【记事本】mobilenet相关资料收集

最新推荐文章于 2022-04-05 20:53:09 发布
最新推荐文章于 2022-04-05 20:53:09 发布
阅读量205 收藏 1
点赞数 1
分类专栏： Deep Learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chen1234520nnn/article/details/102555691
版权

sp2823---官方github地址上的conv_dw层修改：

https://github.com/BVLC/caffe/pull/5665/files#diff-4f402e0933af71910feb2a9d38eaf2e6R1

该修改来源于：

https://github.com/sp2823/caffe/tree/convolution-depthwise

 

 

yonghenglh6---实现的深度卷积(仅GPU)：

1）里面有个将网络中普通卷积类型转换成深度卷积的python脚本。

2）提示打开cudnn时，mobilenet的内存消耗将增加到令人难以置信的水平。

https://github.com/yonghenglh6/DepthwiseConvolution

 

 

RuiminChen---ReLU6层的Caffe实现：

1）添加时，需要修改caffe.proto文件中的内容。

https://github.com/RuiminChen/Caffe-MobileNetV2-ReLU6

 

Farmingyard---Mobilenetv2的网络文件：

1）没有使用relu6。

https://github.com/farmingyard/caffe-mobilenet_v2

 

Austingg---MobileNet-v2-caffe

1）mobilenet-v2网络，没有使用dw和relu6.

https://github.com/austingg/MobileNet-v2-caffe

 

 

chuanqi305---MobileNet SSD_：

1）VOC0712和mAP = 0.727，使用预训练的权重。（没有预训练map只有0.68）。

2）提供了预训练模型。

3）博主好像没有使用depwise层，使用的1*1conv替代的。

4）提供了python脚本，可以生成无bn模型，速度更快。

5）教程比较全，整套流程都有。

6）ReLU6层被ReLU取代。

7）对于conv11_mbox_prior层，锚点为[（0.2，1.0），（0.2，2.0），（0.2，0.5）]与tensorflow的[（0.1，1.0），（0.2，2.0），（0.2，0.5）]。

https://github.com/chuanqi305/MobileNet-SSD

 

chuanqi305---MobileNet_v2 SSD_：

1)作者提示好像是从tensorflow转换而来。

2）需要使用python脚本生成网络文件。（详见github上的readme）

3）

https://github.com/chuanqi305/MobileNetv2-SSDLite

 

 

 

chuanqi305---Caffe-ssd-mobilenet_:

1)增加了relu6层的实现。

https://github.com/chuanqi305/ssd

 

Shicai---Mobilenet_v1_v2-:

1)含有v1和v2的预训练模型。

2）提供了将deploy网络文件转换成train网络文件的教程。

https://github.com/shicai/MobileNet-Caffe

 

 

Suzhenghang---MobileNetv2_：

1）提供了一个refinedet_mobilenetv2的网络文件。

https://github.com/suzhenghang/MobileNetv2

.

 

jixing0415---caffe-mobilenet-v3

1）提供了mobilenetv3的网络文件

https://github.com/jixing0415/caffe-mobilenet-v3

 

 

anlongstory---ShuffleNet_V2-caffe

1)提供了shuffle_channel层的实现。

2）shufflenet的网络文件中也使用了dw层。

https://github.com/anlongstory/ShuffleNet_V2-caffe

sp2823---官方github地址上的conv_dw层修改：

https://github.com/BVLC/caffe/pull/5665/files#diff-4f402e0933af71910feb2a9d38eaf2e6R1

该修改来源于：

https://github.com/sp2823/caffe/tree/convolution-depthwise

 

 

yonghenglh6---实现的深度卷积(仅GPU)：

1）里面有个将网络中普通卷积类型转换成深度卷积的python脚本。

2）提示打开cudnn时，mobilenet的内存消耗将增加到令人难以置信的水平。

https://github.com/yonghenglh6/DepthwiseConvolution

 

 

RuiminChen---ReLU6层的Caffe实现：

1）添加时，需要修改caffe.proto文件中的内容。

https://github.com/RuiminChen/Caffe-MobileNetV2-ReLU6

 

Farmingyard---Mobilenetv2的网络文件：

1）没有使用relu6。

https://github.com/farmingyard/caffe-mobilenet_v2

 

Austingg---MobileNet-v2-caffe

1）mobilenet-v2网络，没有使用dw和relu6.

https://github.com/austingg/MobileNet-v2-caffe

 

 

chuanqi305---MobileNet SSD_：

1）VOC0712和mAP = 0.727，使用预训练的权重。（没有预训练map只有0.68）。

2）提供了预训练模型。

3）博主好像没有使用depwise层，使用的1*1conv替代的。

4）提供了python脚本，可以生成无bn模型，速度更快。

5）教程比较全，整套流程都有。

6）ReLU6层被ReLU取代。

7）对于conv11_mbox_prior层，锚点为[（0.2，1.0），（0.2，2.0），（0.2，0.5）]与tensorflow的[（0.1，1.0），（0.2，2.0），（0.2，0.5）]。

https://github.com/chuanqi305/MobileNet-SSD

 

chuanqi305---MobileNet_v2 SSD_：

1)作者提示好像是从tensorflow转换而来。

2）需要使用python脚本生成网络文件。（详见github上的readme）

3）

https://github.com/chuanqi305/MobileNetv2-SSDLite

 

