折后
折后

图像分类

原文

① Efficientnet_b8已经推出

python
>>import timm
>>model=timm.create_model('tf_efficientnet_b8',pretrained=False)
>>model

 
   
   
   
   

 
   
   
   
   
    
    
    
    
    
  • 1
    • 
    
    
    
    
  • 2
    • 
    
    
    
    
  • 3
    • 
    
    
    
    
  • 4
    •

图像分类模型

[ResNext]

[Aggregated Residual Transformations for Deep Neural Networks]
[ResNext官方代码链接]

[Efficientnet]

[EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks]
[EfficientNet官方代码链接]

基于PyTorch的图像分类模型

[代码链接—pytorch-image-models]
Python库—timm

timm的使用方法

安装timm包

pip install timm

 
   
   
   
   

 
   
   
   
   
    
    
    
    
    
  • 1
    •

测试

python
>>import timm
>>model=timm.create_model('resnet18',pretrained=False)
>>model

 
   
   
   
   

 
   
   
   
   
    
    
    
    
    
  • 1
    • 
    
    
    
    
  • 2
    • 
    
    
    
    
  • 3
    • 
    
    
    
    
  • 4
    •
timm支持的模型列表

以下表格中是目前timm所支持的模型结构，可运行model=timm.create_model('模型名称')加载模型。

分类网络系列
ig_resnext101_32x48d
tf_efficientnet_b8
tf_efficientnet_b8_ap
tf_efficientnet_b7_ap
ig_resnext101_32x32d
tf_efficientnet_b7
tf_efficientnet_b6_ap
swsl_resnext101_32x8d
tf_efficientnet_b5_ap
ig_resnext101_32x16d
tf_efficientnet_b6
tf_efficientnet_b5
swsl_resnext101_32x16d
tf_efficientnet_b4_ap
swsl_resnext101_32x4d
tf_efficientnet_b4
pnasnet5large
ig_resnext101_32x8d
nasnetalarge
swsl_resnext50_32x4d
efficientnet_b3a
ssl_resnext101_32x16d
tf_efficientnet_b3_ap
tf_efficientnet_b3
ssl_resnext101_32x8d
efficientnet_b3
senet154
gluon_senet154
swsl_resnet50
gluon_resnet152_v1s
ssl_resnext101_32x4d
gluon_seresnext101_32x4d
gluon_seresnext101_64x4d
efficientnet_b2a
gluon_resnext101_64x4d
mixnet_xl
gluon_resnet152_v1d
inception_resnet_v2
tf_efficientnet_el
gluon_resnet101_v1d
efficientnet_b2
gluon_resnext101_32x4d
ssl_resnext50_32x4d
gluon_resnet101_v1s
tf_efficientnet_b2_ap
seresnext101_32x4d
inception_v4
dpn107
tf_efficientnet_b2
dpn92
ens_adv_inception_resnet_v2
gluon_seresnext50_32x4d
gluon_resnet152_v1c
dpn131
gluon_resnet152_v1b
resnext50d_32x4d
dpn98
gluon_xception65
gluon_resnet101_v1c
hrnet_w64
dla102x2
gluon_resnext50_32x4d
resnext101_32x8d
tf_efficientnet_cc_b1_8e
gluon_resnet101_v1b
hrnet_w48
tf_efficientnet_b1_ap
ssl_resnet50
res2net50_26w_8s
res2net101_26w_4s
seresnext50_32x4d
gluon_resnet50_v1d
xception
resnet50
mixnet_l
hrnet_w40
hrnet_w44
wide_resnet101_2
tf_efficientnet_b1
tf_mixnet_l
gluon_resnet50_v1s
tf_efficientnet_em
efficientnet_b1
dla169
seresnet152
res2net50_26w_6s
resnext50_32x4d
dla102x
wide_resnet50_2
dla60_res2net
hrnet_w32
dla60_res2next
selecsls60b
seresnet101
resnet152
dla60x
res2next50
hrnet_w30
res2net50_14w_8s
dla102
gluon_resnet50_v1c
seresnext26t_32x4d
seresnext26tn_32x4d
selecsls60
res2net50_26w_4s
tf_efficientnet_cc_b0_8e
efficientnet_b0
seresnet50
tv_resnext50_32x4d
seresnext26d_32x4d
gluon_resnet50_v1b
res2net50_48w_2s
dpn68b
resnet101
densenet161
tf_efficientnet_cc_b0_4e
densenet201
mixnet_m
tf_efficientnet_es
selecsls42b
seresnext26_32x4d
tf_efficientnet_b0_ap
dla60
tf_mixnet_m
tf_efficientnet_b0
hrnet_w18
resnet26d
dpn68
tv_resnet50
mixnet_s
densenet169
tf_mixnet_s
mobilenetv3_rw
tf_mobilenetv3_large_100
semnasnet_100
resnet26
fbnetc_100
hrnet_w18_small_v2
resnet34
seresnet34
densenet121
mnasnet_100
dla34
gluon_resnet34_v1b
spnasnet_100
tf_mobilenetv3_large_075
tv_resnet34
swsl_resnet18
ssl_resnet18
hrnet_w18_small
tf_mobilenetv3_large_minimal_100
seresnet18
gluon_resnet18_v1b
resnet18
tf_mobilenetv3_small_100
dla60x_c
dla46x_c
tf_mobilenetv3_small_075
dla46_c
tf_mobilenetv3_small_minimal_100
tf_mixnet_l
timm模型的训练结果

