insertface model onnx

5星

浏览量: 0

大小:None

文件类型：7Z

简介：
该资源库支持基于ONNX格式的深度学习模型实现，涵盖二维与三维关键点检测算法。针对人体三维结构分析，该模型能准确提取出68个关键点位置；基于二维特征检测方法，支持精确定位106个关键点。通过预训练参数优化计算，在保证识别精度的前提下大幅提升了计算效率。能够有效推断用户性别及年龄段划分。基于深度学习算法构建的低复杂度替代表达模型，可将预设替代表面与输入图片中的面部特征进行高效匹配。针对人体关键点检测任务设计的轻量化模块，在保证识别精度的前提下大幅降低了计算开销；通过调参优化实现的人脸关键点定位方法，既保持了较高的检测准确率，又能在复杂场景下稳定运行。完整的代码实现可在[链接]处下载获取。

全部评论 (0)

还没有任何评论哟~

客服

RAFT-Stereo-Realtime ONNX Model

优质

RAFT-Stereo-Realtime ONNX Model是一种基于ONNX框架实现的实时立体视觉模型，适用于深度学习中的实时应用场景。 RAFT-Stereo的实时权重由官方提供的pth模型转换而来，并经过验证确认可用。 RAFT-Stereo的优势在于早期双目深度估计研究主要集中在特征匹配与正则化两个关键部分，主流方法是使用3D卷积神经网络计算代价体，但这种方法成本较高且难以处理高分辨率图像。相比之下，光流问题通常采用迭代精化的方法来解决。尽管光流和矫正立体镜头在技术上紧密相关，但用于这两个任务的神经网络结构却有很大差异。 RAFT-Stereo是一种新型的双视立体架构体系，它利用了RAFT特有的3D体积与迭代细化法，并仅使用2D卷积以及一个轻量级的成本体。相比之前的立体网络模型，RAFT-Stereo具有更好的泛化能力且不需要复杂的损失项，在KITTI、ETH3D和Middlebury等真实数据集上表现出色并具备更强的跨数据集泛化性能。该模型基于RAFT光流估计网络改进而来，通过多级卷积GRU模块传播全局信息。其结构包括特征提取、相关性匹配代价体构建及多层级更新策略，在不同尺度优化视差估计的同时增强了对弱纹理区域的适应性。实验结果表明，此方法在立体匹配任务中取得了良好的效果。

cnocr-v2.3-densenet-lite-136-gru-model-onnx-epoch=004-ft

优质

这段简介描述的是一个基于DenseNet-Lite架构，并结合GRU模型训练得到的ONNX格式的OCR识别模型，经过四轮微调训练。 cnocr-v2.3-densenet-lite-136-gru-epoch=004-ft-model.onnx

YOLOv9-ONNX

优质

YOLOv9-ONNX是基于YOLOv9模型的ONNX格式版本，适用于多种平台和框架，提供高效、准确的目标检测能力。独家提供专业且准确的ONNX导出模型，已包含重参数机制处理，并优化为最精简版本。

ONNX-Modifier

优质

ONNX-Modifier是一款用于修改和优化ONNX模型的工具，支持模型裁剪、融合及量化等操作，旨在帮助开发者提升AI应用性能。 onnx-modifier（在GitHub上可以找到）的开发动机是为了能够实时预览编辑后的可视化效果，从而更方便、快捷且直观地实现ONNX模型的编辑。所有编辑信息将最终汇总并通过ONNX Python API处理，以生成修改后的ONNX模型文件。目前支持的操作包括： 1. 删除和恢复节点 2. 增加新节点 3. 修改节点输入输出名称 4. 修改模型输入输出名称 5. 添加新的模型输出节点 6. 修改节点属性值 7. 调整模型的batch size大小 8. 更改模型initializers 通过点击界面上的一个链接（默认为http://127.0.0.1:5000），可以在浏览器中打开onnx-modifier界面。上传需要编辑的ONNX文件后，网络可视化的结构会自动显示出来。

ONNX-LAB-Master.zip

优质

ONNX-LAB-Master 是一个开源项目，提供了用于深度学习模型训练和推理的工具集，基于ONNX格式，助力开发者高效处理机器学习任务。资源浏览查阅18次。像ONNXModelZoo这样的集合让你很容易找到下一个顶级模型。但是,如果找到的模型不是您想要的，可以继续寻找其他选项。更多信息、下载资源和学习资料可以在相关平台获取。

YOLOv9-gelan-ONNX

优质

简介：YOLOv9-gelan-ONNX是基于YOLOv9模型优化改进的版本，针对特定需求进行了调整，并转换为ONNX格式以提升部署灵活性和性能。 YOLOv9-gelan 模型截至24/02/25，在业界独家推出，并成为首个真正转出可直接用于部署的ONNX模型。该模型完成了重参数化及参数融合，消除了所有无关节点与参数，确保了最佳的部署效果，可以直接应用于NCNN、OpenVINO和TensorRT等平台，避免了各种“胶水”操作的存在。如有其他疑问，请随时联系沟通。

stroke-forecasting-model

优质

简介：本项目旨在开发一种预测中风风险的模型，通过分析个人健康数据，提前识别潜在的风险因素，以期实现早期干预和预防。 ======中风预测模型====== 数据集来源：Kaggle。该数据集用于根据输入参数（例如性别、年龄、各种疾病及吸烟状况）来预测患者是否可能中风。通过使用机器学习和数据可视化技术，从原始训练数据集中提取子集。关于数据：每一行记录包含一个人的相关信息；如年龄、性别、吸烟情况以及是否有中风等其他相关信息。除了某些人的吸烟状态未知外，其余所有信息均可用。“N/A”表示不适用。项目目标是创建一个具有100% F1分数且AUC=1的模型，确保该模型能够完全区分阳性类别（有中风）和阴性类别（无中风）。