Advertisement

TensorFlow-YOLO模型。

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

简介：
YOLO采用物体检测任务，将其转化为回归问题进行解决。它构建了一个独立的端到端神经网络，该网络负责从原始图像中接收输入，并最终输出物体的具体位置以及对应的类别信息。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • TensorFlow-YOLO模型
    优质
    TensorFlow-YOLO模型是一种结合了深度学习框架TensorFlow和目标检测算法YOLO的优势，用于实时进行图像中物体识别与定位的技术方案。 YOLO将物体检测视为回归问题来解决。通过一个单独的端到端网络，从原始图像输入直接输出物体的位置和类别。
     
  • TensorFlow分类模型
    优质
    TensorFlow分类模型是利用Google开发的开源库TensorFlow构建的数据分类算法模型，广泛应用于图像、文本等多种类型数据的分类任务中。 卷积神经网络（CNN）是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习领域的代表算法之一。由于它能够进行平移不变分类，因此也被称为“平移不变人工神经网络”。对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的这类模型；进入二十一世纪后，随着深度学习理论的发展及数值计算设备的进步，卷积神经网络得到了快速发展，并被广泛应用于计算机视觉、自然语言处理等领域。
     
  • 使用 TensorFlow 实现 Yolo
    优质
    本项目利用TensorFlow框架实现YOLO（You Only Look Once）算法，以实现实时物体检测。通过调整网络结构和训练参数优化模型性能。 使用TensorFlow实现了Yolo_v1的功能，编程语言是Python3，在Win10/Ubuntu 16.04 + TensorFlow1.4 + OpenCV 3.3的环境下进行开发。最终实现了对照片和视频的实时检测功能。具体原理参考了Yolo_v1的论文以及我的博客内容。
     
  • TensorFlow 2.0 BERT 模型.rar
    优质
    本资源为TensorFlow 2.0环境下BERT模型的应用与实现，包含预训练、微调及部署的相关代码和文档。适合自然语言处理领域的学习与研究使用。 使用TensorFlow 2.0的Bert模型进行命名实体识别（NER）。
     
  • tiny-yolo-voc.weights模型文件
    优质
    tiny-yolo-voc.weights 是一个基于Tiny YOLO架构、通过Pascal VOC数据集训练得到的对象检测模型权重文件，适用于快速原型开发和小型设备部署。 tiny-yolo-voc.weights 是 tiny yolo 网络的 weights 文件，欢迎各位下载。
     
  • yolo模型的h5文件
    优质
    Yolo（You Only Look Once）模型的H5文件是一种深度学习模型文件格式，用于存储经过训练的目标检测模型参数。该文件可用于快速部署和运行目标识别应用。 Yolov3.weights资源下载，欢迎下载高速版本的yolo官网原版文件。
     
  • 基于TensorFlow的LSTM模型
    优质
    本项目采用TensorFlow框架实现长短时记忆网络(LSTM)模型，旨在解决序列数据预测问题，如时间序列分析和自然语言处理任务。 基于TensorFlow的LSTM模型用于多维时序数据预测，并允许自行调整网络参数。
     
  • TensorFlow与Flask结合：用Python部署TensorFlow模型
    优质
    本文章介绍了如何将深度学习框架TensorFlow与Web开发库Flask相结合，使用Python语言实现TensorFlow模型的部署。读者可以轻松地为自己的机器学习应用构建RESTful API接口，使得非技术人员也能便捷访问和利用训练好的TensorFlow模型。 在Python中使用Flask部署TensorFlow模型开发环境：Ubuntu 18.04的Python版本为3.6.8，Tensorflow版本为1.14.0。 首先确保TensorFlow对象检测API正常工作。从官方的对象检测演示Jupyter Notebook（models/research/object_detection/object_detection_tutorial.ipynb）开始，并将其调整后另存为run_original.py（位于models/research/object_detection目录下）。接下来，可以在浏览器中输入相应的网址来上传图片并进行检测。 您会看到“你好”，然后在浏览器中显示被检测的图片。
     
  • K210_Yolo_framework: 基于TensorFlow的Yolo v3框架，适用于K210的多种模型和数据集...
    优质
    K210_Yolo_framework是一个基于TensorFlow开发的YOLO v3框架，专为K210芯片优化，支持多种模型与数据集，致力于边缘设备上的高效目标检测。 目录：K210 YOLO V3框架 这是一个清晰、可扩展的YOLO v3框架，能够实时显示召回率和精度，并且易于与其他数据集一起使用。该框架支持多个模型主干并进行扩展，同时支持n个输出层和m个锚点。此外，它还支持模型重量修剪以及便携式型号用于Kendryte芯片。 VOC训练设置环境在Ubuntu 18.04、Python 3.7.1上进行了测试，并且可以在requirements.txt文件中查看其他测试详情。 准备数据集：首先使用脚本下载以下文件： - VOCtrainval_11-May-2012.tar - VOCtrainval_06-Nov-2007.tar - VOCtest_06-Nov-2007.tar