  以下表格是timm官方公布的测试结果，我截取前30名在此展示，想要查看完整榜单请访问[results-imagenet.csv]。

model top1 top1_err top5 top5_err param_count img_size cropt_pct interpolation
ig_resnext101_32x48d 85.428 14.572 97.572 2.428 828.41 224 0.875 bilinear
tf_efficientnet_b8 85.37 14.63 97.39 2.61 87.41 672 0.954 bicubic
tf_efficientnet_b8_ap 85.37 14.63 97.294 2.706 87.41 672 0.954 bicubic
tf_efficientnet_b7_ap 85.12 14.88 97.252 2.748 66.35 600 0.949 bicubic
ig_resnext101_32x32d 85.094 14.906 97.438 2.562 468.53 224 0.875 bilinear
tf_efficientnet_b7 84.936 15.064 97.204 2.796 66.35 600 0.949 bicubic
tf_efficientnet_b6_ap 84.788 15.212 97.138 2.862 43.04 528 0.942 bicubic
swsl_resnext101_32x8d 84.284 15.716 97.176 2.824 88.79 224 0.875 bilinear
tf_efficientnet_b5_ap 84.252 15.748 96.974 3.026 30.39 456 0.934 bicubic
ig_resnext101_32x16d 84.17 15.83 97.196 2.804 194.03 224 0.875 bilinear
tf_efficientnet_b6 84.11 15.89 96.886 3.114 43.04 528 0.942 bicubic
tf_efficientnet_b5 83.812 16.188 96.748 3.252 30.39 456 0.934 bicubic
swsl_resnext101_32x16d 83.346 16.654 96.846 3.154 194.03 224 0.875 bilinear
tf_efficientnet_b4_ap 83.248 16.752 96.392 3.608 19.34 380 0.922 bicubic
swsl_resnext101_32x4d 83.23 16.77 96.76 3.24 44.18 224 0.875 bilinear
tf_efficientnet_b4 83.022 16.978 96.3 3.7 19.34 380 0.922 bicubic
pnasnet5large 82.736 17.264 96.046 3.954 86.06 331 0.875 bicubic
ig_resnext101_32x8d 82.688 17.312 96.636 3.364 88.79 224 0.875 bilinear
nasnetalarge 82.554 17.446 96.038 3.962 88.75 331 0.875 bicubic
swsl_resnext50_32x4d 82.182 17.818 96.23 3.77 25.03 224 0.875 bilinear
efficientnet_b3a 81.866 18.134 95.836 4.164 12.23 320 1 bicubic
ssl_resnext101_32x16d 81.844 18.156 96.096 3.904 194.03 224 0.875 bilinear
tf_efficientnet_b3_ap 81.822 18.178 95.624 4.376 12.23 300 0.904 bicubic
tf_efficientnet_b3 81.636 18.364 95.718 4.282 12.23 300 0.904 bicubic
ssl_resnext101_32x8d 81.616 18.384 96.038 3.962 88.79 224 0.875 bilinear
efficientnet_b3 81.494 18.506 95.716 4.284 12.23 300 0.904 bicubic
senet154 81.31 18.69 95.496 4.504 115.09 224 0.875 bilinear
gluon_senet154 81.234 18.766 95.348 4.652 115.09 224 0.875 bicubic
swsl_resnet50 81.166 18.834 95.972 4.028 25.56 224 0.875 bilinear

另外

图像分类大赛

[“华为云杯”图像分类大赛]

你可能感兴趣的:(图像分类)

