Advertisement

EfficientDet-Keras: 一个可用于自定义模型训练的源代码

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
EfficientDet-Keras是基于Keras框架开发的一个高效目标检测库，支持用户轻松定制和训练个性化模型。 Efficientdet是一种可扩展且高效的物体目标检测模型，在Keras中的实现情况如下： - 训练数据集：VOC07+12 - 权值文件名称：Efficientdet-D0和Efficientdet-D1的voc权重，以及Efficientnet-b0到Efficientnet-b7的权重。 - 测试数据集：VOC-Test07 - 输入图片大小：512x512、640x640 - mAP 0.5:0.95 ：83.2（对于输入大小为512x512的情况） - mAP 0.5 ：84.2（对于输入大小为640x640的情况） 所需环境： tensorflow-gpu==1.13.1 keras==2.1.5 训练所需的h5文件可以在百度网盘下载，包括Efficientdet-D0和Efficientdet-D1的voc权重以及用于迁移学习的Efficientnet-b0到b7的权重。这些可以直接用于预测。 VOC数据集可以从相关平台或网站获取，其中包括2007年与2012年的训练集合。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • EfficientDet-Keras: 一个可用于自定义模型训练的源代码
    优质
    EfficientDet-Keras是基于Keras框架开发的一个高效目标检测库，支持用户轻松定制和训练个性化模型。 Efficientdet是一种可扩展且高效的物体目标检测模型，在Keras中的实现情况如下： - 训练数据集：VOC07+12 - 权值文件名称：Efficientdet-D0和Efficientdet-D1的voc权重，以及Efficientnet-b0到Efficientnet-b7的权重。 - 测试数据集：VOC-Test07 - 输入图片大小：512x512、640x640 - mAP 0.5:0.95 ：83.2（对于输入大小为512x512的情况） - mAP 0.5 ：84.2（对于输入大小为640x640的情况） 所需环境： tensorflow-gpu==1.13.1 keras==2.1.5 训练所需的h5文件可以在百度网盘下载，包括Efficientdet-D0和Efficientdet-D1的voc权重以及用于迁移学习的Efficientnet-b0到b7的权重。这些可以直接用于预测。 VOC数据集可以从相关平台或网站获取，其中包括2007年与2012年的训练集合。
     
  • Facenet-Keras源码：可用于训练个性化模型
    优质
    Facenet-Keras源码项目提供了一个基于Keras框架的脸部识别深度学习模型Facenet的实现。此代码库支持用户轻松地训练和定制个性化的脸部识别模型，适用于多种应用场景如安全验证、人脸聚类等。 Facenet：人脸识别模型在Keras中的实现情况及性能表现如下： - 训练数据集：CASIA-WebFace - 测试数据集：LFW - 输入图片大小：160x160像素 精度： - CASIA-WebFace 数据集上的精度为 97.86% - LFW 数据集上的精度为 99.02% 所需环境： - tensorflow-gpu==1.13.1 - keras==2.1.5 文件下载提示：已经训练好的 facenet_mobilenet.h5 和 facenet_inception_resnetv1.h5 文件可以获取。此外，用于训练的 CASIA-WebFaces 数据集以及评估用的 LFW 数据集也可以获得。 预测步骤： a、使用预训练权重 - 下载并解压库后，在 model_data 文件夹里已经有了 facenet_mobilenet.h5 文件。 - 可直接运行 predict.py。
     
  • RetinaFace-PyTorch: 该源码可用于训练自定义模型
    优质
    RetinaFace-PyTorch是一款基于PyTorch框架的人脸关键点检测和面部属性识别的代码库，支持用户定制化模型训练。 Retinaface：人脸检测模型在Pytorch中的实现目录性能情况及训练数据集： - 权值文件名称： - Retinaface_mobilenet0.25.pth（适用于MobileNet架构） - Retinaface_resnet50.pth（适用于ResNet50架构） - 测试数据集输入图片大小：1280x1280 - 性能情况： - Easy: 89.76% - Medium: 86.96% - Hard: 74.69% （使用Retinaface_mobilenet0.25.pth） - 性能情况： - Easy: 94.72% - Medium: 93.13% - Hard: 84.48% （使用Retinaface_resnet50.pth） 注意事项：本库下载后可以直接进行预测，已经在model_data文件夹下存放了Retinaface_mobilenet0.25.pth文件，可用于预测。如果想要使用基于ResNet50的retinaface，请下载相应的权重文件。 所需环境： - Pytorch - 其他依赖项（具体请参阅文档或README）
     
