视网膜面火炬版 由于机密性，它不是我模型的最佳版本 感谢Alvin Yang（ ） 这是68个地标检测的分支，预先训练的模型位于./out中 进行96个地标检测（请参阅其他分支） 该模型还预测了地标的被遮挡部分，如果不希望它们出现，可以将其隐藏。 基于RetinaFace 当前模型 mobileNet V1 + FPN +上下文模块+回归器1.6MB CPU〜10FPS GPU 50FPU 火车：（请参考dataloader.py更改文件位置） python3 train.py -train该模型使用LS3D-W数据集，或将您的数据集更改为demo.pt/ demo.jpg（68 * 2张量）的格式 使用本地摄像头： python3 video_detect.py（需要删除所有'cuda（）'，并在CPU本地运行） 评估模型： python3 train.py -train错

QuobileNet 正在进行中的基于MobileNetV2的混合量子经典对象检测器。 当前，它修改了一个简单的自制CNN模型，该模型的经典版本使用数据集中的和9在3类分类问题上达到了99.60％的准确性。 我们用一个量子当量替换了4个卷积层之一：“量子卷积”层。 有关如何运行的更多信息和说明，请参见下文。 介绍 该项目旨在创建流行的物体检测网络的混合模型。 的主要重点是与 （以及可能 ）的特征提取主链。 目标是引入量子层并测量各种性能统计数据，例如平均平均精度（mAP）和达到可比的损耗值所需的历元数。 重点关注的主要层是卷积层。 通过对人中引入的原始量子层模型进行修改 和在PennyLane上找到的，构建了一个定制的量子卷积层，该层将任何内核大小和输出层深度作为参数，自动确定所需的正确量子位数，并使用量子输出适当的特征图电路为基础。 当前的计划是用定制的量子卷积层代替Retina

mobilenetV2 网络结构，实测可用，可以详细读懂代码，欢迎下载

mobilenet 下载 mobilenet 下载

使用pytorch写的mobilenet v2代码，详细注释，可以生成训练集和测试集的损失和准确率的折线图，详细注释了神经网络的搭建过程

包含了对图像的识别、电脑固定区域的识别以及电脑摄像头或者视频文件的real time 识别

PyTorch中带有MobileNet后端的RetinaFace推理代码 步骤1： cd cython python setup.py build_ext --inplace 第2步： python inference.py 评估（宽屏）： Easy Val AP：0.8872715908531869 中值AP：0.8663337842229522 硬值AP：0.771796729363941 试验结果： 参考： @inproceedings {deng2019retinaface，标题= {RetinaFace：野外单阶段密集脸定位}，作者= {Deng，Jiankang和Guo，Jia和Yuxiang，Zhou和Jinke Yu和Irene Kotsia和Zafeiriou，Stefanos}，书名= { arxiv}，年份= {2019}}

基于 Pytorch MobileNetv1 的图像分类实战 完整代码+数据 计算机毕设 可直接运行

MobileNetV3的PyTorch实现这是MobileNetV3架构的PyTorch实现，如论文Searching MobileNetV3中所述。 一些细节可能与原始论文有所不同，欢迎讨论MobileNetV3的PyTorch实现。这是论文Searching MobileNetV3中描述的MobileNetV3体系结构的PyTorch实现。 一些细节可能与原始论文有所不同，欢迎讨论并帮助我解决。 [NEW]小版本mobilenet-v3的预训练模型在线，准确性达到与纸张相同的水平。 [NEW]该文件于5月17日更新，因此我为此更新了代码，但仍然存在一些错误。 [NEW]我在全局AV之前删除了SE

1.可以进行分类任务直接运行 2.有数据集一个17类花分类数据集 3.可以训练自己的数据集 4.可以根据配置文件配置mobilenetV1或者V2或者V3