  • 计算机视觉核心任务 飞瀑 AIyolo
    1.计算机视频重要分类计算机视觉的重要任务可以大致分为以下几类：1.图像分类（ImageClassification）识别图像属于哪个类别，例如猫、狗、汽车等。应用场景：物品识别、人脸识别、医疗影像分类。代表模型：ResNet、EfficientNet、ViT（VisionTransformer）。2.目标检测（ObjectDetection）识别图像中目标的位置（边界框）及类别。应用场景：自动驾
  • 图像分类与目标检测算法 BugNest AI算法分类目标检测ai人工智能图像处理
    在计算机视觉领域，图像分类与目标检测是两项至关重要的技术。它们通过对图像进行深入解析和理解，为各种应用场景提供了强大的支持。本文将详细介绍这两项技术的算法原理、技术进展以及当前的落地应用。一、图像分类算法图像分类是指将输入的图像划分为预定义的类别之一。这一过程的核心在于特征提取和分类器的设计。1.特征提取特征提取是图像分类的第一步，其目标是从图像中提取出能够区分不同类别的关键信息。传统的特征提取方
  • Kivy教程大全之 使用 NumPy 和 Kivy 对 Android 设备进行图像分类 知识大胖 Python源码大全pythonkivynumpy
    文章简介ANN架构。使用KV语言创建小部件树。创建Kivy应用程序。使用正确的NumPy版本。构建Android应用程序。了解更多信息本教程的重点是构建一个调用预训练的ANN来对图像进行分类的Android应用程序。这里不深入讨论准备数据集、构建、训练和优化ANN的步骤。在本教程中将仅对它们进行简要讨论。但不要担心——在不了解这些细节的情况下遵循本教程中的想法是可以的。如果您想了解它们，请查看我之
  • 深度学习练手小例子——cifar10数据集分类问题 　☆cwlulu 深度学习分类人工智能
    CIFAR-10是一个经典的计算机视觉数据集，广泛用于图像分类任务。它包含10个类别的60,000张彩色图像，每张图像的大小是32x32像素。数据集被分为50,000张训练图像和10,000张测试图像。每个类别包含6,000张图像，具体类别包括：飞机(airplane)汽车(automobile)鸟(bird)猫(cat)鹿(deer)狗(dog)青蛙(frog)马(horse)船(ship)卡车
  • DeepSeek计算机视觉（Computer Vision）基础与实践 Evaporator Core #DeepSeek快速入门计算机视觉计算机视觉人工智能
    计算机视觉（ComputerVision）是人工智能领域的一个重要分支，专注于让计算机理解和处理图像和视频数据。计算机视觉技术广泛应用于图像分类、目标检测、图像分割、人脸识别等场景。DeepSeek提供了强大的工具和API，帮助我们高效地构建和训练计算机视觉模型。本文将详细介绍如何使用DeepSeek进行计算机视觉的基础与实践，并通过代码示例帮助你掌握这些技巧。1.计算机视觉的基本概念计算机视觉的
  • JavaCV进阶opencv图像处理：扫描并识别视频中的二维码 eguid_1 #JavaCV进阶之opencvJavaCV图像处理合集扫描视频二维码opencv识别二维码javacv检测二维码java扫描检测二维码识别二维码
    人脸检测识别javacv进阶opencv图像检测/识别系列目录人脸检测识别JavaCV进阶opencv图像处理：摄像头图像人脸检测JavaCV进阶opencv图像处理：ffmpeg视频图像画面人脸检测JavaCV进阶opencv图像处理：批量人脸图像分类训练JavaCV进阶opencv图像处理：摄像头图像人脸识别二维码识别二维码识别JavaCV进阶opencv图像处理：扫描并识别摄像头中的二维码
  • 轻量化网络模型调研报告 云雨、 网络人工智能深度学习
    一、轻量化网络的为何诞生  深度神经网络模型被广泛应用在图像分类、物体检测，目标跟踪等计算机视觉任务中，并取得了巨大成功。随着时代发展，人们更加关注深度神经网络的实际应用性能，人工智能技术的一个趋势是在边缘端平台上部署高性能的神经网络模型，并能在真实场景中实时(>30帧)运行，如移动端/嵌入式设备，这些平台的特点是内存资源少，处理器性能不高，功耗受限，这使得目前精度最高的模型根本无法在这些平台进行
  • 【深度学习实战：kaggle自然场景的图像分类-----使用keras框架实现vgg16的迁移学习】 机器学习司猫白 深度学习分类keras
    Hello大家好，今天和大家分享一个kaggle自然场景的图像分类的竞赛，使用的keras框架实现vgg16的迁移学习完成自然场景分类，对数据集感兴趣的同学可以在上方下载数据集。项目简介本次数据集来自kaggle，该数据集包括自然场景的图像。模型应该预测每个图像的正确标签。您的目标是实现分类问题的高精度。数据集train.csv-训练集test.csv-测试集SceneImages-图像文件夹训练
  • 实践深度学习：构建一个简单的图像分类器 是Dream呀 深度学习人工智能
    引言深度学习在图像识别领域取得了巨大的成功。本文将指导你如何使用深度学习框架来构建一个简单的图像分类器，我们将以Python和TensorFlow为例，展示从数据准备到模型训练的完整流程。环境准备在开始之前，请确保你的环境中安装了以下工具：Python3.xTensorFlow2.xNumPyMatplotlib（用于数据可视化）你可以通过以下命令安装所需的库：pipinstalltensorfl
  • 【Python】成功解决ModuleNotFoundError: No module named ‘openpyxl‘ 高斯小哥 BUG解决方案合集python新手入门学习
