EfficientDet：可扩展且高效的对象检测 最新对象检测架构EfficientDet的PyTorch实现 动机 截至我开始从事该项目时，GitHub上没有PyTorch实施与该模型参数的数量与原始论文相匹配。 所有现有的存储库都与最近发布的TensorFlow实施方式发生了很大的变化（例如，更改主干的步幅，缺少批处理规范化层，池化层中没有“相同”的填充策略，不同的训练超参数，不使用指数移动平均衰减等）。 这是我在PyTorch中重现EfficientDet的尝试。 我的最终目标是从原始论文复制训练周期并获得几乎相同的结果。 实施注意事项 除了TensorFlow实现之外，我还消除了卷积层中无用的偏差，然后进行了批量归一化，这导致了参数减少。 模型动物园 型号名称 重物 #params #params纸 肺动脉压 val mAP纸 D0 38.78万 390万 32.8 33.5

swinUet官方代码中需要的预训练权重 权重名称：swin_tiny_patch4_window7_224.pth

今天小编就为大家分享一篇pytorch 在网络中添加可训练参数,修改预训练权重文件的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

EfficientNet，pytorch源码和B0-B7八个预训练权重.

pytorch学习练手项目 pytorch版本DCGAN生成二次元头像, 包含源码训练测试代码，以及训练数据和训练权重

Mask_RCNN模型在COCO数据集上预训练权重mask_rcnn_coco.h5

1、pytorch框架YOLOv3在Visdrone开源数据集的训练权重和代码； 2、3个训练好的模型YOLOv3、yolov3-tinyt、YOLOv3-spp； 3、map、PR、recall、loss、等各种训练曲线图； 4、Ultralytics 版YOLOv3版的代码。

1、YOLOv3电塔绝缘子训练好的模型，压缩包内有代码，代码为ultralytics版YOLOv3， 2、classes: Insulator 3、内有map、pr、recall、loss等曲线图

Visdrone数据集YOLOv5训练权重： 1、包括训练好的YOLOv5s-visdrone.pt 和yolov5m-visdrone.pt两个模型 2、包含各种训练曲线 3、包含相关场景测试视频 4、附上了yolov5-5.0的代码

自用收集的基于ResNet50的Faster RCNN目标检测网络框架，附带可迁移学习的预训练权重用于自学备用，感谢Bubbliiing