caffe-windows-cpu，支持模型多输出，用于测试模型和工程方面，不能训练。

MobileNet-SSD-RealSense RaspberryPi3（Raspbian Stretch）或Ubuntu16.04 / UbuntuMate +神经计算棒（NCS / NCS2）+ RealSense D435（或USB Camera或PiCamera）+ MobileNet-SSD（MobileNetSSD） 【公告】2018年12月19日，OpenVINO支持RaspberryPi + NCS2！ 【2018年12月31日】完成与NCS2的USB Camera + MultiStick + MultiProcess mode对应。 【2019年1月4日】演出四次。

[英语] MobileNet-SSD 比YoloV2超快的MobileNet-SSD（MobileNetSSD）+神经计算棒（NCS）+ RaspberryPi的爆炸速度。 高精度的多运动物体检测。 视频播放和对象检测是异步执行的。 为了使用多棒实现高速渲染，它是在多线程/ OpenGL中实现的。 【警告】该存储库不支持NCS2。 【日文】 【USB摄像头+多处理高性能版】 下方，使用多个摇杆时，其性能是此存储库程序的三倍以上。 我建议您参考以下存储库。 变更记录 [2018年7月19日]对应于NCSDK v2.05.00.02 / OpenCV 3.4.2 / FPS视图[2018年

yolo-tiny的caffe模型，配合caffe使用 YOLO是一个实时目标检测系统，通俗点说就是在输入数据(图片或者视频)中查找特定的目标。举个例子，如果让一个专门识别龙的YOLO模型观看《权力的游戏》，在理想情况下，一旦画面中出现了龙，YOLO系统就会激动地用框框标记出画面中的龙。

花费了好多时间才找齐的caffe依赖库，不能sudo，不能yum的痛只有非root用户才懂。内含9个依赖库，超级全面~

官网下载的mnist数据集，caffe训练使用；压缩包中包含 train-images-idx3-ubyte.gz、train-labels-idx1-ubyte.gz、t10k-images-idx3-ubyte.gz、t10k-labels-idx1-ubyte.gz 四个数据包。

在Windows下编译Caffe与其Python接口-附件资源

神经网络架构搜索出的网络EfficientNet，根据官方开源pytorch代码，转为caffe的网络协议文件，可以顺利训练，这里提供了EfficientNet B0的3种版本，第一种是完整 版，也就是使用了swish激活以及SE模块的，第二种是将swish替换为relu,且包含SE模块，第三种是将swish替换成relu，且去掉SE模块的最精简版本。经过在我自己的250类车辆分类数据集上，精简版可以达到0.9992的准确率，relu+SE版的准确率为0.9968，完整版本的还没训练结束，不过相差不多，效果很不错。

解决import caffe出现TypeError: expected bytes, str found的问题，将caffe_pb2.py替换原来的caffe/python/caffe/proto/caffe_pb2.py即可

hdf5-1.10.5.tar.gz源码包，安装步骤： 执行解压 sudo tar -xvf hdf5-1.10.5.tar.g 解压后会生成目录hdf5-1.10.5，切换到该目录下 cd  hdf5-1.10.5/ 依次执行     sudo ./configure --prefix=/usr/local/hdf5     sudo make     sudo make check        sudo make install