    【Python】成功解决ModuleNotFoundError:Nomodulenamed‘openpyxl’欢迎进入我的个人主页，我是高斯小哥！博主档案：广东某985本硕，SCI顶刊一作，深耕深度学习多年，熟练掌握PyTorch框架。技术专长：擅长处理各类深度学习任务，包括但不限于图像分类、图像重构(去雾\去模糊\修复)、目标检测、图像分割、人脸识别、多标签分类、重识别(行人\车辆)、无监督域适
  • 基于PaddleX的机器学习开发指南 大霸王龙 系统分析业务人工智能paddlepaddle
    基于PaddleX的机器学习开发指南目录安装与初始化图像分类模块目标检测模块视频分割模块其他模块模型选择与配置一、安装与初始化为了使用PaddleX进行机器学习开发，请按照以下步骤安装所需依赖项：步骤1：安装依赖项运行以下命令安装相关依赖项：cd/root/.local/bin&&bashinstall-dependencies.sh或者直接复制以下内容到终端窗口执行：-pipinstall--u
  • 实现智能教室能耗监测与管理系统的详细方案 max500600 python算法python
    以下是一个完整的实现智能教室能耗监测与管理系统的详细方案，涵盖深度学习模型研发、教室场景适应性分析、系统架构设计、前端展示、后端服务以及测试评估等方面，使用Python语言完成。1.深度学习模型研发1.1数据准备首先，你需要收集大量的教室照片，并对其中的关键元素（如灯、空调、电脑等）进行标注，标注信息包括元素的位置（用于目标检测）和状态（用于图像分类）。可以使用LabelImg等工具进行标注，标注
  • 基于“感知–规划–行动”的闭环系统架构 由数入道 人工智能系统架构人工智能智能体
    1.感知（Perception）1.1多模态数据采集与预处理传感器系统Agent的感知层通常由多种传感器组成，支持采集多种形式的数据：视觉：采用摄像头、深度传感器，通过卷积神经网络（CNN）、视觉Transformer等模型实现目标检测、图像分类、场景理解。听觉：利用麦克风阵列、声学传感器，结合声纹识别、语音识别（如基于Transformer或RNN的模型）技术处理音频信息。文本与语义信息：通过文
  • 【Pytorch实战教程】让数据飞轮转起来：PyTorch Dataset与Dataloader深度指南 若北辰 Pytorch实战教程pytorch人工智能python
    文章目录让数据飞轮转起来：PyTorchDataset与Dataloader深度指南一、为什么需要数据管理组件？二、Dataset：数据集的编程接口2.1自定义Dataset三要素2.2实战案例：图像分类数据集三、Dataloader：高效数据流水线3.1核心参数解析3.2数据流可视化3.3多卡训练支持四、综合实战：构建完整数据流五、高级技巧与常见问题5.1内存优化技巧5.2常见错误排查5.3性能
  • python实现yolo目标检测_目标检测|YOLO原理与实现 weixin_39709194
    码字不易，欢迎给个赞！欢迎交流与转载，文章会同步发布在公众号：机器学习算法全栈工程师(Jeemy110)最新的YOLOv2和YOLOv3:小白将：目标检测|YOLOv2原理与实现(附YOLOv3)zhuanlan.zhihu.com前言当我们谈起计算机视觉时，首先想到的就是图像分类，没错，图像分类是计算机视觉最基本的任务之一，但是在图像分类的基础上，还有更复杂和有意思的任务，如目标检测，物体定位，
  • 深度学习的一些方向 xinpao 深度学习人工智能
    深度学习的一些方向目录深度学习的一些方向一、多模态1.特征提取（featureextraction)2.文本转图像3.可视化问题回答二、计算机视觉1.深度估计（depthestimation)2.图像分类（imageclassification）3.图片分割（ImageSegmentation）4.图像转图像（imagetoimage)5.物体检测（objectdetection）6.视频分类（V
  • MobileNetV2: Inverted Residuals and Linear Bottlenecks TAICHIFEI Paper人工智能计算机视觉
    Link：https://arxiv.org/abs/1801.04381这篇文章是一篇关于MobileNetV2的学术论文，主要介绍了MobileNetV2的架构设计及其在图像分类、目标检测和语义分割任务中的应用。以下是对这些核心内容的简要概述：MobileNetV2架构设计：提出了一种新的神经网络模块——倒残差结构（InvertedResiduals），其中的快捷连接位于瓶颈层之间。使用轻量级
  • 探索深度学习：开启智能新时代 顾漂亮 深度学习人工智能机器学习
    目录深度学习究竟是什么？深度学习的“三驾马车”：数据、模型与算力深度学习的前沿模型架构深度学习在各领域的深度应用深度学习的挑战与应对策略深度学习的未来展望在当今科技飞速发展的时代，深度学习无疑是最炙手可热的领域之一。它宛如一把神奇的钥匙，开启了通往智能世界的大门，从语音识别到图像分类，从自动驾驶到医疗诊断，深度学习的身影无处不在，正深刻地改变着我们的生活与工作方式。深度学习究竟是什么？深度学习隶属
  • 二值连接：深度神经网络的轻量级革命 步子哥 dnn人工智能神经网络
