TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #549 · 9.09

Скорость полёта FPV-дрона зависит от многих параметров, но управляется наклоном курсовой камеры. В самом деле — для создания горизонтальной тяги дрон летит "носом вниз", поэтому камеру, наоборот, задирают вверх относительно плоскости корпуса. У Nazgul из коробки угол камеры довольно большой, на что я сначала не посмотрел. В общем, видео ниже без ускорения. Совсем. Учитывая, что это мой первый FPV-полёт на настоящем дроне без автоматики, можете представить, как было страшно. И по ощущениям страшно, и за дрон тоже (падение в болото это с высокой вероятностью потеря дрона). Страшно, но кайфово. Контроль достаточно тонкий, а обзор достаточно погружающий, чтобы пилот ощущал именно себя несущимся куда-то на дикой скорости. И на подобных открытых пространствах это особенно сильно проявляется. Я после этого чуть-чуть полетал вблизи городской местности и над постройками — совсем не то. Совершенно новые впечатления. Более крутые, чем от DJI, который относительно медленный в рамках FPV и более тяжёлый, из-за чего у него выше инерция. Но приземляться пока не умею, сложно. Как раз из-за угла камеры землю под собой ты не видишь при движении на небольшой скорости, так что надежда только на его прочность и способность выдерживать падения с небольшой высоты, которые у меня вместо посадки пока что. Нужно больше учиться. Но угол камеры я чуть уменьшил. Наберусь опыта, тогда верну :) https://www.youtube.com/watch?v=OAasFai9b3U #drone#hobby#gadgets

Резултати

Намерени 1 подобни публикации

Търсене: #unifiedembedding

当前筛选 #unifiedembedding清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8801 · 17.10.2025 г., 10:13

⚡️ Omni-Embed-Nemotron - новая единая модель от NVIDIA для поиска по тексту, изображениям, аудио и видео Модель обучена на разнообразных мультимодальных данных и может объединять разные типы входных сигналов в общее векторное представление. - Поддержка всех типов данных: текст, изображение, аудио, видео. - Основана на архитектуре Qwen Omni (Thinker-модуль, без генерации текста). - Контекст - до 32 768 токенов, размер embedding — 2048. - Оптимизирована под GPU, поддерживает FlashAttention 2. Это делает её идеальной для: - кросс-модального поиска (поиск текста по видео или изображению); - улучшения RAG-проектов; - систем мультимодального понимания контента. Просто, быстро и эффективно - всё в одном открытом решении. 🌐 Открытая модель: https://huggingface.co/nvidia/omni-embed-nemotron-3b @ai_machinelearning_big_data #crossmodal#retrieval#openAI#NVIDIA#OmniEmbed#multimodal#AIModels#OpenSource#Search#UnifiedEmbedding