欢迎使用我的图像分类应用程序
构建此Web应用程序有两个主要组件：
图像分类模型：
我使用TensorFlow的Keras API与MobileNets一起使用-MobileNets是一类轻型深度卷积神经网络，与许多其他流行模型相比，其体积小得多且性能更快。
用户界面的Web应用程序：
我使用Flask（使用Python编写的Web框架）构建了此Web应用。
2022-02-24 22:20:22
921KB
1
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，演示如何使用timm版本的Swin Transformer图像分类模型实现分类任务已经对验证集得分的统计，本文实现了多个GPU并行训练。
通过本文你和学到：
1、如何从timm调用模型、loss和Mixup？
2、如何制作ImageNet数据集？
3、如何使用Cutout数据增强？
4、如何使用Mixup数据增强。
5、如何实现多个GPU训练和验证。
6、如何使用余弦退火调整学习率？
7、如何使用classification_report实现对模型的评价。
8、预测的两种写法。
2022-02-24 09:11:40
930.94MB
pca人脸识别算法matlab代码图像分类任务
该存储库是Giancarlo
Antonucci和Thomas
Babb的项目的一部分，该项目作为CDT的一部分提交给牛津大学工业重点数学模型。
该代码使用耶鲁人脸数据库（YaleB_32x32.mat）测试混合面部识别算法的有效性。
函数imag_class.m从用户处获取输入，并为这些输入输出算法的成功率百分比。
要使用它，请下载.m和.mat文件，然后在Matlab中运行它们。
选择训练集
耶鲁数据库中有3814人的2414张照片（例如图像）。
用户可以通过以下两种方式之一选择哪些人在测试集中：
imag_class（'NumOfPeople'，N）从38个可用人中选出N个随机人员，并从这些人员中构建测试集。
imag_class（'People'，V）根据在V中建立索引的人员构建测试集。例如，如果V
=
[1
3
6]，则测试集将包含来自人员1，人员3和人员6的图像。
无论哪种情况，该功能都会为每个人选择10张随机图像。
所有其他图像都放在训练集中。
实施PCA算法
PCA是一种标准技术，用于使用低维特征向量来近似原始数据。
我们
2022-02-22 23:32:26
2.12MB
1
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，演示如何使用pytorch版本的mobilenetv2图像分类模型实现分类任务。将训练的模型转为onnx，实现onnx的推理，然后再将onnx转为TensorRT，并实现推理。
通过本文你和学到：
1、如何从torchvision.models调用mobilenetv2模型？
2、如何自定义数据集加载方式？
3、如何使用Cutout数据增强？
4、如何使用Mixup数据增强。
5、如何实现训练和验证。
6、如何使用余弦退火调整学习率。
7、如何载入训练的模型进行预测。
8、pytorch转onnx，并实现onnx推理。
9、onnx转TensorRT，并实现TensorRT的推理。
希望通过这篇文章，能让大家对图像的分类和模型的部署有个清晰的认识。
链接：https://wanghao.blog.csdn.net/article/details/123003159
2022-02-21 09:28:53
936.29MB
用于识别花卉分类的AI应用程序
图像分类器使用卷积神经网络识别不同种类的花朵。
展望未来，人工智能算法将被整合到越来越多的日常应用中。 例如，您可能想在智能手机应用程序中包含图像分类器。 为此，您将使用在数十万张图像上训练的深度学习模型，作为整个应用程序体系结构的一部分。 将来，软件开发中的很大一部分将使用这些类型的模型作为应用程序的通用部分。
在这个项目中，我们将训练一个图像分类器来识别不同种类的花。 您可以想象在电话应用程序中使用类似的内容，该名称可以告诉您相机正在查看的花朵的名称。 实际上，我们将训练该分类器，然后将其导出以用于我们的应用程序。 我们将使用包含102种花卉类别的，您可以在下面看到一些示例。
我们在这里需要做的主要事情是：
加载并预处理图像数据集
在数据集上训练图像分类器
使用训练有素的分类器来预测图像内容
所有这些任务最初都在jupyter笔记本中涵盖。 除了
2022-02-07 23:15:29
1.1MB
1
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用EfficientNetB0。
通过这篇文章你可以学到：
1、如何加载图片数据，并处理数据。
2、如果将标签转为onehot编码
3、如何使用数据增强。
4、如何使用mixup。
5、如何切分数据集。
6、如何加载预训练模型。
原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122807559
2022-02-07 22:05:11
937.35MB
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV3。本文实现的算法有一下几个特点：
1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。
2、加载模型的预训练权重，训练时间更短。
3、数据增强选用albumentations。
4、使用classification_report评估模型。
详见文章链接：
https://wanghao.blog.csdn.net/article/details/122797153?spm=1001.2014.3001.5502
2022-02-06 16:06:09
937.12MB
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV3。
通过这篇文章你可以学到：
1、了解MobileNetV3的特点。
2、如何加载图片数据，并处理数据。
3、如果将标签转为onehot编码
4、如何使用数据增强。
5、如何使用mixup。
6、如何切分数据集。
7、如何加载预训练模型。
原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122795928
2022-02-06 12:05:53
937.3MB
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV2，MobileNetV2在MobileNetV1的基础上增加了线性瓶颈（Linear Bottleneck）和倒残差（Inverted Residual）是一种轻量级的网络，适合应用在真实的移动端应用场景。
关于MobileNetV2的介绍可以看我以前的文章：
https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122766065
通过这篇文章你可以学到：
1、如何加载图片数据，并处理数据。
2、如果将标签转为onehot编码
3、如何使用数据增强。
4、如何使用mixup。
5、如何切分数据集。
6、如何加载预训练模型。
详见文章：https://wanghao.blog.csdn.net/article/details/122773967
2022-02-03 12:05:14
961.09MB