    引言：深度学习的下一步是什么？深度神经网络（DeepNeuralNetworks,DNN）近年来在语音识别、图像分类和自然语言处理等领域取得了令人瞩目的成就。然而，这些突破背后的一个关键推手是计算能力的飞速提升，尤其是图形处理单元（GPU）的广泛应用。然而，随着模型规模和数据量的增长，深度学习的计算需求也在不断攀升。与此同时，移动设备和嵌入式系统的快速发展对低功耗、高效能的深度学习算法提出了更高的
  • YOLOv3在工业生产中产品瑕疵检测的可行性分析 Y.C.~ python机器学习图像处理
    图像中瑕疵检测1.概述瑕疵检测是机器视觉任务中的一条分支，在技术发展的过程中对于图片处理的方式往往使用CNN（卷积神经网络）作为处理模型，毫无疑问CNN的在处理图像方面有着独特的优势，通过设置卷积核我们可以使得计算机提取图像的特征数据，再通过延伸纵向的网络模型增加网络神经元的个数，可以很好地让网络模型识别图片中的内容，所以说CNN在图像分类和识别当中都有着很好的效果，在实践过程中也有着很不错的表现
  • PyTorch 训练一个分类器 亚里 平台工具类pytorch训练网络
    文章目录0前言1加载和规范化CIFAR102定义一个卷积网络3定义损失函数和优化器4训练网络5测试网络6在GPU上训练模型参考资料0前言  TRAINGINGACLASSIFIER这篇教程很清楚的描述了如何使用PyTorch训练一个用于图像分类的卷积网络模型。这里记录一下，学习一波写法，供以后查阅，自己跑的项目在github上，稍微修改了一下训练策略，能使分类精度从53%提升到65%；并且增加了训
  • 动手学PyTorch建模与应用：从深度学习到大模型 王国平 pytorch人工智能数据分析python数据挖掘
    在人工智能时代，机器学习技术日新月异，深度学习是机器学习领域中一个全新的研究方向和应用热点，它是机器学习的一种，也是实现人工智能的必由之路。深度学习的出现不仅推动了机器学习的发展，而且促进了人工智能技术的革新，已经被成功应用在语音识别、图像分类识别、地球物理、大语言模型等领域，具有巨大的发展潜力和价值。本书是一本带领读者快速学习PyTorch并将其运用于深度学习建模方向的入门指南，重点介绍了基于P
  • Python 图像处理进阶：特征提取与图像分类 极客代码 玩转Python玩转AI开发语言python图像处理人工智能
    特征提取特征提取是计算机视觉中的一个重要环节，它可以从图像中提取出有助于后续处理的特征，比如用于识别和分类的关键点、纹理等。常见的特征提取方法包括SIFT、SURF和ORB等。SIFT（尺度不变特征变换）SIFT是一种用于检测图像中的关键点及其描述符的方法。SIFT特征具有尺度不变性和旋转不变性，适用于图像匹配和识别。原理：SIFT通过在不同尺度的空间内寻找极值点来检测关键点，并利用梯度方向的直方
  • 《AI逆袭：科技与人类的终极对决，谁才是未来的主宰？》 云边有个稻草人 热门文章人工智能科技
    目录第一章：人工智能的崛起1.1AI技术的基础与发展1.2AI的技术分支1.3AI的应用领域第二章：AI与人类的关系2.1AI对就业的影响2.2AI与伦理问题2.3AI与创意的结合第三章：AI的未来：谁才是主宰？3.1AI与人类的合作3.2AI的自主性与未来3.3AI与社会的融合第四章：AI技术实践——代码示例4.1图像分类（使用TensorFlow）结语导语人工智能（AI）无疑是当前科技发展的热
  • 计算机视觉领域的轻量化模型——GhostNet 模型 DuHz 边缘计算轻量化模型计算机视觉人工智能算法深度学习神经网络边缘计算网络
    GhostNet模型详解GhostNet是一个高效的轻量化卷积神经网络模型，专为资源受限的设备（如移动设备和嵌入式系统）设计。它的核心创新是Ghost模块，该模块通过生成更多的特征图来减少计算资源消耗。GhostNet适用于实时计算任务，如图像分类和物体检测，同时在保持较高准确率的基础上，优化了计算效率。目录GhostNet背景Ghost模块概述GhostNet网络架构Ghost模块的数学原理Gh
  • 2024年开源数据集地址汇总包含最新最全数据集在这你可以找到任何想要数据集 萌萌哒240 深度学习目标跟踪人工智能计算机视觉
    目标检测数据集和图像分类数据集是计算机视觉领域的两大重要资源，它们为训练和评估各种视觉模型提供了关键的数据支持。目标检测数据集主要用于训练模型以识别和定位图像中的特定物体。这类数据集通常包含大量的标注图像，每张图像中都标记了多个物体的位置和类别。例如，COCO（CommonObjectsinContext）数据集就是一个常用的目标检测数据集，它包含了80个类别的日常物体，如人、车、动物等，并提供了
  • 基于LeNet-5实现交通标志分类任务 鱼弦 机器学习设计类系统分类深度学习人工智能
    基于LeNet-5实现交通标志分类任务介绍LeNet-5是由YannLeCun等人在1998年提出的一种卷积神经网络（CNN）结构，最初用于手写数字识别。由于其简单高效的架构，LeNet-5也被广泛应用于图像分类任务，包括交通标志识别。应用使用场景交通标志分类在智能驾驶、车道辅助系统等领域有重要应用，可以帮助自动驾驶车辆识别道路上的各种交通标志，从而进行相应的决策，提高行车安全性。原理解释LeNe
  • 深度学习的应用场景及常用技术 eso1983 深度学习
    深度学习作为机器学习的一个重要分支，在众多领域都有广泛的应用，以下是一些主要的应用场景及常用技术。1.应用场景1.计算机视觉图像分类描述：对图像中的内容进行分类，识别出图像中物体所属的类别。例如，在安防领域，通过对监控摄像头拍摄的图像进行分类，判断是否有可疑人员或物品出现；在电商领域，对商品图片进行分类，方便用户搜索和筛选商品。示例：识别图片中的动物是猫还是狗，或者判断一张图片是风景照还是人物照。
