训练好的RetinaNet模型：RetinaNet ImageAI是一个python的库，它能使开发人员用简单几行代码构建具有深度学习和计算机视觉功能的应用程序和系统。它是由Moses Olafenwa和John Olafenwa两位开发并维护。

Grad_CAM_PLUS_PLUS 原来的 梯度CAM Grad-CAM++ 参考 A.Chattopadhyay 等人，“Grad-CAM++：深度卷积网络的改进视觉解释”，arXiv 预印本 arXiv:1710.11063v3，2018 年 abityac94/Grad_CAM_plus_plus

resnet50_weights_tf_dim_ordering_tf_kernels.h5 速度快，准确率高，参数不多

Transfer_Learning_ResNet50 在此存储库中，我们将执行转移学习，以在Keras中的ResNet50模型上训练CIFAR-10数据集。

RESNet50+FCN train模型文件

百度搜索"目标检测必须要OpenCV？10行Python代码也能实现，亲测好用！" 可立即使用

resnet50 的onnx文件

Caffe下faster rcnn的残差网络resnet的配置，包含prototxt、train、test等文件。

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

ResNet50网络的组网图分析，详细分析了各个模块的组成。主要针对Pytorch框架，其实各个框架的实现基本一致