- 博客(20)
- 收藏
- 关注
RSS订阅原创 080python农业病虫害检测pyqt版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:14:01
258
1
原创 079基于深度学习的香蕉成熟度检测小程序版_含10多种模型
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:11:36
185
1
原创 078基于python深度学习的水果香蕉品质检测_含10多种模型对比
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:10:28
375
1
原创 077织物污渍瑕疵检测
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。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，
2023-09-07 22:09:43
135
1
原创 076基于python深度学习的人脸年龄识别小程序版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:08:21
107
1
原创 075基于深度学习的人脸年龄识别pyqt版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:04:04
64
1
原创 074基于深度学习的柑橘品级分类小程序版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:03:23
98
1
原创 073基于CNN卷积神经网络的柑橘生长形态检测pyqt版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:02:42
71
1
原创 072基于深度学习的遥感船舶检测
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:01:47
143
1
原创 071基于卷积神经网络mobilenet的服装图像分类小程序版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-07 22:00:58
87
1
原创 070基于python深度学习的服装图像分类pyqt版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:59:54
282
原创 069基于CNN卷积神经网络的大豆叶片形态检测小程序版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:59:03
47
原创 068基于CNN卷积神经网络的大豆叶片形态检测pyqt版本
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:58:26
280
原创 067基于python的街头汉字文本识别检测
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:57:46
60
原创 066基于python深度学习的街头汉字文本检测
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:57:04
99
原创 065python的街头文本识别检测
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:56:27
105
原创 064python深度学习的街头文本检测
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:55:45
44
原创 063基于深度学习和ocr的车牌识别
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:55:01
103
原创 062基于深度学习的车牌检测
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:54:20
68
原创 061基于深度学习的建筑物高度检测
基于这些观察结果，EfficientNet使用了一个称为Compound Scaling的方法，同时增加了模型的深度、宽度和分辨率，以在资源受限的环境下取得更好的性能。与传统的网络相比，GoogleNet具有更深的结构，但通过合理的设计和使用1x1的卷积核进行降维操作，成功地减少了计算复杂度和参数数量。相比于之前的模型，VGG采用了更多的卷积层和池化层，达到了16或19个卷积层的深度。同时，VGG中的卷积层都使用了较小的3x3卷积核，并且连续堆叠多次，以增加网络的非线性表达能力。
2023-09-06 22:53:28
355
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人