彩色图像，包含了两个类别：蚂蚁和蜜蜂。 可用于图像分类任务。 文件夹形式如下： train: ants bees val: ants bees

器械分类数据集(4类，分类 采集板、继电器、交流接触器、驱动板)，下载网盘链接

C++：基于opencv实现图像分类器SVM

所谓“VGG式”指的是： 1. 没有任何分支结构。即通常所说的plain或feed-forward架构。 2. 仅使用3x3卷积。 3. 仅使用ReLU作为激活函数。 详见： https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/126516646

Swin Transformer v2解决了大型视觉模型训练和应用中的三个主要问题，包括训练不稳定性、预训练和微调之间的分辨率差距以及对标记数据的渴望。 链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/127168900

MaxViT，是今年谷歌提出分层Transformer的模型，MaxViT 在各种设置下都达到了最先进的性能：ImageNet-1K分类任务，MaxViT 达到了 86.5% top-1 准确率 https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/127180668

颜色分类leetcode 交通灯图像分类 Udacity 自动驾驶汽车纳米学位顶点项目。 系统集成 概述 感知子系统对车辆前方的交通灯颜色进行动态分类。 在给定的模拟器和测试站点环境中，汽车面对单个交通灯或一组 3 个处于相同状态（绿色、黄色、红色）的交通灯。 我们假设不可能同时在不同的州有多个交通灯。 我们考虑了不同的方法来解决交通灯分类任务： 使用CNN对整个图像进行分类； 物体（红绿灯状态）检测； 使用单独模型的物体（交通灯）检测和分类。 考虑到红绿灯始终处于相同状态，并专注于创建轻量级和快速模型，我们选择了对整个图像进行分类的方向。 这种方法使用卷积神经网络，它将前置摄像头的整个图像作为输入，并预测交通灯状态（我们决定使用红色/无预测类）作为输出。 我们在 MobileNet 架构上使用了迁移学习技术和 Tensorflow Image Retraining Example（教程：，代码：）。 数据集 有多个数据集可用于模型训练： 来自 Udacity 模拟器的图像（图像以及来自前置摄像头的地面实况可作为 ROS 主题提供）； rosbag，在 Udacity 的测试站点上捕获

cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

这是一个完整的基于Pytorch 的分类模型，下载以后根据博客中讲的读取数据、搭建模型、训练验证等可以自行修改代码，以符合自身需求。整个项目都有比较清晰的注释，比较适合新手上手学习。

tesnorflow实现图片分类代码，采用CNN网络架构，具有知道意义