修改版yolov4-pacsp-s-mish预训练模型

Res2Net 论文正式实现 我们的论文被IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）接受。 更新 2020.10.20 PaddlePaddle版本Res2Net达到85.13％top-1 acc。 在ImageNet上： 。 2020.8.21发布了使用Res2Net进行检测和分割的在线演示： ://mc.nankai.edu.cn/res2net-det 2020.7.29在ImageNet上发布Res2Net的培训代码 （仅用于非商业用途） 2020.6.1 Res2Net现在位于新的深度学习框架的官方模型动物园中。 2020.5.21 Res2Net现在是MMDetection v2框架中的基本骨干之一。 结合使用MMDetection v2和Res2Net，可以以更少的计

Tensorflow VGG16和VGG19 参考 这是基于和的VGG 16和VGG 19的Tensorflow实现。 原始的Caffe实现可在和找到。 我们已修改的实现以使用numpy加载而不是默认的tensorflow模型加载，以加快初始化速度并减少总体内存使用量。 这种实现方式可以进一步修改网络，例如删除FC层或增加批处理大小。 要使用VGG网络，必须下载或的npy文件。 ##用法使用它来构建VGG对象 vgg = vgg19.Vgg19() vgg.build(images) 或者 vgg = vgg16.Vgg16() vgg.build(images) images是形状为[None, 224, 224, 3]的张量。 技巧：张量可以是一个占位符，一个变量甚至是一个常数。 然后可以使用vgg对象访问所有VGG层（张量）。 例如， vgg.conv1_1 ， v

基于Pytorch实现的声纹识别大预训练模型，源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition_Pytorch

CwsPosNerEntityRecognition 中英文Cws Pos Ner实体识别工具，使用CNN双向lstm和crf模型，并带有char嵌入。基于字向量的CNN池化双向BiLSTM与CRF模型的网络，可能一体化的完成中文和英文分词，词性标注，实体识别。主要包括原始文本数据，数据转换，训练脚本，预训练模型，可用于序列标注研究。注意：唯一需要实现的逻辑是将用户数据转化为序列模型。分词准确率约为93％，词性标注准确率约为90％，实体标注（在本样本上）约为85％。 提示 中文分词，词性标注，实体识别，在使用上述模型时，本质是就是标注问题！！！如果您第一次使用相关的模型，只需加上self.c

YOLO_V5的官方预训练权重，包含S、M、L、X四个模型。

yolov3目标检测模型的预训练权重darknet53.conv.74下载，下载下来后放到相应的文件夹中即可顺利加载预训练模型

使用PaddlePaddle实现声纹识别的预训练模型，更大数据训练的。 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition_PaddlePaddle

基于Keras实现的声纹识别预训练模型，大数据训练的模型，源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Keras

中文XLNet预训练模型，该版本是XLNet-base，12-layer, 768-hidden, 12-heads, 117M parameters。