  • PSPNet-PyTorch: 用于训练自定义模型的源代码
    优质
    PSPNet-PyTorch是一款基于PyTorch框架开发的代码库，专为训练个性化图像分割模型设计。它提供了一个灵活且高效的平台，助力研究者快速实现并优化自己的深度学习项目。 PSPNet：Pyramid Scene Parsing Network是一种语义分割模型，在Pytorch中的实现情况如下： - **训练数据集**：VOC12+SBD - **测试数据集**：VOC-Val12473x473 - **输入图片大小**: 473x473 - **mIOU（在VOC拓展数据集上的表现）**: - PSPNet+MobileNetv2: 68.59% - PSPNet+Resnet50: 81.44% 所需环境： - torch==1.2.0 注意事项：代码中的`pspnet_mobilenetv2.pth`和`pspnet_resnet50.pth`是基于VOC拓展数据集训练的。在进行训练和预测时，需要根据具体情况修改backbone。 文件下载提示：所需的权重文件（如训练用到的 `pspnet_mobilenetv2.pth` 和 `pspnet_resnet50.pth`）可以通过百度网盘下载得到。 链接及提取码请自行查找。
     
  • RetinaNet-PyTorch: 适用于自定义模型训练的源代码
    优质
    简介：RetinaNet-PyTorch 是一个用于自定义模型训练的高质量开源代码库，基于PyTorch框架实现，提供灵活且高效的物体检测解决方案。 Retinanet：目标检测模型在Pytorch中的实现 目录性能情况： - 训练数据集：VOC07+12 - 测试数据集：VOC-Test07 - 输入图片大小：600x600 - mAP 0.5: 81.56% - mAP 0.5:0.95 所需环境： torch==1.2.0 文件下载： 训练所需的retinanet_resnet50.pth可以在百度云下载。 VOC数据集下载地址如下： - VOC2007+2012训练集 - VOC2007测试集 预测步骤： a、使用预训练权重。首先解压库，然后在百度网盘下载retinanet_resnet50.pth，并放入model_data目录中，运行predict.py文件并输入img/street.jpg。 b、利用video.py可以进行摄像头检测。 c、使用自己训练的权重按照上述步骤操作即可。
     
  • Yolov4-Pytorch源码：适用于自定义模型训练的代码库
    优质
    本项目提供了基于PyTorch实现的YOLOv4深度学习目标检测框架源码，便于用户进行模型定制与训练。 YOLOV4：您只看一次目标检测模型在pytorch当中的实现 2021年2月7日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 目录： - 性能情况 - 训练数据集权值文件名称测试数据集输入图片大小行动计划0.5：0.95 行动计划0.5 - VOC07 + 12 + 可可VOC-Test07，416x416 -- 89.0 - 2017年COCO火车 COCO-Val2017, 416x416, mAP: 46.1 (box), 70.2 (seg) 实现的内容： - 主干特征提取网络：DarkNet53 => CSPDarkNet53 - 特征金字塔：SPP，PAN - 训练用到的小技巧：马赛克数据增强，标签平滑，CIOU，学习率余弦逐步衰减 - 激活函数：使用Mish激活函数 所需环境： 火炬== 1.2.0 注意事项： 代码中的yolo4_we
     
  • 【YOLO入门】keras-yolov3训练自定义数据集（第一部分）
    优质
    本教程详细介绍了如何使用Keras框架从零开始搭建YOLOv3模型，并训练其识别自定义数据集中的目标，适合深度学习初学者。 该资源来自我的博客《【YOLO初探】之 keras-yolov3训练自己数据集》的代码第一部分，内容涉及图像标记软件labelImg。结合第二、三部分内容，可以顺利运行，请参阅相关博客文章。
     
  • 【YOLO入门】keras-yolov3训练自定义数据集（二）
    优质
    本教程详细介绍如何使用Keras框架和YOLOv3模型来训练适应特定任务的自定义数据集，是YOLO初学者的实用指南。 该资源是我的博客《【YOLO初探】之 keras-yolov3训练自己数据集》代码的第二部分的内容。内容包括我自己训练完成的权重。结合第一、三部分的内容，可以顺利运行，请参看我的博客文章。
     
  • Windows下使用TensorFlow/Keras和VGG16训练自定义数据集-附件资源
    优质
    本资源提供在Windows环境下利用TensorFlow与Keras框架结合预训练模型VGG16进行深度学习图像分类任务，指导用户如何构建并训练基于个人数据集的卷积神经网络模型。 使用Windows系统结合TensorFlow/Keras以及VGG16模型来训练自己的数据集的方法指南。
     
  • Keras中的预训练VGG16模型
    优质
    简介：Keras中的预训练VGG16模型是一种深度卷积神经网络，适用于图像分类任务。该模型基于VGG团队在ImageNet竞赛中发布的架构，并已在大规模数据集上进行了预训练，提供丰富的特征提取能力。 VGG16的Keras预训练模型在官网下载速度较慢，所以我已经帮大家下好并上传了。这个模型主要用于加载预训练的权重。