1.本项目专注于解决出国自驾游特定场景下的交通标志识别问题。借助Kaggle上的丰富交通标志数据集，我们采用了VGG和GoogLeNet等卷积神经网络模型进行训练。通过对网络架构和参数的巧妙调整，致力于提升模型在不同类型交通标志识别方面的准确率。 2.项目运行环境包括：Python 环境、Anaconda环境。 3.项目包括3个模块：数据预处理、模型构建、模型训练及保存。项目使用德国交通标志识别基准数据集(GTSRB)，此数据集包含50000张在各种环境下拍摄的交通标志图像；模型构建包括VGG模型和GoogLeNet模型简化版深度学习模型，MiniGoogLeNet由Inception模块、Downsample模块和卷积模块组成，卷积模块包括卷积层、激活函数和批量归一化；通过随机旋转等方法进行数据增强，选用Adam算法作为优化算法，随着迭代的次数增加降低学习速率，经过尝试，速率设为0.001时效果最好。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/135080491

今天小编就为大家分享一篇pytorch在fintune时将sequential中的层输出方法,以vgg为例，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

今天小编就为大家分享一篇Pytorch 抽取vgg各层并进行定制化处理的方法，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

Pytorch实现102类鲜花分类——102 Category Flower Dataset 数据集介绍：102 Category Flower Dataset 数据集由102类产自英国的花卉组成，每类由40-258张图片组成，文件夹种分为训练集train和验证集valid，符合torchvision数据集存放要求 适用范围：【花卉图像识别与分类】适用于图像识别分类任务初学者，通过使用经典模型（如VGG和ResNet模型）进行图像分类任务的常用数据集；也使用于计算机视觉、自然语言处理等人工智能领域初学者，进一步利用深度学习和神经网络进行图像分类，包括图像的裁剪、旋转、通道转换操作、图像数据增强等系列图片处理操作 获取方式：【0积分免费获取】

猫VS狗分类器 需要最新版本的Matlab（R2017b）才能运行此文件夹中的代码。 为了设置“猫与狗”数据集，您必须将数据集划分为两个标记为“ cat”和“ dog”的子文件夹，并在其各自的图片中带有Kaggle Training文件夹。 您还必须检查以确保图像数据存储库是从正确的目录中提取的。 ALEXNET.m和VGG19.m是此文件夹中的主要代码文件，用于设置和训练各自的模型。 该文件夹是用于Oge Marques的CAP 4630-003：FAU的人工智能简介的存储库。 版权所有。

[SSD-300 VGG-based] | VOC07+12+COCO trainval | VOC07 test | 0.817 | - |原文中指定模型

这是一个使用预训练的VGG19网络完成图片风格迁移的项目，使用的语言为python，框架为tensorflow。 给定一张风格图片A和内容图片B，能够生成具备A图片风格和B图片内容的图片C。

用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等等，包含可完整运行的代码。除此之外，也有colab的在线运行代码，可以直接在colab在线运行查看结果。

基于VGG Simple手写体数字识别的研究与FPGA实现 vivado的工程 大家自行学习

深度学习常用网络,其中包括inception-v1,inception-v2,inception-v3,vgg,resnet,在google上资源下载比较慢