  • 深度学习模型在汽车自动驾驶领域的应用 eso1983 深度学习汽车自动驾驶
    汽车自动驾驶是一个高度复杂的系统，深度学习和计算技术在其中扮演核心角色。今天简单介绍一下自动驾驶领域常用的深度学习模型及其计算原理的解析。1.深度学习模型分类及应用场景1.1视觉感知模型CNN（卷积神经网络）应用：图像分类、物体检测（车辆、行人、交通标志）、语义分割（道路、车道线）。典型模型：YOLO：实时目标检测，低延迟特性适合自动驾驶。MaskR-CNN：结合检测与像素级分割，用于精确场景理解
  • TensorBoard可视化工具支持哪些类型的图表？ alankuo 人工智能
    TensorBoard支持多种类型的图表，以下是详细介绍：标量图（Scalars）定义与用途：用于展示单个数值随时间（通常是训练步骤或迭代次数）的变化情况。在深度学习模型训练中，最常见的是损失函数值和评估指标（如准确率、精确率、召回率等）的变化曲线。示例：例如，在训练一个图像分类模型时，记录训练集和测试集上的损失函数值。通过标量图，可以直观地看到随着训练轮次（epochs）的增加，损失函数值是如何
  • VMware Workstation 11 或者 VMware Player 7安装MAC OS X 10.10 Yosemite iwindyforest vmwaremac os10.10workstationplayer
    最近尝试了下VMware下安装MacOS 系统， 安装过程中发现网上可供参考的文章都是VMware Workstation 10以下， MacOS X 10.9以下的文章， 只能提供大概的思路， 但是实际安装起来由于版本问题， 走了不少弯路， 所以我尝试写以下总结， 希望能给有兴趣安装OSX的人提供一点帮助。     写在前面的话： 其实安装好后发现， 由于我的th
  • 关于《基于模型驱动的B/S在线开发平台》源代码开源的疑虑？ deathwknight JavaScriptjava框架
    本人从学习Java开发到现在已有10年整，从一个要自学 java买成javascript的小菜鸟，成长为只会java和javascript语言的老菜鸟（个人邮箱：[email protected]） 一路走来，跌跌撞撞。用自己的三年多业余时间，瞎搞一个小东西（基于模型驱动的B/S在线开发平台，非MVC框架、非代码生成）。希望与大家一起分享，同时有许些疑虑，希望有人可以交流下 平台
  • 如何把maven项目转成web项目 Kai_Ge mavenMyEclipse
    创建Web工程，使用eclipse ee创建maven web工程 1.右键项目,选择Project Facets,点击Convert to faceted from 2.更改Dynamic Web Module的Version为2.5.(3.0为Java7的,Tomcat6不支持). 如果提示错误,可能需要在Java Compiler设置Compiler compl
  • 主管？？？ Array_06 工作
    转载：http://www.blogjava.net/fastzch/archive/2010/11/25/339054.html 很久以前跟同事参加的培训，同事整理得很详细，必须得转！ 前段时间，公司有组织中高阶主管及其培养干部进行了为期三天的管理训练培训。三天的课程下来，虽然内容较多，因对老师三天来的课程内容深有感触，故借着整理学习心得的机会，将三天来的培训课程做了一个
  • python内置函数大全 2002wmj python
    最近一直在看python的document，打算在基础方面重点看一下python的keyword、Build-in Function、Build-in Constants、Build-in Types、Build-in Exception这四个方面，其实在看的时候发现整个《The Python Standard Library》章节都是很不错的，其中描述了很多不错的主题。先把Build-in Fu
  • JSP页面通过JQUERY合并行 357029540 JavaScriptjquery
    在写程序的过程中我们难免会遇到在页面上合并单元行的情况，如图所示 如果对于会的同学可能很简单，但是对没有思路的同学来说还是比较麻烦的，提供一下用JQUERY实现的参考代码 function mergeCell(){         var trs = $("#table tr"); &nb
  • Java基础 冰天百华 java基础
    学习函数式编程 package base; import java.text.DecimalFormat; public class Main { public static void main(String[] args) { // Integer a = 4; // Double aa = (double)a / 100000; // Decimal
  • unix时间戳相互转换 adminjun 转换unix时间戳
    如何在不同编程语言中获取现在的Unix时间戳(Unix timestamp)？ Java time JavaScript Math.round(new Date().getTime()/1000) getTime()返回数值的单位是毫秒 Microsoft .NET / C# epoch = (DateTime.Now.ToUniversalTime().Ticks - 62135
  • 作为一个合格程序员该做的事 aijuans 程序员
