resnet-18:ResNet-18的回购
1
ArcFace ResNet50@WebFace600K
2023-02-02 13:16:34 153.88MB ArcFace
1
SCRFD_10G(shape640×640、shape1280×1280) SCRFD_10G_KPS(shape640×640、shape1280×1280)
2023-02-02 13:15:43 57.8MB SCRFD
1
多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现,如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分,我们提供了一个示例考试(在images目录中)。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒(3.6) TensorFlow(1.5.0)或PyTorch(0.4.0) NumPy(1.14.3) 科学(1.0.0) 枕头(5.1.0) 数据 要使用预训练模型,输入必须包含四张图像,每个视图一个(L-CC,L-MLO,R-CC,R-MLO)。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p
2022-09-27 16:42:02 74.75MB tensorflow pytorch classification pretrained-models
1
猫和狗 当我们的数据集不足时,最常用的方法之一是使用预先训练的模型。 在我们的案例中,我们将考虑在ImageNet数据集上训练的大型卷积网络(140万个带标签的图像和1000个不同的类)。 ImageNet包含许多动物类别,包括不同种类的猫和狗,因此我们可以期望在猫与狗的分类问题上表现出色。 我们可以使用的一些主干: •Xception•InceptionV3•ResNet50•VGG16•VGG19•MobileNet 我将使用由Karen Simonyan和Andrew Zisserman在2014年开发的VGG16架构,该架构是ImageNet的一种简单且广泛使用的convnet架构。 VGG16: from keras.applications import VGG16 conv_base=VGG16(weights=('imagenet'),
1
mobilenet-v2:MobileNet-v2的回购
1
MobileNet V2的PyTorch实施 + Release of next generation of MobileNet in my repo *mobilenetv3.pytorch* + Release of advanced design of MobileNetV2 in my repo *HBONet* [ICCV 2019] + Release of better pre-trained model. See below for details. 如Mark Sandler,Andrew Howard,Menglong Zhu,Andrey Zhmoginov和Liang-Chieh Chen所讲的,使用框架对ILSVRC2012基准进行了。 此实现提供了一个示例过程,用于训练和验证任何流行的深度神经网络体系结构,并集成了模块化数据处理,训练,日志记录和可视化。
1
:warning: 结帐分支以查看pyannote.audio 2.0 中的内容: 一个更小更干净的代码库 Python-first API(不过,旧的pyannote-audio CLI 仍然可用) 多 GPU 和 TPU 训练 使用数据增强 模特主持 音频注释的食谱 基于在线 使用pyannote-audio神经说话者分类 pyannote.audio是一个用 Python 编写的用于说话人分类的开源工具包。 基于机器学习框架,它提供了一组可训练的端到端神经构建块,可以组合和联合优化来构建说话人分类管道: pyannote.audio还带有涵盖了语音活动检测、说话人变化检测、重叠语音检测和说话人嵌入的广泛领域: 安装 pyannote.audio在 Linux 和 macOS 上仅支持 Python 3.7(或更高版本)。 它可能适用于 Windows,但没有任何保证,也没有任何计划添加对
1
变压器模型:MATLAB中的深度学习变压器模型
1
GhostNet的PyTorch实施 如GhostNet中所述重现GhostNet架构的由Kai Han,Yunhe Wang,祁天,郭建元,徐纯景,关于框架的ILSVRC2012基准。 预训练模型 建筑学 # 参数 MFLOPs 前1名/前5名准确性(%) 5.181百万 140.77 73.636 / 91.228 from ghostnet import ghostnet net = ghostnet () net . load_state_dict ( torch . load ( 'pretrained/ghostnet_1x-9c40f966.pth' )) 培训策略 8个GPU上的批处理大小为1024 初学率0.4 重量衰减0.00004 辍学率0.2 BN重量无衰减 我们将上述设置保持不变,并使用以下不同的训练技术进行实验,以进行消融和繁殖。 在预热阶段,学
2021-12-24 09:17:57 18.68MB pytorch imagenet pretrained-models reproduction
1