 

 

chuanqi305---Caffe-ssd-mobilenet_:

1)增加了relu6层的实现。

https://github.com/chuanqi305/ssd

 

Shicai---Mobilenet_v1_v2-:

1)含有v1和v2的预训练模型。

2）提供了将deploy网络文件转换成train网络文件的教程。

https://github.com/shicai/MobileNet-Caffe

 

 

Suzhenghang---MobileNetv2_：

1）提供了一个refinedet_mobilenetv2的网络文件。

https://github.com/suzhenghang/MobileNetv2

.

 

jixing0415---caffe-mobilenet-v3

1）提供了mobilenetv3的网络文件

https://github.com/jixing0415/caffe-mobilenet-v3

 

 

anlongstory---ShuffleNet_V2-caffe

1)提供了shuffle_channel层的实现。

2）shufflenet的网络文件中也使用了dw层。

https://github.com/anlongstory/ShuffleNet_V2-caffe

 

 

https://blog.csdn.net/abrams90/article/details/90209884

https://blog.csdn.net/zaf0516/article/details/90374170

https://www.zhihu.com/question/323419310/answer/677045756

 

超级无敌陈大佬的跟班
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RefineDet算法笔记
AI之路
03-09 3万+
论文：Single-Shot Refinement Neural Network for Object Detection 论文链接：https://arxiv.org/abs/1711.06897 代码链接：https://github.com/sfzhang15/RefineDet RefineDet可以看作是SSD算法的升级版本，可以在保持SSD高效的前提下提高检测效果。主要思想是引入...
RefineDet网络解析
qq_38675397的博客
06-12 433
论文：Single-Shot Refinement Neural Network for Object Detection 论文链接：https://arxiv.org/abs/1711.06897 RefineDet网络的设计初衷是在保持one-stage目标检测速度的同时提高检测效果.RefineDet网络结构在我看来可以理解为FPN+ARM(类RPN)+ODM. RefineDet网络结构 FPN: FPN网络首先通过一个backbone产生特征金字塔(对应图中上半部分的特征...
RefineDet
小菜鸟的AI之路
12-10 3729
论文链接： https://arxiv.org/abs/1711.06897 作者代码链接 ： https://github.com/sfzhang15/RefineDet 在目标检测中，有两个主流的分支，分别是以Faster R-CNN为代表的two stage方法以及以SSD为代表的one stage方法,两者各有优势，总结起来就是：two stage方法的精度更高，one stage方法的速...
RefineDetLite：腾讯提出轻量级高精度目标检测网络
12-10 1733
前几天腾讯公布了一篇论文RefineDetLite: A Lightweight One-stage Object Detection Framework for CPU-only Devices，提出一种面向CPU设备的轻量级一阶段目标检测网络RefineDetLite，其在MSCOCO 上可以达到精度29.4 AP，同时在Intel 6700 @3.4G HZ 型号CPU上可以跑到130ms/...
关于RefineDet中conf和loc输出通道和priorbox产生数量的对应关系
xunan003的博客
04-26 1149
首先需要明白原版SSD中对于conf和loc输出通道和priorbox产生数量之间的关系。如需了解请查看博主两篇博文： https://blog.csdn.net/xunan003/article/details/79249056 https://blog.csdn.net/xunan003/article/details/79186162 与SSD不同，RefineDet修改了multib...
vb资料收集 空记事本
09-20
【标题】"vb资料收集 空记事本"指的是一个基于Visual Basic（VB）开发的简单记事本程序，它被设计为一个空白的文本编辑器，允许用户收集、存储和管理各种源代码或文本资料。这个工具可能是为了方便程序员和IT爱好者...
参考资料-外贸工作记事本-2013.rar
02-13
这个文件很显然是对外贸易工作相关的重要参考资料，特别是对于2013年的业务记录或指导。下面我们将深入探讨这个文件可能涵盖的外贸工作中的关键知识点。 1. **外贸基础知识**：外贸工作涉及到国际交易的基本概念，...
基于android的记事本app
10-20
在Android平台上开发一款记事本应用，涉及到许多关键知识点，这些知识点构成了移动应用开发的基础。以下将详细解析这些核心概念： 1. **Android操作系统**：Android是Google开发的一款开源操作系统，广泛应用于智能...
Python自制记事本
02-26
下面将详细阐述这款记事本程序的相关知识点。 1. **Python基础**： - Python是一种高级、动态类型的编程语言，以其简洁明了的语法和丰富的库支持而闻名。在这个项目中，Python被用作主要的开发语言，用于实现...
