懂AI
imgclsmob

imgclsmob

深度学习卷积网络的研究与实现，涵盖多种框架和预训练模型

此存储库专注于计算机视觉领域的卷积网络研究，包含多种分类、分割、检测和姿态估计模型的实现，支持MXNet/Gluon、PyTorch、Chainer、Keras和TensorFlow等框架。提供了训练、评估和转换的脚本以及针对不同框架的PIP包，模型预训练于ImageNet、CIFAR-10/100、SVHN等数据集，能够自动加载预训练权重。

deep learningcomputer visionMXNetPyTorchTensorFlowGithub开源项目
访问官网GitHub

imgclsmob 项目介绍

项目概述

imgclsmob 是一个深度学习项目，专注于研究卷积神经网络的应用，特别是在计算机视觉任务中的应用。该项目提供了多种分类、分割、检测和姿态估计模型的实现，并配有相应的训练、评估和转换脚本。通过这些工具，研究人员可以在多个深度学习框架中使用这些模型，以便有效地在各种视觉识别任务上进行实验和研究。

支持的框架

该项目支持多个主流深度学习框架，具体包括：

  • MXNet/Gluon
  • PyTorch
  • Chainer
  • Keras
  • TensorFlow 1.x/2.x

对于每个框架，imgclsmob 提供了相应的 PIP 包，这些包包含纯模型，而不附带额外的脚本。这些 PIP 包包括：gluoncv2（适用于 Gluon）、pytorchcv（适用于 PyTorch）、chainercv2（适用于 Chainer）、kerascv（适用于 Keras）、tensorflowcv（适用于 TensorFlow 1.x）和 tf2cv（适用于 TensorFlow 2.x）。

预训练模型

大多数模型最初在 Gluon 上实现，然后被移植到其他框架。一些模型在以下数据集上进行了预训练：

  • ImageNet-1K
  • CIFAR-10/100
  • SVHN
  • CUB-200-2011
  • Pascal VOC2012
  • ADE20K
  • Cityscapes
  • COCO

使用过程中，预训练权重会自动加载，以方便用户直接应用到自己的项目中。

项目安装

要使用项目中的训练/评估脚本及所有模型，需要先克隆代码仓库并安装依赖库：

git clone git@github.com:osmr/imgclsmob.git
pip install -r requirements.txt

分类模型

imgclsmob 提供了大量的分类模型，这些模型支持五个框架，并基于多个知名论文进行了实现和优化。以下是部分模型及其相关信息：

  • AlexNet：早期的卷积神经网络模型，适用于多个框架。
  • ResNet：深度残差网络，广泛应用于各种视觉任务。
  • DenseNet：特征复用的网络结构，提高了模型的参数效率。

分割模型

对图像的分割任务，支持的模型包括：

  • PSPNet：一种有效的场景分割模型。
  • DeepLabv3：另一种流行的分割模型，能处理多种数据集。

检测和姿态估计模型

在对象检测和人类姿态估计方面，imgclsmob 也提供了一些流行的模型，例如：

  • CenterNet：适用于对象检测
  • AlphaPose：用于人体姿态估计

自动语音识别模型

该项目还包含了自动语音识别模型，如 Jasper 和 QuartzNet，它们可以在不同的数据集上进行训练。

小结

imgclsmob 提供了丰富的模型和工具，助力研究人员和开发者在各种计算机视觉和语音任务中进行创新和探索。通过结合多种框架的支持，imgclsmob 大大简化了模型的移植和应用，使得在生产环境中部署这些深度学习模型更加便捷。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多