本文介绍了卷积神经网络（如AlexNet、DenseNet等）在分类任务中的应用，以及目标检测（如YOLOv3、YOLOv5）和图像分割（如Unet、mask-rcnn）的代表性模型。同时提供了代码下载资源和可视化工具的示例，展示了从数据处理到模型训练和应用的完整流程。
卷积网路CNN分类的模型一般使用包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型
目标检测一般是yolov3、yolov4、yolov5、yolox、PSPnet、faster_rcnn、SDD等
图像分割一般是Unet、mask-rcnn、PSPnet、yolov5-segment等
代码下载和视频演示地址：
效果图如下:
代码所有文件:
运行01makeTxt.py会将data文件下的图片路径及标签保存在txt文本内，
运行02train.py会对图片进行读取并训练模型保存在runs文件下，
运行03detector_photo.py会对单张图片进行预测，
运行04pyqt界面.py可以展示一个pyqt的可视化交互界面，通过点击按钮加载感兴趣的图片进行识别。
扫一扫
423
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
