行路线
中国自然旅行五案｜2026年7月5日—13日
2026年7月5日至13日中国自然旅行五套低密度方案，含详细日程和旅游地图。
天文图像
Astrometry.net 与同类星图识别算法的 FPGA 实现调研报告
Astrometry.net 与同类星图识别、星敏感器算法 FPGA/SoC FPGA 实现的架构、性能、资源、瓶颈和能力上限调研。
技术硬件
Qwen2.5-0.5B-Instruct 官方量化模型在 FPGA 部署中的差异分析报告
本报告把前面讨论的表格扩展成工程化视角：同一个 Qwen2.5-0.5B-Instruct，在官方 AWQ、GPTQ-Int4、GPTQ-Int8、GGUF q4/q8/K-quant 等版本下，实际部署到 FPGA 时会在外部存储、AXI 数据流、解包逻辑、scale/zero 处理、MAC 阵列、BRAM 缓冲和验证流程上产生明显差异。
旅行路线
2026端午青岛三天徒步与户外旅行攻略
2026年端午节青岛3天徒步、登山、海岸线与户外旅行攻略，含日期、路线、景点介绍、天气策略、交通与装备建议。
旅行路线
《On-Device Qwen2.5》KV260 FPGA 加速论文详解报告
面向你正在考虑的 Qwen2.5-0.5B FPGA 硬化/加速路线，本报告拆解论文中的软硬件协同思想、AWQ_MACRO 数据格式、4 通道 AXI 数据流、MACRO_MAC 微结构、性能结果与可复现风险。
技术硬件
Qwen2.5-0.5B-Instruct 在 PYNQ-Z2 / Zynq-7020 上的重新架构分析
和上一版按 ALINX Zynq-7020 开发板的分析相比，PYNQ-Z2 的最关键差异是：只有 512MB DDR3，并且板上 DDR3 为 16-bit 总线、最高 1050Mbps；QSPI 只有 16MB；芯片为 XC7Z020-1CLG400C，通常比一些 -2 速度等级板卡更不适合追求高 PL 频率。PYNQ-Z2 官方/手册资料列出的资源包括 512MB DDR3、128Mbit/16MB QSPI、MicroSD、125MHz PL 参考时钟，以及 85K logic cells、630KB BRAM、220 DSP slices。[1][2]
技术硬件
Qwen2.5-0.5B-Instruct 在 ALINX Zynq-7020 上的 FPGA 推理架构规划
面向 XC7Z020 + PS DDR3 + QSPI Flash 的“DDR 流式权重 + PL 专用数据通路”方案。本文重点回答：数据放在哪里、AXI 总线怎么走、PL 内部怎么搭、性能大约多少、瓶颈在哪里、工程上怎么分阶段推进。
技术硬件
Qwen2.5-0.5B 在 Zynq-7020 FPGA 上硬化实现可行性分析
参考 gateGPT 的 RTL / 微码 / 固定点 / KV-cache 思路，评估是否能把 Qwen2.5-0.5B 小模型做成类似“模型烧进 FPGA”的实现。结论区分“全片上硬化”和“外部 DDR 流式加速”两种含义。
技术硬件
AMBA 总线桥（Crossbar）架构设计报告
面向 AXI4 / AHB / APB / ACE 的统一内部协议总线桥设计。入口为 IB，出口为 TB，中间为 RT，并支持 CA、WA、PD 在 IB/TB/RT/PD 内部可选例化。
自然观察
北京乔波滑雪场周边观鸟地点与前20鸟类报告
以顺义区顺安路6号乔波滑雪场为中心，整理周边河流、湿地、公园和浅山观鸟点。
自然观察
北京观鸟地点与常见前100鸟类报告
北京市域观鸟地点、地图、鸟类图片、鸟类介绍与鸟叫声索引。
生活专题
购房隔音判断、原理与补救报告
面向准备买房或验房的家庭：用公开标准、环境噪声数据和建筑声学原理，建立“买前筛选—现场判断—合同/资料核验—后期补救”的完整方法。
技术硬件
Transformer 基础与 DeepSeek V3/V4 架构介绍（面向芯片工程师）
从“token → attention → MoE → 长上下文 → 低精度与通信”这条主线出发，解释大模型术语、硬件瓶颈，以及 DeepSeek V3/V4 Preview 的关键架构变化。
技术硬件
DeepSeek‑V4‑Pro 技术报告详解：面向芯片硬件工程师
本文把官方 DeepSeek‑V4: Towards Highly Efficient Million‑Token Context Intelligence 技术报告整理为可阅读的 HTML：每章先补齐软件与大模型背景，再逐节解释报告内容；同时嵌入报告图页截图、官方发布图和自绘示意图。为满足“不能省略”的要求，附录保留了 PDF 提取的完整原文、参考文献、作者致谢与评测细节。
技术硬件
DeepSeek-V4-Pro on NVIDIA H200：硬件工程师导读版·推理总线、带宽与延迟估算
本版在正式计算报告之前增加 DeepSeek‑V4‑Pro 架构说明、在线推理软件流程说明与名词解释，先把 AI 模型如何“变成芯片上的搬数和矩阵乘”讲清楚，再代入 NVIDIA H200 SXM 的显存、HBM 带宽、NVLink 与 Hopper 片上缓存结构，推算 decode / prefill / MoE expert dispatch / CSA-HCA attention 的逐步数据流、带宽和延迟。
技术硬件
DeepSeek-V4-Pro on NVIDIA H200：推理总线、带宽与延迟估算
本版不再停留在泛泛讨论，而是把 DeepSeek‑V4‑Pro 的公开结构参数代入 NVIDIA H200 SXM 的实际显存、HBM 带宽、NVLink 与 Hopper 片上缓存结构，给出 decode / prefill / MoE expert dispatch / CSA-HCA attention 的逐步数据流、带宽和延迟估算。
技术硬件
DeepSeek‑V4 推理场景下大规模 NPU 集群总线瓶颈分析
重排版 HTML 报告。以 DeepSeek‑V4‑Pro 为主参考、V4‑Flash 为低成本对照，按在线服务的完整推理数据流拆解 attention、MoE 路由、专家并行 All‑to‑All、KV cache、DDR/HBM/SSD 分层缓存，以及 NoC 与 Scale‑up/Scale‑out 互联的协同瓶颈。
调整关键词或分类后再试。