深度学习-图像分类经典模型（pretrained model）

最新推荐文章于 2025-09-16 19:22:18 发布
原创 最新推荐文章于 2025-09-16 19:22:18 发布 · 7.3k 阅读 · 18 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #图像分类 #pretrained

本文汇总了多种深度学习预训练模型的官方下载链接，包括TensorFlow官网提供的Inception系列、ResNet系列、VGG系列等模型，以及GitHub上的资源链接和其他非官方来源，覆盖了从InceptionV1到ResNetV2等多个版本。
部署运行你感兴趣的模型镜像

一、来自TensorFlow官网的下载链接
http://download.tensorflow.org/models/inception_resnet_v2_2016_08_30.tar.gz
http://download.tensorflow.org/models/vgg_19_2016_08_28.tar.gz
Inception V1. FROM: http://download.tensorflow.org/models/inception_v1_2016_08_28.tar.gz .
Inception V3. FROM: http://download.tensorflow.org/models/inception_v3_2016_08_28.tar.gz .
Inception-ResNet-v2. FROM: http://download.tensorflow.org/models/inception_resnet_v2_2016_08_30.tar.gz .
ResNet 50. FROM: http://download.tensorflow.org/models/resnet_v1_50_2016_08_28.tar.gz .
ResNet 101. FROM: http://download.tensorflow.org/models/resnet_v1_101_2016_08_28.tar.gz .
VGG 19. FROM: http://download.tensorflow.org/models/vgg_19_2016_08_28.tar.gz .
Inception V4: http://download.tensorflow.org/models/inception_v4_2016_09_09.tar.gz
Inception Resnet V2: http://download.tensorflow.org/models/inception_resnet_v2_2016_08_30.tar.gz
ResNet V2 50: http://download.tensorflow.org/models/resnet_v2_50_2017_04_14.tar.gz
ResNet V2 101: http://download.tensorflow.org/models/resnet_v2_101_2017_04_14.tar.gz
VGG 16: https://www.cs.toronto.edu/~frossard/vgg16/vgg16_weights.npz

二、GitHub下载链接
https://github.com/tensorflow/models

三、其他
• Nonofficial: https://github.com/Cadene/pretrained-models.pytorch that includes NASNet, ResNeXt, ResNet, InceptionV4, InceptionResnetV2, Xception, DPN (need PyTorch).
https://lijiancheng0614.github.io/2017/06/29/2017_06_29_TensorFlow-Slim-image-classification/

