HoloLens-2-机器学习 使用在ImageNet 1000类数据集中训练的EfficientNetB0模型进行图像分类。 使用其板载CPU在HoloLens 2上直接运行模型推断。 关于 已在Unity 2019.4 LTS，Visual Studio 2019和HoloLens 2中进行测试 Rene Schulte的示例构建 输入大小为(224, 224)视频帧以进行在线推断 EfficientNetB0框架的预先训练过的TensorFlow-Keras实现被直接转换为ONNX格式以供本示例使用 运行样本 在Unity中打开示例 将构建平台切换到Universal Windows Platform ，选择HoloLens作为目标设备，并选择ARM64作为目标平台 生成Visual Studio项目并打开.sln文件 将onnx-models\model.onnx文件复制到Buil

EfficientNet PyTorch 快速开始 使用pip install efficientnet_pytorch的net_pytorch并使用以下命令加载经过预训练的EfficientNet： from efficientnet_pytorch import EfficientNet model = EfficientNet . from_pretrained ( 'efficientnet-b0' ) 更新 更新（2020年8月25日） 此更新添加： 一个新的include_top （默认： True ）选项（ ） 使用连续测试 代码质量改进和修复（ ） 更新（2020年5月14日） 此更新添加了全面的注释和文档（感谢@workingcoder）。 更新（2020年1月23日） 此更新基于对抗训练添加了新类别的预训练模型，称为advprop 。 重要的是要注意，

Basic_CNNs_TensorFlow2 一些基本CNN的tensorflow2实现。 包括的网络： MobileNet_V1 MobileNet_V2 SE_ResNet_50，SE_ResNet_101，SE_ResNet_152，SE_ResNeXt_50，SE_ResNeXt_101 挤压网 ShuffleNetV2 RegNet 其他网络 对于AlexNet和VGG，请参见： : 对于InceptionV3，请参见： : 对于ResNet，请参阅： : 培养 要求： Python> = 3.6 Tensorflow> = 2.4.0 tensorfl

PyTorch图像模型 赞助商 非常感谢我的的支持！ 除了以上链接的赞助商之外，我还从以下位置获得了硬件和/或云资源： 英伟达（ ） TFRC（ ） 我很幸运能够自己投入大量时间和金钱来支持这个项目和其他开源项目。 但是，随着项目范围的扩大，需要外部支持来继续当前的硬件，基础设施和电力成本轨迹。 什么是新的 2021年5月5日 从添加MLP-Mixer模型和端口预训练权重 从添加CaiT模型和预训练权重 从添加ResNet-RS模型和权重。 添加CoaT模型和权重。 感谢 为TResNet，MobileNet-V3，ViT模型添加新的ImageNet-21k权重和微调的权重。 谢谢 添加GhostNet模型和权重。 谢 更新ByoaNet注意模型 改进SA模块的初始化 将基于实验的独立Swin attn模块和swinnet 实验的一致“ 26t”模型定义。 添加改进的

PyTorch图像模型 赞助商 非常感谢我的的支持！ 除了以上链接的赞助商之外，我还从以下位置获得了硬件和/或云资源： 英伟达（ ） TFRC（ ） 我很幸运能够自己投入大量时间和金钱来支持这个项目和其他开源项目。 但是，随着项目范围的扩大，需要外部支持来继续当前的硬件，基础设施和电力成本轨迹。 什么是新的 2021年5月5日 从添加MLP-Mixer模型和端口预训练权重 从添加CaiT模型和预训练权重 从添加ResNet-RS模型和权重。 添加CoaT模型和权重。 感谢 为TResNet，MobileNet-V3，ViT模型添加新的ImageNet-21k权重和微调的权重。 谢谢 添加GhostNet模型和权重。 谢 更新ByoaNet注意模型 改进SA模块的初始化 将基于实验的独立Swin attn模块和swinnet 实验的一致“ 26t”模型定义。 添加改进的E

google efficientnet模型

钢缺陷检测，分割和分类。 2021年3月28日更新： 目前正在进行中 预计完成时间：2021年3月1日

PyTorch图像模型，脚本，预训练权重-（SE）ResNet / ResNeXT，DPN，EfficientNet，MixNet，MobileNet-V3 / V2 / V1，MNASNet，单路径NAS，FBNet等更多PyTorch图像模型等2020年11月11日，变更组合：DenseNet模型已更新，其中包括从Torchvision中提高了内存效率（修复了错误），模糊池和深茎添加，增加了VoVNet V1和V2模型，将39 V2变体（ese_vovnet_39b）训练为79.3 top-1激活工厂以及新的激活：选择在模型创建时执行操作，以便在使用与添加了脚本或跟踪（ONNX导出）hard_mish（实验性）兼容的激活时更加灵活

EfficientNet-b0 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开高效netb0.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2020b及更高版本。 用法示例： % 访问训练好的模型净 = 高效netb0(); % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 DarkNet-53 对图像进行分类标签 = 分类（净，我） % 显示图像和分类

海洋生物分类 代码说明 pip-requirements.txt 需要安装的库 convert_dataset.py 整理csv文件格式的数据集 creat_map.py 生成对应的标签映射 train.py 训练主函数 test_one.py 利用训练好的模型预测一张图片 test_all.py 预测整个test文件里的图片 test_tta. py 预测时加入tta，但是实际效果不好，不知道哪里出了问题 sys_gui .py 运行时生成界面，可实现单张图片的读取，以及对单张图片的预测 训练方案 模型方面采用的是efficientnet-b5，在原始b5模型中增加了cbam注意力模块，数据增强方面使用了随机裁切、翻转、auto_augment、随机擦除以及cutmix, 损失函数采用CrossEntropyLabelSmooth，训练策略方面采用了快照集成（snapshot）思想。 第