swin-t-base

该模型是一个简单的模型，封装AlexNEt和Resnet，用来判断图像是否存在异常，比如图像中存在大面积的内容缺失、比如正常图像中有大量的噪声点、比如图像中有其他物体形状进行干扰，该文件用于训练一个模型来判断图像中是否有这样的问题。正常图像放到normal文件夹下，异常图像放到ab文件夹下。这里的代码是训练与测试的圈套代码

今天小编就为大家分享一篇使用pytorch搭建AlexNet操作(微调预训练模型及手动搭建)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

Tiny face小人脸测试所用的预训练模型，res101网络框架的模型文件

YOLOv5鸟类检测训练好的模型 ，在几千张鸟类数据集中训练得到的权重，模型精度达90%多，包含YOLOv5各种训练曲线。并附有数据集，数据集标签格式为txt和xml两种，类别名为bird

1、YOLOv3猫狗检测训练模型，包含YOLOv3和YOLOv3_tiny两种训练好的猫狗检测权重，从自动一万多张猫狗检测数据集训练得到。 2、并包含10000多张标注好的猫狗检测数据集，标签格式为xml和txt两种，类别名为cat和dog，配置好环境后可以直接使用 4、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 5、采用pytrch框架，python代码

EDVR 超分辨率，GitHub上代码没有预训练模型。这里提供了官方全部的。----------------------------------------------------------------------------

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，

1、Darknet版yolov3烟雾检测训练模型，训练好的权重文件，包含smoke.data , smoke.names, yolov3 -smoke.cfg， yolov3 -smoke_best.weights权重文件，并包含训练loss曲线和map曲线图， 2、检测结果见：https://blog.csdn.net/weixin_51154380/article/details/124480876 3、并附有2000+烟雾检测数据集，标签为VOC格式

1、Darknet版YOLOv4烟雾检测训练模型，训练好的 权重文件，包含smoke.data , smoke.names, yolov4-smoke.cfg， yolov4-smoke_best.weights权重文件，并包含训练loss曲线和map曲线图， 2、检测结果见：https://blog.csdn.net/weixin_51154380/article/details/124480876 3、并附有2000+烟雾检测数据集，标签为VOC格式