易语言记事本源码,易语言多功能记事本
08-20
9. **IP查看**：此功能可能允许用户查询和解析IP地址的相关信息，如地理位置、主机名等。这可能需要调用网络API或第三方服务来获取数据。 10. **超级终端**：超级终端通常是指一个高级的通信程序，可以模拟各种类型...
Pytorch版本MobileNetV3转ONNX然后转om模型使用Pyacl离线推理
HELLOWORLD2424的博客
12-16 7406
Pytorch版本MobileNetV3转ONNX然后转om模型使用Pyacl离线推理 概述:本文主要讲述把MobileNet转成华为Altas服务器离线推理om模型的过程,本人在转换过程中也遇到过比较多的坑,这里把我的经验记录下来,希望大家可以少走点弯路,如果大家觉得此教程有用,记得订阅点赞加分享哦. 1. 下载官方的样例 ATC MobileNet在ascend的ModelZoo已经有相关的样例,我们先通过下面的地址去下载样例,在下面地址点击立即下载即可. https://www.hiascend.co
RefineDet笔记-SSD进阶
kkk_wang的博客
09-13 2142
1. 引言 本篇博客是基于我的SSD工程,想进一步加深对目标检测的理解。在该工程基础上完善新的RefineDet方法。由于长期evernote，以后会逐步转为CSDN。 论文参考：Single-Shot Refinement Neural Network for Object Detection 论文链接：https://arxiv.org/abs/1711.06897 代码链接：ht...
目标检测 | 配置RefineDet详细步骤及填坑笔记
xiao_lxl的专栏
12-12 6351
配置RefineDet详细步骤及参数修改 RefineDet算法，可参考。。。。 1. Caffe安装 可参考：Caffe深度学习入门——Ubuntu16.04 + CUDA9.1+cudnn7.5 + opencv3.3.1+python3.5+caffe安装参考博客和跳坑笔记 2. RefineDet安装： git clone https://github.com/sfzhang15/Refi...
简单粗暴，上手修改原始神经网络模型的结构，以mobilenetv2为例
booklijian的专栏
07-15 3857
如题，想用mobilenetv2来训练自己的数据集，那肯定需要对原有的模型进细微的修改，至少需要把分类数给修改一下吧。 要想细微修改网络模型，则需要首先知道网络模型的结构，以mobilenetv2为例，简单使用如下代码： from torchvision.models import mobilenet_v2 import torch.nn as nn num_classes=100 net=mobilenet_v2().cuda() print(net) 运行上述代码，显示mobilenetv2
MobileNet_V1----MobileNet_V3
weixin_45104951的博客
04-05 1788
MobileNet_v1 传统卷积网络，内存需求大，运算量大，无法在移动设备以及嵌入式设备上进行。 2017年Goolge提出MobileNet，相比于传统卷积神经网络，准确率小幅降低但大大较少了模型参数与运算量，并具备超参数α，β可根据需求调整精度与计算量。 传统卷积 对于传统卷积网络，卷积核channels=输入特征矩阵channels； 输出特征矩阵channels=卷积核个数 DWCNN即depthwise_conv，每个卷积核对应输入特征矩阵一个通道，卷积核channels=.
目标检测算法横向比较，包括backbone、特征融合、loss、proposal/anchor/heatmap、NMS、正负样本设置等
ygfrancois的博客
05-27 9932
目标检测算法发展移步：目标检测算法 本文从算法改进的方向，进行横向比较，包括backbone，特征融合、loss、proposal/anchor/heatmap、NMS、正负样本设置等 Reference：Object Detection in 20 Years: A Survey Table of Contents Backbone改进 DenseNet ResNeXt（gro...
RefineDet算法源码 （一）训练脚本
AI之路
06-04 8685
论文：Single-Shot Refinement Neural Network for Object Detection 论文链接：https://arxiv.org/abs/1711.06897 代码链接：https://github.com/sfzhang15/RefineDet 关于RefineDet算法内容可以先看看博客：RefineDet论文笔记。 RefineDet算法是SS...
RefineDet 网络解读以及和SSD的结果对比
u011092156的博客
07-21 6121
对于目标检测网络，two-stages 精度高，one-stage速度快。 two-stages 第一步产生一系列的候选框，候选框产生方法有Selective Search、EdgeBoxes、DeepMask、RPN），然后第二步再进行分类回归。代表方法有Faster RCNN R-FCN FPN Mask R-CNN 。 one-stage 在feature map的每个cell中产生候选...
基于Android的简单记事本的设计(完整版)资料.doc
最新发布
12-01
本文主要阐述了基于 Android 的简单记事本的设计与实现。在这篇文章中，我们详细介绍了用户如何使用这个记事本应用来添加、编辑和查看事件，以及如何通过对话框对事件进行修改和删除。在设计过程中，我们运用了 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值