U-Net是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异。
本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集，生成Mask图像，并使用U-Net训练自己的数据集，从而能开展自己的图像分割应用。
本课程有三个项目实践：
(1) Kaggle盐体识别比赛 ：利用U-Net进行Kaggle盐体识别
(2) Pothole语义分割：对汽车行驶场景中的路坑进行标注和语义分割
(3) Kaggle细胞核分割比赛 ：利用U-Net进行Kaggle细胞核分割
本课程使用keras版本的U-Net，在Ubuntu系统上用Jupyter Notebook做项目演示。 包括：数据集标注、数据集格式转换和Mask图像生成、编写U-Net程序文件、训练自己的数据集、测试训练出的网络模型、性能评估。
本课程提供项目的数据集和Python程序文件。
2021-09-16 11:20:40
6.43MB
1
windows+TensorFlow/keras+vgg16训练自己的数据集-附件资源
2021-08-21 00:19:28
23B
1
课程演示环境：Windows10;?cuda 10.2; cudnn7.6.5; Python3.7; VisualStudio2019; OpenCV3.4
需要学习ubuntu系统上YOLOv4的同学请前往：《YOLOv4目标检测实战：训练自己的数据集》
课程链接：https://edu.csdn.net/course/detail/28745
YOLOv4来了！速度和精度双提升！
与?YOLOv3?相比，新版本的?AP (精度)和?FPS?（每秒帧率）分别提高了?10%?和?12%。
YOLO系列是基于深度学习的端到端实时目标检测方法。本课程将手把手地教大家使用labelImg标注和使用YOLOv4训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。
本课程的YOLOv4使用AlexyAB/darknet，在Windows系统上做项目演示。包括：安装软件环境、安装YOLOv4、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。还将介绍改善YOL
2021-08-10 17:07:26
12.7MB
1
Win10下用TensorFlow训练自己的数据集来做目标检测-附件资源
2021-08-07 17:44:57
106B
1
Smart_Construction
如果帮到您请给个 star :glowing_star::glowing_star::glowing_star:，您的 star:glowing_star: 是我最大的鼓励！
该项目是使用 YOLOv5 v2.x 的程序来训练在智能工地安全领域中头盔目标检测的应用
可视化界面演示（2021.3 上新！）：
:collision::collision::collision:新增可视化界面上线啦！！！！来一波演示！！！:collision::collision::collision:
使用文档:
纯图片再来一波演示！
指标
yolov5s 为基础训练，epoch = 50
分类
P
R
mAP0.5
总体
0.884
0.899
0.888
人体
0.846
0.893
0.877
头
0.889
0.883
0.871
安全帽
0.917
0.921
0.917
对应的权重文件：，提取码: b981
yolov5m 为基础训练，epoch = 100
分类
P
R
mAP0.5
总体
0.886
0.915
0.901
人体
0.844
0.906
2021-07-26 10:41:55
22.32MB
1
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高，更加灵活和便利。
本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。
本课程的YOLOv5使用ultralytics/yolov5，在Ubuntu系统上做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。
希望学习在Windows系统上演示的学员，请前往《YOLOv5(PyTorch)实战：训练自己的数据集(Windows)》课程链接：https://edu.csdn.net/course/detail/30923
本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括：
《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》
Ubuntu系统 https://edu.csdn.net/course/detail/30793
Windows
2021-07-14 14:27:33
8.56MB
1
高效网式火炬
在EfficientNet上训练自己的数据集的演示
感谢> ，我只是简单地演示如何基于EfficientNet-Pytorch训练自己的数据集。
步骤1：准备自己的分类数据集
然后，数据目录应如下所示：
-dataset\
-model\
-train\
-1\
-2\
...
-test\
-1\
-2\
...
步骤2：训练和测试
（1）您可以通过修改line 169来选择是否自动下载预训练模型。
可以在> 上获得预训练的模型。
您可以在eff_weights文件夹下下载它们。
（2）更改一些设置以匹配您的数据集。 即line13-22
run efficientnet_sample.py to start train and test
2021-06-14 21:28:31
10KB
1