mobilefacenet_ncnn 一个简单的示例，在ncnn上实现了用于人脸识别的mobilefacenet。 介绍 是一种先进的深度学习方法，用于人脸识别。 它是为移动设备设计的。 是为移动平台优化的高性能神经网络推理计算框架。 此仓库是在ncnn上实现mobilefacenet的简单示例。 环境 vs 2015 cmake ncnn opencv2.4.13 已在Windows10上进行了测试。 所需的库在3rparty中。 您可以将它们替换为您的。 如何使用 如果您熟悉如何构建，编译和链接，则只需要src文件夹中的源代码文件，models文件夹中的model，ncnn和opencv。 您可以跳过所有步骤，轻松运行。 1.克隆此仓库 2.如果要使用所有库，请根据您的环境修改CMakeLists.txt。 或者只使用3rparty中的库而不修改它。 3.在工具文件夹中运

pytorch转ncnn目标检测源码，对应博客https://blog.csdn.net/weixin_45915902/article/details/103416431

此仓库使用腾讯的NCNN框架提供YOLOv5模型的C ++实现。 YOLOv5 NCNN实现此仓库使用腾讯的NCNN框架提供YOLOv5模型的C ++实现。 注意：当前，NCNN不支持带步的切片操作，因此我删除了切片操作，并用缩小的图像替换了输入，然后将其堆叠以匹配通道号。 这可能会稍微降低精度。 萤幕撷取画面，由腾讯的Ultralytics NCNN提供YOLOv5

流帧-用于视频插值的Windows GUI 用于视频插值的Flowframes Windows GUI-支持DAIN NCNN以及RIFE Pytorch和NCNN实施。 Flowframes是开源捐赠软件。 在Patreon的早期试用期过后，Builds会免费发布。 这个仓库的代码是完整的，不会“付费”有经验的用户想要自己编译程序。 但是，我不提供对自建版本的支持，因为我不能保证此存储库的代码在任何给定时刻都是稳定的。 如果要获得最稳定的源代码，请参考发行版。 安装 可以在下载，也可以在上下载最新的beta版本。 此存储库不提供构建。 运行Flowframes.exe 从1.18版开始，安装程序已被删除，而Flowframes作为多合一存档分发。 如果您使用的是Maxwell / Pascal / Turing GPU，并且要使用嵌入式Pytorch，请下载“ Full”文件；

1.ncnn源代码及模型 2.mtcnn源代码以及个人对mtcnn理解注释

RealSR ncnn Vulkan ncnn通过内核估计和噪声注入超分辨率实现真实世界的超分辨率。 realsr-ncnn-vulkan使用作为通用神经网络推理框架。 下载适用于Intel / AMD / Nvidia GPU的Windows / Linux / MacOS可执行文件 该软件包包括所需的所有二进制文件和模型。 它是可移植的，因此不需要CUDA或Caffe运行时环境:) 关于RealSR 通过内核估计和噪声注入实现真实世界的超分辨率（CVPRW 2020） 纪小中，曹云，泰英，王成杰，李吉林和黄飞跃 腾讯优途实验室 我们的解决方案在两个赛道上均获得了CVPR NTIRE 2020真实世界超高分辨率挑战赛的冠军。 用法 示例命令 realsr-ncnn-vulkan.exe -i input.jpg -o output.png -s 4 完整用法 Usage: re

5月16日更新 经多位网友的共同实验，原方案部分情况下迭代次数稍微不足，导致最终识别率略有小差异，为了相对容易获得论文的最佳结果，对训练方案进行简单更新，实际训练也可根据数据acc训练是否已稳定来判断lr下降的迭代次数： 适当增大softmax迭代次数，4万-->12万； 增大arcface第一级lr0.1的迭代次数，8万-->12万； ps：无闲置机器，暂不再更新log。该项目训练步骤，已验证mobilefacenet可复现，良心大作，期待作者后续的研究。 5月14日更新 更新两个实验测试： arcface_loss_test2-4：接lr0.1已经训练12万次的模型，增强lr0.1步骤的训练8万次，自身acc小幅提升，下降lr后，最终部分结果中lfw最佳结果99.517%，agedb有模型已提升至96.033%+ arcface_loss_test2-5：接arcface_loss_t

YoloV5-ncnn-Raspberry-Pi-4 带有ncnn框架的YoloV5。 论文： ： 专为裸露的Raspberry Pi 4制作，请参阅 基准。 模型 杰特逊纳米2015 MHz RPi 4 64-OS 1950兆赫 YoloV2（416x416） 10.1帧/秒 3.0帧/秒 YoloV3（352x352）微小 17.7帧/秒 4.4 FPS YoloV4（416x416）微小 11.2 FPS 3.4帧/秒 YoloV4（608x608）完整 0.7帧/秒 0.2帧/秒 YoloV5（640x640）小 4.0 FPS 1.6帧/秒 依赖关系。 要运行该应用程序，您必须： 具有32或64位操作系统的树莓派4。 它可以是Raspberry 64位操作系统，也可以是Ubuntu 18.04 / 20.04。 已安装腾讯ncnn框架。 已安装OpenC

YoloV3-ncnn-Jetson-Nano 带有ncnn框架的YoloV3。 论文： : 专为Jetson Nano设计的产品，请参阅 基准。 模型 杰特逊纳米2015 MHz RPi 4 64-OS 1950兆赫 YoloV2（416x416） 10.1帧/秒 3.0帧/秒 YoloV3（352x352）微小 17.7帧/秒 4.4 FPS YoloV4（416x416）微小 11.2 FPS 3.4帧/秒 YoloV4（608x608）完整 0.7帧/秒 0.2帧/秒 YoloV5（640x640）小 4.0 FPS 1.6帧/秒 依赖关系。 2021年4月4日：改编为ncnn版本20210322 要运行该应用程序，您必须： 已安装腾讯ncnn框架。 代码：：已安装块。 （ $ sudo apt-get install codeblocks ） 安装应用程

Darknet2ncnn - 实现将 darknet 模型转换为ncnn模型，从而可以在移动设备上快速部署 darknet 模型。