包含两个个版本的预训练模型 yolor_csp.pt yolor_csp_x.pt

u2net网络的预训练模型+抠图人群+通过python库backgroundremover直接抠图+冲吧

预训练语言模型，可用于文本分类等NLP任务，序列标注任务，情感分析任务，采用业界通用的技术实现，接下游文本分类，序列标注，情感分析等任务，性能良好

这个项目是我在学习Pytorch的时候做的一个简单的CIFAR-10数据集的训练模型，里面每一步都有详细的注释介绍，很适合深度学习小白下载学习。其中包含我模型训练的代码，也包含模型测试的代码，大家可以修改参数进行测试。 1、train.py 是我训练模型的代码 2、nn_module.py 是我神经网络模型的代码 3、test.py 是我测试模型的代码 4、images 是我用来测试的图片 5、myModule_19.pth 是我训练20次后得到的模型

包含蝴蝶图片分类数据集，20个类别，文件夹分类。分类模型resnet，训练模型、预测代码。

手写字符识别 这是一个可识别手写字符的深度学习AI系统，在这里我使用chars74k数据集来训练模型 先决条件： Python 水蟒 点子 虚拟环境 从下载手写数据集 每个班级只有55个样本，因此我编写了脚本来创建具有不同背景色的重复图像。 克隆此存储库并使用以下命令创建virtualenv virtualenv venv source venv/bin/activate 导航到克隆目录 pip install -r requirements.txt 为数据集创建重复图像 python generate_dataset.py 打开笔记本 jupyter notebook

百度ernie1.0 百度ernie1.0 百度ernie1.0 百度ernie1.0 百度ernie1.0 百度ernie1.0 百度ernie1.0 建议去官网下载最新版，这里实验结果仅供参考

MXNet 深度学习，人脸识别预训练模型：(1) arcface_r100_v1 ：model-0000.params ,model-symbol.json (2) retinaface-R50: R50-0000.params, R50-symbol.json

 YOLOV4出现之后不久，YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。大家对YOLOv5算法的创新性半信半疑，有的人对其持肯定态度，有的人对其持否定态度。在我看来，YOLOv5检测算法中还是存在很多可以学习的地方，虽然这些改进思路看来比较简单或者创新点不足，但是它们确定可以提升检测算法的性能。其实工业界往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。本文将对YOLOv5检测算法中提出的改进思路进行详细的解说，大家可以尝试者将这些改进思路应用到其它的目标检测算法中。 ———————————————— 版权声明：本文为CSDN博主「技术挖掘者」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/WZZ18191171661/article/details/113789486

1 介绍 BERT(Bidirectional Encoder Representation from Transformers)是2018年10月由Google AI研究院提出的一种预训练模型，该模