Advertisement

Grounding DINO及其升级版本SAM和SAM2的源代码与预训练模型，适合无法访问GitHub的同学

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

简介：
本资源提供Grounding DINO及其实用性强的升级版SAM和SAM2的源代码与预训练模型下载链接，方便那些无法直接使用GitHub平台的学习者和开发者。 包含 Grounding DINO 源码及预训练模型、Grounding DINO 1.5 源码、Grounding DINO SAM 源码及相关论文文件，适合无法访问 Github 的同学使用。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Grounding DINO及其升级版本SAM和SAM2的源代码与预训练模型，适合无法访问GitHub的同学
    优质
    本资源提供Grounding DINO及其实用性强的升级版SAM和SAM2的源代码与预训练模型下载链接，方便那些无法直接使用GitHub平台的学习者和开发者。 包含 Grounding DINO 源码及预训练模型、Grounding DINO 1.5 源码、Grounding DINO SAM 源码及相关论文文件，适合无法访问 Github 的同学使用。
  • 不同版本的ResNet预训练模型
    优质
    本文探讨了多种版本的ResNet预训练模型，包括它们的架构差异、适用场景及性能表现，为深度学习应用提供参考。 ResNet预训练模型包括resnet18.caffemodel、resnet50.caffemodel、resnet101.caffemodel以及resnet152.caffemodel。
  • Yolov5代码版本，含预训练模型及测试脚本，支持训练
    优质
    简介：该资源提供YOLOv5的完整代码版本，包含预训练模型和详细的测试脚本，方便用户直接进行模型训练和验证。 yolov5配置版的代码阅读和修改不太方便，所以我整理了一个代码封装版本，这样可以更方便地阅读和修改网络结构，并且带有预训练权重。检测代码为detect_class_s.py，用于检测芒果，也可以用来训练其他目标。
  • Dinov2代码及预训练模型
    优质
    Dinov2是一种先进的自监督学习视觉Transformer模型。本文档提供了其源代码和经过大规模数据集预训练的模型，方便研究者们进行深度学习与计算机视觉领域的探索与应用。 dinov2的代码与预训练模型提供了强大的工具支持研究和应用开发。
  • GPT2预训练模型学习笔记及代码资源
    优质
    本资料为研究GPT-2预训练模型的学习总结与实践分享，涵盖关键概念解析、实验设置详解及实用代码库推荐。适合自然语言处理领域初学者和进阶者参考使用。 预训练模型专题_GPT2_模型代码学习笔记-附件资源 这段文字在去掉链接后可以简化为： GPT2 模型代码学习笔记及附件资源相关的内容总结。
  • YOLOv8预训练模型版本
    优质
    YOLOv8是一款先进的目标检测算法的最新版本，它在效率和准确性上进行了优化，并提供了多个预训练模型以适应不同的应用场景。 这段文字包含以下内容：yolov8n.ptyolov8s.ptyolov8m.ptyolov8l.ptyolov8x.pt。
  • CIFAR10 - PyTorch - 包含模型源文件、训练和测试代码以及Kaggle上的预训练模型
    优质
    本项目提供了一个基于PyTorch框架的CIFAR-10数据集图像分类解决方案，包含详细的模型源码、训练与测试脚本，并附有在Kaggle平台上的预训练模型以供参考和使用。 cifar10文件夹：包括了cifar10原数据库 kaggle文件夹：包括了在kaggle上训练好的模型及日志文件 model文件夹：包括了本地cpu训练好的模型 src文件夹： - kaggle_tensorboard.py: 用于使用tensorboard展示kaggle上训练的日志 - model.py: 神经网络模型 - res_model：残差网络模型 有问题就发邮件。GuanlinLi_BIT@163.com
  • BERT： TensorFlow代码及预训练模型
    优质
    BERT: TensorFlow代码及预训练模型提供了基于Transformer架构的双向编码器表示方法，用于自然语言处理任务，包括问答和情感分析等。此资源包含开源代码与预训练模型。 2020年3月11日发布的新产品是更小的BERT模型（仅限英语版本且无大小写区分）。此版本包含了24个较小的BERT模型，并使用WordPiece掩码进行了训练。我们已经证明，除了标准的BERT-Base和BERT-Large之外，其他多种尺寸的模型在采用相同的模型架构及训练目标时也是有效的。这些更小的模型特别适用于计算资源有限的情况，在这种情况下可以按照与原始BERT模型相同的方式进行微调。然而，它们最有效地应用于知识提炼场景中，即通过更大的、更为准确的老师来进行微调标签制作。 发布这一版本的目标是为那些拥有较少计算资源的研究机构提供支持，并鼓励社区探索增加模型容量的新方法。这些较小的BERT模型可以从表格下载，该表列出了不同参数组合的情况： - 高度（H）：128, 256, 512, 768 - 层数（L）：2, 4, 6, 8, 10, 12 请注意，在此版本中包含的BERT-Base模型是为了完整性考虑而重新训练的，其条件与原始模型相同。以下是测试集上的相应GLUE分数： 这些较小的BERT模型为研究和应用提供了灵活性，并且在计算资源有限的情况下仍然可以实现有效的性能提升。
  • Real-Time-Voice-Cloning官方GitHub的预训练模型
    优质
    Real-Time-Voice-Cloning是基于开源平台GitHub的一个项目，该项目提供了一个实时语音克隆的预训练模型，允许用户快速创建和定制个性化的语音模拟。 CorentinJ的Real-Time-Voice-Cloning项目训练模型包含三个部分：encoder、synthesizer和vocoder。