EfficientNet_classification。EfficientNet在pytorch框架下实现图像分类，拿走即用。该文件包含python语言编写的model文件、my_dataset文件、predict文件、train文件、配置文件等。能够实现训练自己的数据集进行图像分类，以及对训练后的网络进行测试。EfficientNet利用NAS(Neural Architecture Search)搜索技术，将输入分辨率，网络的深度、宽度三者同时考虑，搭建更nice的网络结构。EfficientNet-B0的网络框架，总体看，分成了9个Stage：Stage1 是一个卷积核大小为3x3，步距为2的普通卷积层（包含BN和激活函数Swish）；Stage2～Stage8 是在重复堆叠 MBConv 结构；Stage9 是一个普通的1x1的卷积层(包含BN和激活函数Swish) + 一个平均池化层 + 一个全连接层组成

YOLOV3：只看一次目标检测模型在Pytorch当中的实现-替换高效网络主干网络 2021年2月8日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 行动计划0.5：0.95 行动计划0.5 挥发性有机化合物07 + 12 VOC-Test07 416x416 -- 78.9 所需环境 火炬== 1.2.0 文件下载 训练所需的efficiencynet-b2-yolov3的权重可以在百度云下载。链接： ： 提取码：hiuq其他版本的efficiencynet的权重可以将YoloBody（Config，phi = phi，load_weights = False）的load_weights参数设置成True，从而获得。 预测步骤 a，使用预训练权

keras efficientnet的预训练模型。来自：https://github.com/Callidior/keras-applications/releases/

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

MindSpore EfficientNet

Yolo通用目标检测模型与EfficientNet-lite结合使用，计算量仅为230Mflops（0.23Bflops），模型大小为1.3MB:high_voltage:Yolo-Fastest:high_voltage:简单，快速，紧凑，易于移植实时目标检测算法适用于所有平台基于yolo的最快和最小的已知通用目标检测算法速度比mobilenetv2-yolov3-nano快45％，参数数量减少56％评估指标网络VOC mAP（0.5）分辨率运行时间（Ncnn 1xCore）运行时间（Ncnn 4xCore）FLOPS重量大小MobileNetV2-YOLOv3-Nano 65.27 320 11.36ms 5.48ms 0.55BFlops 3.0MB Yolo-Fas

毕业设计：基于python flask和EfficientNet搭建的动物识别系统 有代码数据 可以直接运行

发型分类 预处理 opencv人脸检测=>裁剪=>提升（作为第一个输入图像） opencv分割（作为第二个输入图像） DNN网络架构 表现 损耗曲线 准确性 避免过度拟合（例如） 不复杂的网络架构 添加Dropout和BatchNormarize 增加火车数据集 将L1或L2正则化器添加到层 参考

python烟火检测pytorch抽烟检测EfficientNet

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