    作为一个合格程序员每天该做的事 1、总结自己一天任务的完成情况 最好的方式是写工作日志，把自己今天完成了什么事情，遇见了什么问题都记录下来，日后翻看好处多多 2、考虑自己明天应该做的主要工作 把明天要做的事情列出来，并按照优先级排列，第二天应该把自己效率最高的时间分配给最重要的工作 3、考虑自己一天工作中失误的地方，并想出避免下一次再犯的方法 出错不要紧，最重
  • 由html5视频播放引发的总结 ayaoxinchao html5视频video
    前言   项目中存在视频播放的功能，前期设计是以flash播放器播放视频的。但是现在由于需要兼容苹果的设备，必须采用html5的方式来播放视频。我就出于兴趣对html5播放视频做了简单的了解，不了解不知道，水真是很深。本文所记录的知识一些浅尝辄止的知识，说起来很惭愧。   视频结构   本该直接介绍html5的<video>的，但鉴于本人对视频
  • 解决httpclient访问自签名https报javax.net.ssl.SSLHandshakeException: sun.security.validat bewithme httpclient
         如果你构建了一个https协议的站点，而此站点的安全证书并不是合法的第三方证书颁发机构所签发，那么你用httpclient去访问此站点会报如下错误   javax.net.ssl.SSLHandshakeException: sun.security.validator.ValidatorException: PKIX path bu
  • Jedis连接池的入门级使用 bijian1013 redisredis数据库jedis
    Jedis连接池操作步骤如下：         a.获取Jedis实例需要从JedisPool中获取；         b.用完Jedis实例需要返还给JedisPool；         c.如果Jedis在使用过程中出错，则也需要还给JedisPool； packag
  • 变与不变 bingyingao 不变变亲情永恒
    变与不变    周末骑车转到了五年前租住的小区，曾经最爱吃的西北面馆、江西水饺、手工拉面早已不在，    各种店铺都换了好几茬，这些是变的。    三年前还很流行的一款手机在今天看起来已经落后的不像样子。    三年前还运行的好好的一家公司，今天也已经不复存在。    一座座高楼拔地而起，
  • 【Scala十】Scala核心四：集合框架之List bit1129 scala
    Spark的RDD作为一个分布式不可变的数据集合，它提供的转换操作，很多是借鉴于Scala的集合框架提供的一些函数，因此，有必要对Scala的集合进行详细的了解   1. 泛型集合都是协变的，对于List而言，如果B是A的子类，那么List[B]也是List[A]的子类，即可以把List[B]的实例赋值给List[A]变量   2. 给变量赋值(注意val关键字，a，b
  • Nested Functions in C bookjovi cclosure
      Nested Functions 又称closure，属于functional language中的概念，一直以为C中是不支持closure的，现在看来我错了，不过C标准中是不支持的，而GCC支持。   既然GCC支持了closure，那么 lexical scoping自然也支持了，同时在C中label也是可以在nested functions中自由跳转的
  • Java-Collections Framework学习与总结-WeakHashMap BrokenDreams Collections
            总结这个类之前，首先看一下Java引用的相关知识。Java的引用分为四种：强引用、软引用、弱引用和虚引用。         强引用：就是常见的代码中的引用，如Object o = new Object();存在强引用的对象不会被垃圾收集
  • 读《研磨设计模式》-代码笔记-解释器模式-Interpret bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ package design.pattern; /* * 解释器（Interpreter）模式的意图是可以按照自己定义的组合规则集合来组合可执行对象 * * 代码示例实现XML里面1.读取单个元素的值 2.读取单个属性的值 * 多
  • After Effects操作&快捷键 cherishLC After Effects
    1、快捷键官方文档 中文版：https://helpx.adobe.com/cn/after-effects/using/keyboard-shortcuts-reference.html 英文版：https://helpx.adobe.com/after-effects/using/keyboard-shortcuts-reference.html 2、常用快捷键
  • Maven 常用命令 crabdave maven
    Maven 常用命令   mvn archetype:generate mvn install mvn clean mvn clean complie mvn clean test mvn clean install mvn clean package mvn test mvn package mvn site   mvn dependency:res
  • shell bad substitution daizj shell脚本
