DeepLabCut是一个工具箱，用于无标记地估计执行各种任务的动物的姿势。 。 只要您可以看到（标记）要跟踪的内容，就可以使用此工具箱，因为它与动物和物体无关。 最新更新： :purple_heart: DeepLabCut支持多动物姿势估计（BETA版本，请给我们提供反馈！ pip install deeplabcut==2.2b8 ）。 :purple_heart: 我们有一个实时软件包！ 快速pip install deeplabcut ： pip install deeplabcut 您还需要tensorflow和wxPython参见 项目管理的管道和工作流程的概述。 有关循序渐进的用户指南，请阅读《！ 为了更深入地

matlab

PyTorch上的语义分割 该项目旨在为使用PyTorch的语义细分模型提供简洁，易用，可修改的参考实现。 安装 # semantic-segmentation-pytorch dependencies pip install ninja tqdm # follow PyTorch installation in https://pytorch.org/get-started/locally/ conda install pytorch torchvision -c pytorch # install PyTorch Segmentation git clone https://github.com/Tramac/awesome-semantic-segmentation-pytorch.git # the following will install the lib with symb

DeepLab直播！ 软件开发工具包 该软件包包含用于具有最少（软件）依赖性的实时应用程序的推理管道。 因此，安装尽可能容易（尤其是在非典型系统（如）上）。 性能：如果要查看在给定不同视频大小，神经网络类型和硬件的情况下模型应如何执行的估算，请参阅： : 如果您使用的是其他硬件，也请考虑提交结果！ https://github.com/DeepLabCut/DLC-inferencespeed-benchmark 该SDK提供的功能：该软件包提供了DLCLive类，该类使在线姿势估计能够提供反馈。 该对象将加载并准备DeepLabCut网络以进行推理，并将返回单个图像的预测姿势。 为了对姿势进行处理（例如，根据动物的当前姿势预测动物的未来姿势，或触发外部硬件，例如将TTL脉冲发送到激光器以进行光遗传学刺激），该对象将加入Processor对象。 处理器对象必须包含两种方法：处

包括经典的分类网络: AlexNet,MaxOut,InceptionV1,VGG,InceptionV2,InceptionV3,ResNet,Xception,ResNext,MobileNet-V1,DRN,DPN,DenseNet,MobileNet-V2,MobileNet-V3 语义分割网络: FCN,Unet,InstanceFCN,DeepLab-V1,DeeplabV3,SeNet,DeeplabV3+ 目标探测网络: SPP,RCNN,Fast R-CNN,Net,SSD,R-FCN,Faster R-CNN,MaskR-CNN,YOLO 另有NLP,机器翻译,图像风格转换论文若干

DeepLabv3Plus-Pytorch DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重。 可用架构 使用“ --model ARCH_NAME”指定模型体系结构，并使用“ --output_stride OUTPUT_STRIDE”设置输出步幅。 DeepLabV3 DeepLabV3 + deeplabv3_resnet50 deeplabv3plus_resnet50 deeplabv3_resnet101 deeplabv3plus_resnet101 deeplabv3_mobilenet deeplabv3plus_mobilenet 可用型号： ， 加载预训练的模型： model . load_state_dict ( torch . load ( CKPT_PATH )[ 'model_state' ] )

一个官方ppt，涵盖了Deep LabV1V2V3的概括总结，能够丰富语义分割论文内容

pytorch-deeplab-xception 于2018/12/06更新。 提供在VOC和SBD数据集上训练的模型。 于2018/11/24更新。 发布最新版本的代码，该代码可以解决一些以前的问题，并增加对新主干和多GPU培训的支持。 有关以前的代码，请参见上previous分支 去做 支持不同的骨干网 支持VOC，SBD，城市景观和COCO数据集 多GPU训练 骨干 火车/评估系统 价值 预训练模型 ResNet 16/16 78.43％ 移动网 16/16 70.81％ DRN 16/16 78.87％ 介绍 这是的PyTorch（0.4.1）实现。 它可以使用Modified Aligned Xception和ResNet作为主干。 目前，我们使用Pascal VOC 2012，SBD和Cityscapes数据集训练DeepLab V3 Plus。 安装 该代

Panoptic-DeepLab（CVPR 2020） Panoptic-DeepLab是最先进的自下而上的全景分割方法，其目的是为输入图像中的每个像素分配语义标签（例如人，狗，猫等）实例标签（例如ID为1、2、3等）到属于事物类别的像素。 这是我们基于Detectron2的CVPR2020论文的PyTorch重新实现： 。现在，此仓库中还支持使用DeepLabV3和DeepLabV3 +的细分模型！ 消息 [2021/01/25]在COCO实验的旧配置文件中发现了一个错误（对于COCO，需要将MAX_SIZE_TRAIN从640更改为960）。现在，我们还复制了COCO的结果（35.5 PQ）！ [2020/12/17]支持COCO数据集！ [2020/12/11]在Panoptic-DeepLab的Detectron2版本中支持DepthwiseSeparableConv2d。现

最新更新：2021.01.08-最新版本代码库已发布，该代码库发布output_stride = 8 deeplabv3 +模型。 2019.01.21-升级纸张性能代码！ 现在，在PASCAL VOC 2012 val set上，deeplabv3 + res101达到79.155％，deeplabv3 + xception达到79.945％。 主要错误是缺少“同步批处理标准化”的patch_replication_callback()函数。 2018.11.26-更新包括支持Xception网络，多尺度测试，网络输出步幅修改，纯火车组微调以及更多数据集界面（PASCAL Context，Cityscapes，ADE20K） 2018.09.28-在./lib/datasets/VOCDataset.py添加python评估函数 2018.09.21-修复./lib/dataset