人工智能-项目实践-图像识别-基于mtcnn-mobilenet-keras-breath_mask-master

迁移学习（Transfer Learning）：Matlab预训练模型的原始安装程序，用于特征提取、表达、目标识别等诸多任务

MobileNetSSD预训练模型 Realtime object recognition using the OpenCV 3.3 dnn module + pretrained MobileNetSSD caffemodel.

PyTorch中的RetinaFace 实现：。 当Retinaface使用mobilenet0.25作为骨干网时，模型大小仅为1.7M。 我们还提供resnet50作为骨干网以获得更好的结果。 Mxnet中的官方代码可以在找到。 移动或边缘设备部署 从python培训到C ++推理，我们还在为边缘设备提供了一套面部检测器。 使用Resnet50作为骨干网时，单规模的WiderFaceVal性能。 风格 简单的 中等的 难的 Pytorch（与Mxnet相同的参数） 94.82％ 93.84％ 89.60％ pytorch（原始图像比例） 95.48％ 94.04％ 84.43％ 网际网路 94.86％ 93.87％ 88.33％ Mxnet（原始图像比例） 94.97％ 93.89％ 82.27％ 使用Mobilenet0.25作为骨干网时，单规模的Wi

博客：https://blog.csdn.net/qq_34904125/article/details/124854899 本篇是python语言写的，pytorch框架，基于mobilenet训练水果数据集，数据集也可以自行替换， 文件夹下放对应的图片即可，通过01demo即可生成txt文本的数据集，存放图片路径和标签。 02demo使用迁移学习的mobilenet卷积网络对图像进行训练模型， 03demo是通过flask接口调用模型，与小程序界面参数交互 代码中有说明文档 然后小程序的完整上传图片代码也在里面，都是可以直接使用的。

轻量化神经网络之mobilenet v2 v3 ONNX 文件 用来学习网络结构

Caffe-SSD-对象检测 在Python中使用OpenCV在Caffe MobileNet上使用Single Shot MultiBox Detector进行目标检测。 SSD框架 单发MultiBox检测器可分为两部分： 使用基础网络提取特征 使用卷积滤波器进行预测 此实现将MobileNet深度学习CNN架构用作基础网络。 Caffe框架 Caffe是由Berkely AI Research和社区贡献者开发的深度学习框架。 Caffe。 这是使用Nvidia K-40 GPU每天训练超过600万张图像的更快的方法 运行代码 python detectDNN.py -p Caffe/SSD_MobileNet_prototxt -m Caffe/SSD_MobileNet.caffemodel 文章

mobilenet-v2：MobileNet-v2的回购

MobileNet V2的PyTorch实施 + Release of next generation of MobileNet in my repo *mobilenetv3.pytorch* + Release of advanced design of MobileNetV2 in my repo *HBONet* [ICCV 2019] + Release of better pre-trained model. See below for details. 如Mark Sandler，Andrew Howard，Menglong Zhu，Andrey Zhmoginov和Liang-Chieh Chen所讲的，使用框架对ILSVRC2012基准进行了。 此实现提供了一个示例过程，用于训练和验证任何流行的深度神经网络体系结构，并集成了模块化数据处理，训练，日志记录和可视化。

YoloVx（yolov5 / yolov4 / yolov3 / yolo_tiny） 张量流 安装NVIDIA驱动程序 安装CUDA10.1和cudnn7.5 安装Anaconda3，下载 安装tensorflow，例如“ sudo pip install tensorflow> = 1.15或tensorflow> 2.0”等。 介绍 受启发的YOLOv5的tensorflow实现。 受启发的YOLOv4的tensorflow实现。 来自框架代码。 骨干：Darknet53； CSPDarknet53 ，米什 ； MobileNetV2; MobileNetV3（大小） 颈部：SPP ，PAN ； 头：YOLOv5 / YOLOv4（Mish），YOLOv3（Leaky_ReLU） ； 损失：DIOU CIOU ，Focal_Loss ； 其他：Label