面罩检测 该模型是轻量级的面罩检测模型。 基于ssd的骨干网是Mobilenet和RFB。 主要特点 Tensorflow 2.1 训练与推论 使用mAP的精度 使用tf.GradientTape急切模式训练 使用tf.keras网络功能 使用tf.data.TFRecordDataset数据集 ├── assets │ ├── 1_Handshaking_Handshaking_1_71.jpg │ ├── out_1_Handshaking_Handshaking_1_71.jpg │ ├── out_test_00002330.jpg │ └── test_00002330.jpg ├── checkpoints │ └── weights_epoch_100.h5 ├── components │ ├── config.py │ ├── __

手势识别，只需要OPENCV，采用YOLO4T和MOBILENET分类

深度学习与CV教程(10) - 轻量化CNN架构 (SqueezeNet,ShuffleNet,MobileNet等).doc

完整的MobileNet v1-v3的源代码，包括模型脚本、训练以及预测脚本。并有完整的博客介绍： 1. MobileNet系列(1) :MobileNet V1网络详解：https://blog.csdn.net/weixin_38346042/article/details/125329726?spm=1001.2014.3001.5501 2. MobileNet系列(2)：MobileNet-V2 网络详解：https://blog.csdn.net/weixin_38346042/article/details/125355111?spm=1001.2014.3001.5501 3.MobileNet系列(4):MobileNetv3网络详解：https://blog.csdn.net/weixin_38346042/article/details/125470446?spm=1001.2014.3001.5501

MobileNet预训练模型.zip

使用labview快速实现物体识别（目标检测），包括darknet和tfl两种调用，识别过程可使用CUDA加速，实时目标检测，不会卡顿延迟。darkenet所需weigth及cfg均已经为大家准备好了，tf所需pb及pbtxt也已经为大家准备好了。

MobileNet网络是由google团队在2017年提出的，专注于移动端或者嵌入式设备中的轻量级CNN网络。相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。(相比VGG16准确率减少了0.9%，但模型参数只有VGG的1/32) MobileNet v2网络是由google团队在cvpr2018年提出的，相比MobileNet v1网络，准确率更高，模型更小。 MobileNet v3发表于eccv2019年，该v3版本结合了v1的深度可分离卷积、v2的Inverted Residuals和Linear Bottleneck、新添加了SE模块，利用NAS（神经结构搜索）来搜索网络的配置和参数。

SSD-Mobilenet-v2.tar.gz

人工智能-项目实践-图像识别-基于mtcnn-mobilenet-keras-breath_mask-master

博客：https://blog.csdn.net/qq_34904125/article/details/124854899 本篇是python语言写的，pytorch框架，基于mobilenet训练水果数据集，数据集也可以自行替换， 文件夹下放对应的图片即可，通过01demo即可生成txt文本的数据集，存放图片路径和标签。 02demo使用迁移学习的mobilenet卷积网络对图像进行训练模型， 03demo是通过flask接口调用模型，与小程序界面参数交互 代码中有说明文档 然后小程序的完整上传图片代码也在里面，都是可以直接使用的。