YOLOv5火焰识别结果权重文件，模型为YOLOv5s.pt，版本五的项目代码，训练类别为fire，有需要的可以下载

PyTorch图像模型，脚本，预训练权重-（SE）ResNet / ResNeXT，DPN，EfficientNet，MixNet，MobileNet-V3 / V2 / V1，MNASNet，单路径NAS，FBNet等更多PyTorch图像模型等2020年11月11日，变更组合：DenseNet模型已更新，其中包括从Torchvision中提高了内存效率（修复了错误），模糊池和深茎添加，增加了VoVNet V1和V2模型，将39 V2变体（ese_vovnet_39b）训练为79.3 top-1激活工厂以及新的激活：选择在模型创建时执行操作，以便在使用与添加了脚本或跟踪（ONNX导出）hard_mish（实验性）兼容的激活时更加灵活

YOLO_V5的官方预训练权重，包含S、M、L、X四个模型。

使用yolo v3 预训练模型，通常用在自己专业训练集训练，采用darknet53作为boneback进行训练。

DeepLabv3Plus-Pytorch DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重。 可用架构 使用“ --model ARCH_NAME”指定模型体系结构，并使用“ --output_stride OUTPUT_STRIDE”设置输出步幅。 DeepLabV3 DeepLabV3 + deeplabv3_resnet50 deeplabv3plus_resnet50 deeplabv3_resnet101 deeplabv3plus_resnet101 deeplabv3_mobilenet deeplabv3plus_mobilenet 可用型号： ， 加载预训练的模型： model . load_state_dict ( torch . load ( CKPT_PATH )[ 'model_state' ] )

HRNet的官方预训练权重，包含3个权重，这是其中一个： MPII w32 256x256 (MPII human joints) pose_hrnet_w32_256x256.pth

yolov3-spp.pt 预训练权重

PyTorch image models, scripts, pretrained weights -- (SE)ResNet/ResNeXT, DPN, EfficientNet, MixNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet, and more PyTorch 图像模型等 2020 年 6 月 11 日最新消息 一系列变化：DenseNet 模型更新了来自 Torchvision 的内存高效添加（修复了一个错误），添加了模糊池和深干添加 VoVNet V1 和 V2 模型，训练了 39 V2 变体 (ese_vovnet_39b)到 79.3 top-1 激活工厂与新激活一起添加：在模型创建时选择操作，以便更灵活地使用与脚本或跟踪兼容的激活（ONNX 导出） hard_mish（实验性）添加了内存高效的 grad，以及 ME hard_swish 上下文mgr 用于设置可导出/脚本化/no_jit 状态 Norm + Activation 组合层在 DenseNet 和 VoVNet 中添加了初始试用支持，以

Yolov5 预训练权重，最新版，3.0。里面含有s, m, l, x四个版本的预训练权重，比1.0版本的小一些。应该是属于全CSDN最新

SSD目标检测算法框架，附带预训练权重可迁移学习，自留学习参考备用。[注意self.phase处的detect后面加上.forward()即可消除版本更新之后的梯度问题]