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。
demo仓库和视频演示找080期：
效果展示图如下：
代码文件展示如下：
运行01数据集文本生成制作.py可以读取图片路径保存再txt文本中，
运行02train.py可以对txt文本中的图片路径读取并训练模型，
在02中可以选择的模型有10多种，可以都训练进行对比、包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。
训练的每个epoch都会显示准确率precision、召回率recall和 f1-score
训练完成后评价指标图会保存在result文件夹下。
2818
2577
1937
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