    #!/bin/sh /data/script/common/run_cmd.exp 192.168.13.168 "impala-shell -islave4 -q 'insert OVERWRITE table imeis.${tableName} select ${selectFields}, ds, fnv_hash(concat(cast(ds as string), im
  • Java SE 第二讲（原生数据类型 Primitive Data Type） dcj3sjt126com java
    Java SE  第二讲： 1.   Windows: notepad, editplus, ultraedit, gvim Linux: vi, vim, gedit 2.   Java 中的数据类型分为两大类： 1）原生数据类型  （Primitive Data Type） 2）引用类型（对象类型）  （R
  • CGridView中实现批量删除 dcj3sjt126com PHPyii
    1，CGridView中的columns添加 array( 'selectableRows' => 2, 'footer' => '<button type="button" onclick="GetCheckbox();" style=&
  • Java中泛型的各种使用 dyy_gusi java泛型
    Java中的泛型的使用：1.普通的泛型使用 在使用类的时候后面的<>中的类型就是我们确定的类型。 public class MyClass1<T> {//此处定义的泛型是T private T var; public T getVar() { return var; } public void setVa
  • Web开发技术十年发展历程 gcq511120594 Web浏览器数据挖掘
    回顾web开发技术这十年发展历程： Ajax 03年的时候我上六年级，那时候网吧刚在小县城的角落萌生。传奇，大话西游第一代网游一时风靡。我抱着试一试的心态给了网吧老板两块钱想申请个号玩玩，然后接下来的一个小时我一直在，注，册，账，号。 彼时网吧用的512k的带宽，注册的时候，填了一堆信息，提交，页面跳转，嘣，”您填写的信息有误，请重填”。然后跳转回注册页面，以此循环。我现在时常想，如果当时a
  • openSession()与getCurrentSession()区别： hetongfei javaDAOHibernate
    来自 http://blog.csdn.net/dy511/article/details/6166134 1.getCurrentSession创建的session会和绑定到当前线程,而openSession不会。 2. getCurrentSession创建的线程会在事务回滚或事物提交后自动关闭,而openSession必须手动关闭。 这里getCurrentSession本地事务(本地
  • 第一章 安装Nginx+Lua开发环境 jinnianshilongnian nginxluaopenresty
    首先我们选择使用OpenResty，其是由Nginx核心加很多第三方模块组成，其最大的亮点是默认集成了Lua开发环境，使得Nginx可以作为一个Web Server使用。借助于Nginx的事件驱动模型和非阻塞IO，可以实现高性能的Web应用程序。而且OpenResty提供了大量组件如Mysql、Redis、Memcached等等，使在Nginx上开发Web应用更方便更简单。目前在京东如实时价格、秒
  • HSQLDB In-Process方式访问内存数据库 liyonghui160com
        HSQLDB一大特色就是能够在内存中建立数据库，当然它也能将这些内存数据库保存到文件中以便实现真正的持久化。   先睹为快！   下面是一个In-Process方式访问内存数据库的代码示例：     下面代码需要引入hsqldb.jar包 （hsqldb-2.2.8）   import java.s
  • Java线程的5个使用技巧 pda158 java数据结构
    Java线程有哪些不太为人所知的技巧与用法？ 　　萝卜白菜各有所爱。像我就喜欢Java。学无止境，这也是我喜欢它的一个原因。日常 工作中你所用到的工具，通常都有些你从来没有了解过的东西，比方说某个方法或者是一些有趣的用法。比如说线程。没错，就是线程。或者确切说是Thread这个类。当我们在构建高可扩展性系统的时候，通常会面临各种各样的并发编程的问题，不过我们现在所要讲的可能会略有不同。
  • 开发资源大整合：编程语言篇——JavaScript（1） shoothao JavaScript
    概述：本系列的资源整合来自于github中各个领域的大牛，来收藏你感兴趣的东西吧。     程序包管理器   管理javascript库并提供对这些库的快速使用与打包的服务。 Bower - 用于web的程序包管理。 component - 用于客户端的程序包管理，构建更好的web应用程序。 spm - 全新的静态的文件包管
  • 避免使用终结函数 vahoa.ma javajvmC++
    终结函数（finalizer）通常是不可预测的，常常也是很危险的，一般情况下不是必要的。使用终结函数会导致不稳定的行为、更差的性能，以及带来移植性问题。不要把终结函数当做C++中的析构函数（destructors）的对应物。       我自己总结了一下这一条的综合性结论是这样的： 1）在涉及使用资源，使用完毕后要释放资源的情形下，首先要用一个显示的方
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他