** 在colab下运行tensorflow版本的faster- rcnn ** 操作流程 操作过程我已经录成视频上传至B站，链接为 https://www.bilibili.com/video/BV1iK4y1k7yK 以下是具体的代码实现 具体的代码实现 装载google云盘 在云盘中创建文件夹coco，以便于稍后进行存放文件，可以利用如下代码创建 // !mkdir -p /content/drive/My Drive/coco/ 获取faster-rcnn代码 // 获取tf版的faster-rcnn代码 !git clone https://github.com/endernew

RIFE-Colab + GUI 用于Google Colab的RIFE插值脚本，以及用于Windows和Linux下本地执行的GUI。 特征 灵活的输入选项，使用FFmpeg进行解码 使用x264或NVENC进行输出以实​​现快速编码性能 多种GPU处理支持（不需要SLI，可以使用不同的GPU组合） 不同的帧处理模式-包括重复帧删除以及维护输出FPS 能够为GIF和循环视频创建循环友好输出 最大插值因子无限制 场景变化检测 批处理视频 本地安装 初始步骤： 确保可以从系统路径（Linux / Windows）访问7-zip或将其安装在C：\ Program Files \ 7-Zip中 Git已安装并且可以从系统路径访问 已安装Python 3.8，并可从系统路径访问它（在安装过程中，将Python 3.8添加到PATH中，打勾） 安装 在终端（Linux）或git bash（W

cs231n-解决方案 斯坦福大学在线CS231n课程的解决方案，采用Google Colab就绪的格式

colab_utils 适用于 Google Colab 笔记本的一些有用（或不那么重要）的 Python 内容 如何安装它： 单击代码单元格并粘贴： !pip install git+git://github.com/ricardodeazambuja/colab_utils.git 然后alt+enter或shift+enter执行。 例子 。 。 这是在 colab 上运行时从我的网络摄像头（实时）获取图像时的输出： *在有人问之前，是的，我穿着星球大战睡衣......只在隔离期间；） 去做 改进代码，因为现在它是一团糟，尽管它不是最佳的，但它可以工作，并且直接使用 Google Colab 做东西很酷;)

面罩检测 使用YOLO网络（Darknet）和更快的R-CNN网络（PyTorch）在Google Colab中进行面罩检测。 检测到3类：正确佩戴的口罩，错误佩戴的口罩和未佩戴的口罩。 设置和执行YOLO： 在您的Google云端硬盘中创建名为yolov3的文件夹 下载数据集（ ， ） 执行jupyter Notebook 对于测试，请执行detection_utils.py或对视频进行检测，请执行detect_video.py您可以使用video_converter.py从视频创建数据集，从视频到图像或从图像到视频。 设置和执行PyTorch： 在您的Google云端硬盘中创建一个名为rcnn的文件夹，然后以zip格式上传数据集。 下载数据集（ ， ） 执行jupyter Notebook 预训练重量： 在Kaggle数据集上已经预先训练了 （和）网络和权重（方法

cs224w_colab

colab_ssh_vscode 有关如何在本地进行cosh协作和使用vscode的教程由于colab阻止了所有传入连接，因此无法直接使用ssh。 因此，我们必须使用ssh反向隧道。 步骤1 创建自己的面向公众的本地服务器。 我为此使用了本地ubuntu 18.04 VM，但实际上一切正常。 步骤2建立您自己的私人公开金钥 使用ssh-keygen创建一个公共-私有密钥对。 将公钥添加到本地服务器。 可以看到更详细的教程。 第三步 参见colab_ssh_vscode.ipynb 在colab上： 安装Openssh服务器 上传私钥 设置root密码 设置反向ssh现在，您可以使用以下命令将ssh进入colab ssh -p FORWARDED_PORT_LOCAL root@localhost 本地主机，因为它已转发到您的本地计算机 第4步设置vscode 如果您的服务器是您的

合作

自述文件

图像分类-卷积神经网络：使用MNIST时尚数据集，构建了卷积神经网络将图像分类为10个类别之一。 使用TensorFlow Framework和Keras库实现了CNN。 在Google Colab上以60,000张图像训练模型