Advertisement

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

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

简介：
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

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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
     
  • 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。
     
  • tflite2onnx：将*.tflite的TensorFlow Lite模型转为ONNX
    优质
    tflite2onnx是一款工具，用于将 TensorFlow Lite (.tflite) 格式的机器学习模型转换成 ONNX 格式，以便在更多平台上部署和运行。 tflite2onnx是一个工具，用于将TensorFlow Lite（TFLite）模型转换为ONNX模型，并正确处理数据布局和量化语义。 如果您想将TensorFlow模型（如冻结图或其他格式）转换为ONNX，请尝试使用其他方法先将其转为TFLite模型，然后再用tflite2onnx工具将TFLite模型转换成ONNX。微软还提供了一个名为tf2onnx的替代方案，该方案可以在某些方面做得更好，比如它能够处理量化和一些尚未被tflite2onnx支持的RNN网络。 如果发现tflite2onnx缺少特定功能，请考虑使用tf2onnx工具进行转换。
     
  • CnOCR模型包合集（含cnocr-2.3和cnstd-1.2）
    优质
    CnOCR模型包合集提供了一套全面的文字识别解决方案，包含最新的cnocr-2.3和cnstd-1.2版本，适用于多种场景下的中文文字检测与识别任务。 CnOCR模型包汇总包括cnocr-2.3和cnstd-1.2。
     
  • cnocr-master.zip 文件
    优质
    cnocr-master.zip 是一个包含中文光学字符识别（OCR）模型和代码的压缩文件。该项目支持多种深度学习框架，并提供详细的文档与示例以便用户轻松上手使用。 cnocr是一个用于中文OCR的Python 3包。它自带了训练好的识别模型，安装后可以直接使用。
     
  • CIFAR10-DenseNet
    优质
    CIFAR10-DenseNet是指将DenseNet网络架构应用于CIFAR-10数据集上的一种深度学习模型组合方式，用于图像分类任务。 使用Pytorch实现DenseNet模型在CIFAR10数据集上的测试，并提供了包含完整训练和测试输出的ipynb文件。
     
  • 在树莓派上安装yolov5-lite所需ONNX Runtime的简便方法
    优质
    本文介绍了一种简单的方法，在树莓派设备上为YOLOv5-Lite模型安装所需的ONNX运行时环境，帮助用户快速部署轻量级目标检测系统。 树莓派安装yolov5-lite所需的onnxruntime包很方便。
     
  • DenseNet代码
    优质
    这段DenseNet代码指的是实现密集连接卷积网络（Dense Convolutional Network）的程序。该模型通过在网络各层间添加直接连接来减少梯度消失问题，并促进特征重用，从而提高性能和效率。 网络上找到的代码经过亲测可用。可以直接下载Python版的cifar数据集并添加路径，内含resnet代码。
     
  • SolarWinds-FT-SolarPuTTY.zip
    优质
    SolarWinds-FT-SolarPuTTY 是一个由SolarWinds公司开发的文件，包含其专有的终端服务客户端工具SolarPuTTY，便于用户安全地连接和管理远程服务器。 Solar-PuTTY 是 Windows 下免费的 SSH 客户端工具，适用于专业管理远程会话。 关键特性包括： - 使用带有标签界面的一体化控制台管理多个会话。 - 为任何网络中的服务器或设备保存凭证或私钥以实现便捷登录。 - 在连接建立时自动化所有脚本使用。 - 感谢 Windows Search 集成，轻松查找已保存的会话。 此外，无需安装即可直接使用。
     
  • DenseNet-BC-121-32.zip和DenseNet-BC-121-32-on-top.zip
    优质
    这两个文件包含了预训练的DenseNet-BC-121模型，具有32个增长率。其中，on-top版本在原有的基础上进行了进一步的微调或修改。 DenseNet-BC-121-32.zip 和 DenseNet-BC-121-32-on-top.zip 是两个与深度学习相关的压缩包文件，其中包含预训练的网络权重。DenseNet 是一种卷积神经网络（CNN）架构，由Gao Huang等人在2017年提出，它以其紧密连接的层结构而闻名，旨在解决传统CNN中梯度消失和特征重用的问题。 DenseNet的主要特点在于“稠密块”（Dense Block）和“过渡层”（Transition Layer）。每个稠密块内的每一层都会连接到所有前一层的输出，这增强了特征传播和重用。这种设计减少了网络中的梯度消失问题，同时也使得模型能够更有效地学习和利用先前层的特征。“BC”代表“Bottleneck”和“Compression”，这是一种优化策略，用于减少模型参数数量并提高计算效率。 在这些压缩包中包含两个文件：DenseNet-BC-121-32-no-top.h5 和 DenseNet-BC-121-32.h5。H5是HDF5文件格式的缩写，这种格式特别适合存储深度学习模型中的权重和参数。“no-top”通常意味着这个模型没有包括全连接层（即分类层），用户可以自定义顶层来适应不同的任务，例如图像分类、目标检测或语义分割；而DenseNet-BC-121-32.h5可能包含了完整的网络结构，包括预训练的全连接层，可以直接用于与预训练任务相同的分类问题。 预训练模型对于许多计算机视觉任务来说非常有用，因为它们已经在大型数据集（如ImageNet）上进行了充分训练，捕获了大量的通用特征。开发者可以使用这些预训练权重作为基础，在自己的特定任务上进行微调，并且往往能比从头开始训练更快地达到良好的性能。 DenseNet121是指DenseNet的一个变种，具体有121个卷积层。在DenseNet系列中，模型的名称（如121、169、201）通常指的是不包括输入和输出层在内的卷积层数量。DenseNet-121拥有四个稠密块，每个块内部有多层卷积操作且增长速率为32，整个网络结构紧凑，适合资源有限的环境。 这两个压缩包提供的预训练DenseNet模型可以用于各种计算机视觉任务；只需根据需求选择合适的版本，并添加自定义顶层。使用这些模型可以帮助开发者快速启动项目并节省大量的训练时间和计算资源。同时通过调整和微调这些模型，还可以进一步提升在特定任务上的表现。