这是resnet-18的预训练模型，可以直接加载。还有其它1部分，需要合在一起解压。因为大小限制，所以分块。

TensorRTx TensorRTx旨在通过tensorrt网络定义API实现流行的深度学习网络。 众所周知，tensorrt内置了解析器，包括caffeparser，uffparser，onnxparser等。但是，当使用这些解析器时，我们经常会遇到一些“不受支持的操作或层”问题，尤其是某些正在使用的最新模型新类型的图层。 那么，为什么不跳过所有解析器呢？ 我们只使用TensorRT网络定义API来构建整个网络，这并不复杂。 我写这个项目是为了熟悉tensorrt API，并与社区分享和学习。 所有模型首先在pytorch / mxnet / tensorflown中实现，然后导出权重文件xxx.wts，然后使用tensorrt加载权重，定义网络并进行推断。 在我的可以找到一些pytorch实现，其余的则来自多源开源实现。 消息 26 Apr 2021 。 添加Inceptio

ResNet_SSD网络的VOC预训练模型

将模型下载放入C:\Users\用户名\.cache\torch\checkpoints

当神经网络具有许多参数时，它们的效果最佳，这使它们成为功能强大的函数逼近器。但是，这意味着必须对非常大的数据集进行训练。由于从头开始训练模型可能是一个非常耗费计算量的过程，需要几天甚至几周的时间，因此，这里提供了各种预先训练的模型供大家下载！

ResNet是2015年 ILSVRC 的赢家（图像分类，定位及检测），主要亮点是残差结构对于梯度消失具有重要的限制作用。文件提供了网络中不同类型的层的配置参数包括batch_size, width,height,channel,momentum,decay，learning_rate等。

def ResNet18(): return ResNet(resnet18_params, BasicBlock) def ResNet34(): return ResNet(resnet34_params, BasicBlock) def ResNet50(): return ResNet(resnet50_params, Bottleneck) def ResNet101(): return ResNet(resnet101_params, Bottleneck) def ResNet152(): return ResNet(resnet152_params, Bottleneck) def ResNeXt50_32x4d(): return ResNet(resnext50_32x4d_params, ResNeXtBlock) def ResNeXt101_32x8d(): return ResNet(resnext101_32x8d_params, ResNeXtBlock)

环境： tensorflow 2.1 最好用GPU 模型： Resnet：把前一层的数据直接加到下一层里。减少数据在传播过程中过多的丢失。 SENet： 学习每一层的通道之间的关系 Inception: 每一层都用不同的核（1×1，3×3，5×5）来学习.防止因为过小的核或者过大的核而学不到图片的特征。 用Resnet ，SENet， Inceptiont网络训练Cifar10 或者Cifar 100. 训练数据：Cifar10 或者 Cifar 100 训练集上准确率：97.11%左右 验证集上准确率：90.22%左右 测试集上准确率：88.6% 训练时间在GPU上：一小时多 权重大小：21

resnet101精简版预训练模型resnet101_reducedfc.pth。外网贼难下，分享出来。是基于imagenet的图片，预训练出来的。很好用

flexible-yolov5 基于 。 原始的Yolo V5是一个了不起的项目。 对于专业人士而言，理解和修改其代码应该不难。 我不是专家。 当我想对网络进行一些更改时，这并不是一件容易的事，例如添加分支和尝试其他骨干网。 也许会有像我这样的人，所以我将yolov5模型拆分为{主干，脖子，头部}，以方便各种模块的操作并支持更多的主干。基本上，我只更改了模型，而没有更改架构，培训和测试yolov5。 因此，如果原始代码被更新，则更新该代码也非常方便。 目录 [培训与测试]（＃培训与测试） 特征 重组骨干，脖子，头部等模型结构，可以灵活方便地修改网络 更多主干，mobilenetV3，shufflenetV2，resnet18、50、101等 先决条件 请参阅requirements.txt 入门 数据集准备 以yolov5格式制作数据。 您可以使用utils / make_yolov5