AI-openpose，肢体识别，预训练模型，mobilenet_sgd_68.848.pth.tar

已于 2022-05-02 14:47:04 修改
阅读量597 收藏 1
点赞数 4
分类专栏： pytorch 文章标签： pytorch 深度学习
于 2022-03-03 10:16:46 首次发布
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/qq_48983365/article/details/123247199
版权

我就不上传csdn了，下载需要花钱。有需要的可以留下qq邮箱。在这里插入图片描述

corc++
关注
  • 4
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 43
    评论
专栏目录
L-OpenPose实验
XYKenny的博客
05-10 1158
L-OpenPose训练过程： 1、mobilenet_sgd_68.848.pth.tar从以下网址下载经过培训的MobileNet v1权重：https：//github.com/marvis/pytorch-mobilenet（sgd选项）。如果这不起作用，请从GoogleDrive下载。 2、以内部格式转换火车注释。运行 python scripts/prepare_train_labels.py --labels data/annotations/person_keypoints_train201
轻量级人体姿态估计lightweight-human-pose-estimation.rar
06-29
轻量级人体姿态估计lightweight-human-pose-estimation.rar
手机端mobileNet
09-01
mobileNet，用于快速实时的目标检测，可在手机端进行试用。
mobilenet_v2-6a65762b.pth
07-12
mobilenet v2 pytorch 预训练模型，官网不太好下载，下载速度慢我把这个下好以后上传上来了。主要是用于加载预训练的权重。
ssd_mobilenet_v1_coco_2017_11_17.tar.gz
06-19
ssd_mobilenet_v1_coco_2017_11_17.tar.gz ssd_mobilenet_v1_coco_2017_11_17.tar.gz ssd_mobilenet_v1_coco_2017_11_17.tar.gz
checkpoint.tar
08-27
自用
15-1 Lec1_SGD-Adam.pdf
11-26
Lec1_SGD-Adam.
checkpoint_iter_370000.pth
03-04
lightweight-pytorch训练好的模型checkpoint_iter_370000.pth
MobileNet V1官方预训练模型的使用
10-22
使用MobileNet V1官方预训练模型示例，通过该代码可以快速接入MobileNet V1
pytorch-mobilenet-v1
04-27
从修改的MobileNet的实现。 imagenet数据处理 nohup python main.py -a mobilenet ImageNet-Folder> log.txt＆ 结果 sgd：top1 68.848 top5 88.740 rmsprop：top1 0.104 top5 0.494 来自sgd的rmsprop init：top1 69.526 top5 纸：top1 70.6 基准： Titan-X，批处理大小= 16 resnet18 : 0.004030 alexnet : 0.001395 vgg16 : 0.002310 squeezenet : 0.009848 mobilenet : 0.073611 Titan-X，批处理大小= 1 resnet18 : 0.003688 alexnet : 0.001179
A5_SGD7S驱动器.pdf
08-09
安川伺服Σ-7S 伺服单元 模拟量电压、脉冲序列指令形 Σ-7系列 AC伺服驱动器 产品手册 电机驱动器手册
Mini-batch-SGD-master.zip_MBGD小批量梯度下降_batch_多项式回归
09-24
实现小批量梯度下降的多项式回归，并且用图像表示出欠拟合，过拟合的泛化误差
如何训练LightWeight OpenPose
herocheney的博客
05-07 1612
前期准备： 1　下载ＣＯＣＯ２０１７数据集，数据集地址为：http://cocodataset.org/#download](http://cocodataset.org/#download 解压至<COCO_HOME>文件夹 ２　安装要求的环境　　pip install -r requirements.txt 训练 训练包含三个步骤 １．训练MobileNet权重，经过此轮训练期望ＡＰ值达到３８％ ２．训练上一阶段的权重，期待达到ＡＰ３９％ ３训练上一阶段的权重，期待达到ＡＰ４０
【pytorch】MobileNetV2迁移学习+可视化+训练数据保存
Leon的博客
03-29 5853
一、前言 由于写论文，不单单需要可视化数据，最好能将训练过程的完整数据全部保存下来。所以，我又又又写了篇迁移学习的文章，主要的改变是增加了训练数据记录的模块，可以将训练全过程的数据记录为项目路径下的Excel文件。其次是更换了网络，改用了比较轻量级的MobileNetV2。 可以看到MobileNetV2模型仅仅只有14M，在识别速度上完胜。在准确率上来说，只比Resnet和Densenet差那么一点点，对嵌入式设备相当友好。 其次，我本次改用了 SGD+ momentum加速+L2正则化 +Re
Faster R-CNN代码讲解之 train_mobilenet.py
qq_49937848的博客
03-14 1674
资料： github代码链接：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing b站一个不错的up主讲解视频：https://www.bilibili.com/video/BV1of4y1m7nj?t=99&p=2 数据集 数据集使用Pascal VOC2012 （共20个分类） Pascal VOC2012 train/val数据集下载地址：http://host.robots.ox.ac.uk/pascal/VOC/
无法打开文件“libboost_system-vc141-mt-sgd-x32-1_66.lib”
m0_37981386的博客
06-23 5627
boost库出现 无法打开文件“libboost_system-vc141-mt-sgd-x32-1_66.lib” 的错误解决方法，右键属性——C/C++——代码生成——运行库，改为多线程调试 DLL (/MDd)
【深度学习】pytorch快速得到mobilenet_v2 pth 和onnx
最新发布
q742971636的博客
11-17 647
【代码】pytorch快速得到mobilenet_v2 pth 和onnx。
【Python X3】PyTorch实现神经网络自制分类数据集的训练并将其部署在地平线旭日3开发板上的全流程
计算机视觉方面的点点滴滴，欢迎一起讨论
05-10 1227
文章目录1 故事开头2 问题分析3 Mobilenetv2网络结构介绍4 服务器端训练自制分类数据集并预测5 将pth模型转换成onnx模型6 文件1下载7 旭日3开发板Ubuntu20.04系统镜像安装8 配置地平线提供的docker开发环境9 在docker环境中将onnx模型转换成上板模型10 文件2下载11 将异构模型部署在X3开发板上12 文件3下载13 所有文件下载 一直没有看到介绍深度学习相关项目从PC端训练到嵌入式端部署全流程的文章，故在此写一个全面的介绍，以花分类模型为例，使用PyTorc
生成一段cifar_net.pth图像识别模型的代码
05-27
好的，下面是生成一个基于CIFAR-10数据集的图像识别模型并保存为cifar_net.pth文件的示例代码： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision.transforms as transforms import torchvision.datasets as datasets # Define the neural network architecture class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = nn.functional.relu(self.fc1(x)) x = nn.functional.relu(self.fc2(x)) x = self.fc3(x) return x # Load the CIFAR-10 dataset transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))] ) trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) # Initialize the neural network and the optimizer net = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # Train the neural network for epoch in range(2): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 2000 == 1999: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 print('Finished Training') # Test the neural network correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) # Save the trained model weights to a .pth file PATH = './cifar_net.pth' torch.save(net.state_dict(), PATH) ``` 这段代码定义了一个包含两个卷积层和三个全连接层的神经网络，使用CIFAR-10数据集进行训练，并在测试集上进行了准确率测试。最后，将训练好的神经网络权重保存到cifar_net.pth文件中。

“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 43
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