Advertisement

YOLACT++ 源代码、权重文件和测试图像

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


简介:
本项目包含YOLACT++模型的源代码、预训练权重及用于评估的测试图片数据集,旨在为研究者提供高效实例分割工具。 这段内容包含yolact++的源码、权重文件以及测试图片。测试图片命名为test.jpg,可以自行更换。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • YOLACT++
    优质
    本项目包含YOLACT++模型的源代码、预训练权重及用于评估的测试图片数据集,旨在为研究者提供高效实例分割工具。 这段内容包含yolact++的源码、权重文件以及测试图片。测试图片命名为test.jpg,可以自行更换。
  • YOLACT下载(yolact_plus_base_54_800000.pth)
    优质
    简介:YOLACT_plus_base_54_800000.pth为YOLACT实时实例分割模型的预训练权重文件,适用于物体检测与分割任务。 需要yolact预训练模型的可以联系我获取,GitHub上的下载速度较慢,请将权重文件放到项目下的weights文件夹里。
  • mmdetection中faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth
    优质
    本实验使用了mmdetection库中的faster_rcnn_r50_fpn模型,加载特定预训练权重(faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth)进行目标检测任务测试。 在mmdetection中测试faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth这个权重文件。
  • YOLOv7
    优质
    简介:本文档提供了YOLOv7模型的完整源代码和预训练权重文件,便于研究者快速上手进行目标检测任务开发与优化。 为了方便大家下载,这里提供了YOLOv7的源代码和权重文件。
  • yolov5s.pt yolov5
    优质
    本资源包含YOLOv5模型的S版本权重文件(yolov5s.pt),适用于物体检测任务,提供高效准确的目标识别能力。 yolov5s.pt 和 yolov5weight 文件是与 YOLOv5 模型相关的文件。
  • Yolov9完整
    优质
    本资源提供YOLOv9的完整源代码和预训练权重文件,适用于目标检测任务,帮助用户快速搭建高性能的目标识别系统。 资源内容:基于YOLOv9训练自己数据集的源码适用于人工智能行业初入门人员及YOLO算法爱好者。
  • Yolov10完整
    优质
    本资源包含YOLOv10算法的完整源代码和预训练模型权重文件,适用于对象检测任务研究与开发。 YOLOv10是由清华大学的研究人员开发的一种新的实时目标检测方法,解决了之前版本的YOLO在后处理及模型架构上的不足。通过去除非最大抑制(NMS)并优化各种模型组件,YOLOv10不仅大幅减少了计算开销,还实现了业界领先的性能水平。实验证明,在多个模型尺度上,YOLOv10展现了卓越的精度与延迟之间的平衡。 该技术适用于在校大学生、人工智能爱好者等群体。
  • YOLOv5 v7.0 检
    优质
    YOLOv5 v7.0检测权重文件是基于流行目标检测模型YOLOv5最新版本(v7.0)训练所得的重要成果,适用于快速、高效的图像和视频中的对象识别与定位任务。 YOLOv5 v7.0 版本包含以下权重文件,适用于检测任务: 1. yolov5n.pt 2. yolov5n6.pt 3. yolov5s.pt 4. yolov5s6.pt 5. yolov5m.pt 6. yolov5m6.pt 7. yolov5l.pt 8. yolov5l6.pt
  • YOLACT解析一
    优质
    《YOLACT》系列教程的第一部分,专注于详细解析用于实例分割任务的先进模型YOLACT的核心编码逻辑与架构设计。 【YOLACT】代码解读一 1. 代码运行验证处理图片训练代码解读网络架构。 2. 根据GitHub所给指导一步一步进行操作:如果已经下载好COCO数据集,需要在`data/config.py`文件的第108行以下修改数据集目录,并且在`run_coco_eval.py`文件的第16行修改验证集annotation文件路径。 3. 验证有三种评估方式: - 第一种:运行命令 `python eval.py --trained_model=weights/yolact_base_54_800000.pth` 该命令不使用COCO数据集中自带的模型进行评估,而是采用自己定义的评估函数。 - 第二种方法是直接执行 `python eval.py`。