文件包括：classes.txt; colors.txt; fcn_resnet18.onnx。Jetson Nano官方预训练模型

CenterNet-Lite CenterNet的PyTorch版本（以对象为点）。我只支持resnet18版本。没有DLA或沙漏版本。 我已经在VOC0712和COCO 2017上进行了培训。您可以从BaiDuYunDisk下载它们： 链接： : 密码：jz4q 官方CenterNet充分利用了DCN，而我只是将其替换为YOLOv3中使用的SPP，因为我有点懒惰〜 在VOC上： 数据 地图 （官方）resnet18 + DCN VOC2007 75.7 （我们的）resnet18 + SPP VOC2007 75.3 在COCO上： 数据 美联社 AP50 （官方）resnet18 + DCN COCO测试版 28岁 44.9 （我们的）resnet18 + SPP 可可值 25.8 45.4 我仍在尝试一些新的方法来增强CenterNet-Lite的强度。 安装

实验基于论文： Class-Balanced Loss Based on Effective Number of Samples Class-balanced-loss代码地址：https://github.com/vandit15/Class-balanced-loss-pytorch resnet18代码参考链接：https://blog.csdn.net/sunqiande88/article/details/80100891 制作数据集 论文中通过公式n=niuin = n_iu^in=ni​ui，iii为类索引．制作长尾cifar10数据集．以下代码以不均匀比例100为例．也可以通过

tensorflow实现ResNet18，34，50，101，152

基于tensorflow搭建Resnet18对Cifar10测试集准确率90%，仅用了数据增强和损失函数优化方案，简单易懂，内含源码以及训练好了的模型。继续调节参数可以进一步增高准确率，支持交流学习，勿喷

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。

resnet18-5c106cde.pth

注：阅读本博客之前，你需要先掌握：全连接神经网络，卷积神经网络的基本原理。 背景介绍 随着LeNet-5，AlexNet，VGG等神经网络结构的出现，卷积神经网络逐渐从单纯的只拥有卷积操作和下采样的神经网络发展为具有max pooling、dropout以及非线性函数的神经网络。在网络结构变得不断复杂的同时，人们发现，神经网络的效率并没有预期得到提升，反而容易出现梯度消失等情况，因而导致loss难以减少等现象。 对于出现梯度消失的原因，大家可以参考这篇： https://blog.csdn.net/jasonleesjtu/article/details/89185185 ResNet通过在两

resnet18-tf2 TensorFlow ResNet的正式似乎未包括ResNet-18或ResNet-34。 该代码库提供了ResNet-18和ResNet-34的简单（ ）TensorFlow 2实现，直接从PyTorch的torchvision转换而来。 模型输出已经过验证，可与火炬视觉模型的输出以浮点精度匹配。 此代码已使用以下软件包版本进行了测试： tensorflow==2.4.1 pytorch==1.2.0 torchvision==0.4.0

TensorFlow2.0_ResNet 使用TensorFlow-2.0的ResNet（ ResNet18，ResNet34，ResNet50，ResNet101，ResNet152 ）实现 有关更多的CNN，请参见 。 火车 要求： Python> = 3.6 Tensorflow == 2.0.0 要在自己的数据集上训练ResNet，可以将数据集放在原始数据集文件夹下，目录应如下所示： |——original dataset |——class_name_0 |——class_name_1 |——class_name_2 |——class_name_3 运行脚本split_dataset.py将原始数据集拆分为训练集，有效集和测试集。 更改config.py中的相应参数。 运行train.py开始培训。 评估 运行valuate.py评估模型在测