imagenet数据集

高效Net-Lite火炬 Google的Pytorch实现。 提供imagenet预训练模型。 在EfficientNet-Lite中，所有的SE模块均被删除，所有的交换层都被ReLU6取代。 对于边缘设备，它比EfficientNet-B系列更友好。 型号详情： 模型 参量 MAdds Top1 Acc（官方） Top1 Acc（此回购） 前5名 efficiencynet-lite0 470万 407M 75.1％ 71.73％ 90.17％ efficiencynet-lite1 540万 631M 76.7％ 74.71％ 92.01％ efficiencynet-lite2 610万 899M 77.6％ 77.14％ 93.54％ efficiencynet-lite3 820万 1.44B 79.8％ 78.91％ 94.37

可切换归一化 可切换规范化是一种规范化技术，它能够以端到端的方式为深度神经网络中的不同规范化层学习不同的规范化操作。 更新 2019/3/21：发布分布式培训框架和面部识别框架。 我们还发布SyncBN和SyncSN的pytorch实现小批量任务，如分割和检测。 有关SyncBN和SyncSN的更多详细信息，可以参考。 2018/7/27：已发布ResNet50 + SN（8,1）和SN（8,4）的预训练模型。 当目标任务的批处理大小被限制为较小时，这些模型可能会在微调阶段有所帮助。 我们还发布了ResNet101v2 + SN的预训练模型，该模型在ImageNet上达到了78.81％/ 94.16％的top-1 / top-5精度。 更多预训练模型即将发布！ 2018/7/26：用于对象检测的代码已在的存储库中。 2018/7/9：我们想解释SN背后的优点。 请参阅或 。 201

Imagenet验证集数据大小为6.5G，共有1000类的50000张图片。本文主要是对这1000类的50000张图片的标签信息。

ReLabel：自动将ImageNet转化成多标签数据集，更准确地有监督训练 - 2021新文.doc

deepsort6.1+yolov5 6.1，解压后放入C:\Users\XXXX\.cache\torch\checkpoints 路径

使用deepsort，追踪算法osnet-imagenet训练的权重文件

正在进行的工作 git submodule update --init --recursive cd fastaugment mkdir -p build && cd build cmake .. && make cd ../../sigmoid_like_tf_op mkdir -p build && cd build cmake .. && make

小型Imagenet视觉识别挑战 Tiny Imagenet具有200个类别，每个类别具有500个训练图像，50个验证图像和50个测试图像。 提供了标签类别和边界框。 可以在上找到更多详细信息， 这项挑战是Stanford Class CS 231N的一部分

1000级别分类网络模型，采用50层的网络层，对大部分物体能检测出来，resnet50_1000_imagenet_classifier.dnn.bz2