openCV DNN模块需要的.caffemodel 和对应的 .prototxt文件。包括bvlc_googlenet.caffemodel ， mobilenet_ssd.caffemodel 和 bvlc_googlenet.caffemodel， mobileNet_deploy.prototxt

mobilenet v2 pytorch 预训练模型，官网不太好下载，下载速度慢我把这个下好以后上传上来了。主要是用于加载预训练的权重。

mobilenet_v1_1.0_224.tflite

mobilenet_v1_1.0_224_quant.tflite

Mobilenet-YOLO-Pytorch 就像我之前的项目，损失函数与原始实现非常相似 模型 pytorch实现的MobileNet-YOLO检测网络，在07 + 12上进行了训练，在VOC2007上进行了测试（图像网络经过预训练，而不是coco） 网络 地图 解析度 yolov3 约洛夫4 MobileNetV2 71.2 352 ✓ MobileNetV2 352 ✓ MobileNetV3 MobileNetV3 训练步骤 下载数据集VOCdevkit /，如果已有，请跳过此步骤 sh scripts/VOC2007.sh sh scripts/VOC2012.sh 创建lmdb sh scripts/create.sh 开始训练 sh scripts/train.sh 演示版 下载 ，并保存在$ Mobilenet-YOLO-Pytorch / chec

tensoflow模型，mobilenetv1检查点文件，国内用户无法下载，这里分享下给大家

tensorrt_demos 展示如何使用TensorRT优化caffe / tensorflow / darknet模型并在NVIDIA Jetson或x86_64 PC平台上运行推理的示例。 在Jetson Nano上以约4.6 FPS运行优化的“ yolov4-416”物体检测器。 在Jetson Nano上以约4.9 FPS的速度运行优化的“ yolov3-416”物体检测器。 在Jetson Nano上以27〜28 FPS运行优化的“ ssd_mobilenet_v1_coco”对象检测器（“ trt_ssd_async.py”）。 在Jetson Nano上以6〜11 FPS运行非常精确的优化“ MTCNN”面部检测器。 在Jetson Nano上以“每张图像〜16毫秒（仅供参考）”运行优化的“ GoogLeNet”图像分类器。 除了Jetson Nano，所有演

mobilenetv2预训练模型(keras版的imagenet预训练模型)，no_top版本，一般用于迁移学习。

tensorflow2.x 训练模型的配置文件

biubug6/Pytorch_Retinaface：https://github.com/biubug6/Pytorch_Retinaface。这里用到的预训练模型mobilenet0.25_Final.pth。