内容包含： 1. animegan2的pytorch模型 2. pytorch模型转化为onnx模型脚本 3. dlib裁切人像头肩部，优化生成结果

- OpenCV 4.5.1，基于CUDA 11 - NanoDet-plus - 模式.onnx格式 - 以类的形式封装调用

1、MODNet官方提供的onnx模型； 2、MODNet官方onnx模型转ncnn； 3、ncnn int8量化后的模型。

1、MODNet NCNN C++部署代码 2、MODNet NCNN量化后模型 3、MODNet NCNN未量化模型 4、MODNet onnx模型

yolov3-tiny的cfg文件，yolov3的weights权重文件和使用cfg和weights转换好的onnx模型,目前碰到点问题，等文章写好这个资源的百度云链接会在文章中给出。

PaddleSeg官方提供的轻量级PP-HumanSeg模型转换为onnx，输出为argmax的索引值。

yolov3-tiny2onnx2trt 将您的yolov3-tiny模型转换为trt模型 设备：nvidia jetson tx2 jetpack版本：jetpack4.2： ubuntu18.04 tensorrt5.0.6.3 cuda10.0 cudnn7.3.1 其他： python=2.7 numpy=1.16.1 onnx=1.4.1 (important) pycuda=2019.1.1 Pillow=6.1.0 wget=3.2 自定义设置 data_processing.py: line14: LABEL_FILE_PATH = '/home/nvidia/yolov3-tiny2onnx2trt/coco_labels.txt' line19: CATEGORY_NUM = 80 yolov3_to_onnx.py: line778: img_siz

介绍如何创建优化Pytorch/onnx C++部署框架，如果用英伟达的显卡加速（CUDA/TensorRT）模型的推理，如何在产品中应用。在此课程中会定义统一的借口，可以加载各种onnx模型，最主要的是如何在部署的时候避坑。

ONNX模型动物园 是一种开放标准格式，用于表示机器学习模型。 ONNX得到了许多合作伙伴的支持，这些合作伙伴已经在许多框架和工具中实现了该功能。 ONNX模型动物园是由像您这样的社区成员提供的ONNX格式的经过预训练的最新模型的集合。 每个模型都有用于进行模型训练并根据训练后的模型进行推断。 这些笔记本是用Python编写的，包括指向训练数据集的链接以及对描述模型体系结构的原始论文的引用。 我们已经在进行了标准化，以存储ONNX模型文件。 要下载ONNX模型，请导航至相应的Github页面，然后单击右上角的Download按钮。 楷模 请阅读下面的部分，以获取有关ONNX模型库（.onn

生成该权重代码： import torch import torchvision # use Trace to export onnx model dummy_input = torch.randn(10, 3, 224, 224, device='cuda') # 定义模型的输入shape model = torchvision.models.alexnet(pretrained=True).cuda() # if delete cuda(), will generate onnx model with no cuda. input_names = ['inputs'] output_names = ['outputs'] torch.onnx.export(model, dummy_input, f='alexnet.onnx', verbose=True, input_names=input_names, output_names=output_names, opset_version=10)