yolov3-tiny训练模型，用pytorch框架搭建，让高配置的电脑，笔记本也能训练v3tiny模型，并且部署到树莓派等视觉实践项目中进行视频实时目标检测，优点在于检测速度快，模型体积小，方便部署和搭建，对于很多新手小白来说十分友好，该模型搭配我博客所讲的方法可以让你们快速入门进行目标检测项目，YOLOv3是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。而YOLOv3-tiny是YOLOv3的简化版。YOLOv3-tiny是YOLO系列中的一个目标检测模型。它是基于深度学习算法的目标检测模型，具有较快的检测速度和较低的计算资源要求。YOLOv3-tiny相对于YOLOv4-tiny在性能上有所下降，但仍然可以实现一定的目标检测准确率。yolov3-tiny 相对于其他版本的 yolo 网络有以下优势yolov3-tiny 具有更快的推理速度，适用于对实时性要求较高的应用场景。 yolov3-tiny 在保持较高检测精度的同时，具有更小的模型体积，占用更少的存储空间。 yolov3-tiny 适合于在计算资源有限的设备上进行目标检测任务。

BERT+BiLSTM+CRF是一种用于命名实体识别（Named Entity Recognition, NER）的深度学习模型。其中，BERT（Bidirectional Encoder Representations from Transformers）是一种预训练的语言模型，用于捕捉上下文信息；BiLSTM（双向长短时记忆网络）用于处理序列数据；CRF（条件随机场）用于解决标签偏置问题，提高模型的预测准确性。 在训练过程中，需要将输入数据转换为适当的格式，并使用适当的损失函数和优化器进行训练。在推理阶段，可以使用训练好的模型对新的文本进行命名实体识别。

ResNet_classification。ResNet网络在pytorch框架下实现图像分类，拿走即用，包含批量化测试验证。该文件包含ResNet18、ResNet50、ResNet101等网络实现图像分类的代码及对训练好的模型进行单一测试和批量测试的代码。ResNet网络是参考了VGG19网络，在其基础上进行了修改，并通过短路机制加入了残差单元。

高光谱图像分类2D_CNN网络代码 基于pytorch框架制作 全套项目，包含网络模型，训练代码，预测代码，直接下载数据集就能跑，拿上就能用，简单又省事儿 内附indian pines数据集，采用20%数据作为训练集，并附上迭代10次的模型结果，准确率99左右。

基于pytorch框架和yolov5实现第一人称射击(FPS)游戏的辅助瞄准系统源码+项目说明.zip ​ 本程序基于pytorch框架与yolov5物体检测平台，实现了人工智能对FPS（第一人称射击）游戏的辅助瞄准。与传统游戏作弊方式不同，本程序不读取或改动游戏的内存数据，而是通过人工智能实时分析游戏画面、确定敌人位置并移动鼠标射击，反应流程与人脑相同，难以被普通反作弊方式检测。本程序的特点有： 单次识别过程经过反复优化，在RTX30系显卡下单次时延$\leq 0.1s$​ 前后端分离，前端启动器UI界面现代化、扁平化，提供参数调节功能并与后端通过json参数共享 设计演示模式，实时展现AI的识别过程 设计静态和动态模式，在敌人静态和近匀速运动时有可观的射击精准度 适配多款射击游戏，对CS:GO（《反恐精英:全球攻势》）单独优化，考虑到鼠标加速与鼠标灵敏度设置对程序参数的影响

ConvNeXt算法实现pytorch框架下的图像分类，ConvNeXt是通过借鉴Swin Transformer的思想，然后在ImageNet-1K上进行训练和评估，最终得到ConvNeXt的核心结构的算法。

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

Pytorch框架全流程开发医学影像课程，2023年1月新课 本课程以实践为目的，把深度学习概念及基础学习贯穿在几个实践项目中，带领你们进入PyTorch深度学习的世界，使用PyTorch将其一一实现。

包括4点： 1、安装Anaconda 2、安装CUDA 3、安装PyTorch 4、安装PyCharm 本次由于选择的PyTorch是1.4版本，支持的是CUDA10.1，所以CUDA安装的版本是10.1。 一、安装Anaconda 1、win10 Anaconda官网 https://www.anaconda.com/distribution/ 如下图，选择 根据自己的电脑位数进行选择，下载后安装即可。注意一点 需要勾选这两个选项。 确认安装成功：打开CMD，输入 conda list 如果出现内容，则代表安装成功。 2、Ubuntu 也打开官网，点击相应版本进行下载，下载后安装即可。

分享课程——Pytorch框架全流程开发医学影像端到端判别实战项目课程