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

gisupc
关注
使用深度学习模型进行图像分类
斌擎科技
04-15 918
CIFAR-10 数据集是一个常用的计算机视觉数据集，包含了 10 个类别的共 60000 张 32x32 像素的彩色图像。其中，训练集包含 50000 张图像，测试集包含 10000 张图像。数据集中的 10 个类别分别是飞机（airplane）、汽车（automobile）、鸟类（bird）、猫（cat）、鹿（deer）、狗（dog）、青蛙（frog）、马（horse）、船（ship）和卡车（truck）。我们可以使用 TensorFlow 中的# 加载数据集# 归一化像素值。
一文读懂「PTMs , Pre-training models」预训练模型
女王の专属领地
01-22 5345
预训练模型是指在大规模数据集上预先进行训练的神经网络模型，通常在通用任务上学习到的特征可以被迁移到其他特定任务中。预训练模型的思想是利用大规模数据的信息来初始化模型参数，然后通过微调或迁移学习，将模型适应在特定的目标任务上。即在训练结束时结果比较好的一组权重值，研究人员分享出来供其他人使用。我们可以在github上找到许多具有权重的库。
深度学习图像处理04：图像分类模型训练实战——动物分类
qq_35284513的博客
04-10 3727
本文深入探讨了深度学习在图像分类任务中的应用，以动物分类为例进行了实战演练。我们从数据集的准备和预处理开始，探讨了如何通过调整图像尺寸和应用数据增强技术来提高模型的泛化能力。接着，我们讨论了不同的深度学习模型架构，训练代码中集成了如ResNet和MobileNet等模型，并介绍了如何使用PyTorch框架来训练这些模型。我们通过命令行参数灵活地控制训练过程，允许用户自定义模型训练的各个方面，包括模型的选择、是否使用预训练权重、学习率和批大小等。
Pretrained_model.rar
06-02
InceptionV3和xception，预训练模型，适合Keras库，包括有notop的和无notop的。优快云上传最大只能480M，后续的模型将陆续上传，GitHub限速，搬的好累，搬了好几天。放到优快云上，方便大家快速下载。
Pretrained models for Pytorch (Work in progress)
MA201506的博客
10-20 699
The goal of this repo is: to help to reproduce research papers results (transfer learning setups for instance), to access pretrained ConvNets with a unique interface/API inspired by torchvision....
深度学习——图像分类相关模型一览
turned的博客
08-25 2万+
这一章我们一起来梳理一下深度学习中图像分类相关的算法。 AlexNet AlexNet网络结构比较简单，也是比较早期的模型，上图中分成两个路线，其实是利用两块GPU分别进行运行，只在特定的网络层才存在两者之间的交互，实质我们可以简化一下，只看其中一条路线。网络总共的层数为8层，5层卷积，3层全连接层。 这个网络的主要特点为： 1、使用relu激活函数，而不是sigmoid或者tanh， 这些饱和的非线性函数在计算梯度的时候都要比非饱和的现行函数2、f(x)=max(0,x)慢很多，在这里称为
halcon深度学习-图像分类模型的使用总结
最新发布
weixin_44337814的博客
09-16 961
halcon图像分类模型的读取设置及实际检测使用，细节总结
深度学习篇---分类任务图像预处理&模型训练
道阻且长，行则将至。
03-16 1826
本文简单介绍了pytoch、paddlepaddle框架下的分类任务的图像预处理、模型训练以及模型保存的流程。# 初始化数据集路径和标签self.classes = os.listdir(data_dir) # 获取类别文件夹（如class1, class2）self.image_paths = [] # 存储所有图像路径self.labels = [] # 存储对应标签# 遍历子文件夹，构建路径和标签的映射self.transform = transform # 数据增强/归一化操作。
Pytorch学习---基于经典网络架构ResNet训练花卉图像分类模型
weixin_46164667的博客
09-20 988
"""set_parameter_requires_grad 函数的作用是根据 feature_extracting 参数的值来决定是否冻结模型的参数。当用于特征提取时，它会阻止预训练模型的参数在训练过程中被更新，从而保留预训练模型的特征提取能力。当用于微调时，它不会修改参数的 requires_grad 属性，从而允许所有参数被更新。"""# 该函数会遍历模型的所有参数，并将它们的 requires_grad 属性设置为 False。
【深度学习】CV_基于CNN的图像分类模型_代码逐行注释解析
ColinCooper的博客
04-12 2760
基于CNN的图像分类模型，典型训练策略和网络模型。
使用深度学习进行图像分类
MaichPyTorch的博客
07-07 2962
解决任何真实问题的重要一步是获取数据。Kaggle提供了大量不同数据科学问题的竞赛。我们将挑选一个2014年提出的问题，然后使用这个问题测试本章的深度学习算法，并在第5章中进行改进，我们将基于卷积神经网络（CNN）和一些可以使用的高级技术来改善图像识别模型的性能。...
pretrained_models_v1.5.zip
12-03
pointpillars网络深度学习模型，对应https://github.com/traveller59/second.pytorch下的google drive中的pretrained model。
图像分类：这是对图像进行分类的深度学习模型
02-18
此仓库具有我的图像分类模型开发的历史。 模型代码开始于从Kaggle下载胸部X射线数据集。 然后要预处理数据集，请删除损坏的图像。 基本模型由4组卷积和maxpooling层组成，然后是平坦层和2个致密层。 模型版本2与基本模型相似，但是增加了增强功能。 为了比较这些模型，针对时期绘制了精度曲线和损耗曲线。 另外，输入一组测试图像以测试训练后的模型，并绘制混淆矩阵和ROC曲线。
深度学习之图像分类
kejie5397的博客
03-28 3万+
第一篇优快云文章，写的不好，还请各位大佬指正。万事开头难，千里之行始于足下！ 1.什么是图像分类 图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。实际上，这意味着我们的任务是分析一个输入图像并返回一个将图像分类的标签。标签总是来自预定义的可能类别集。 示例：我们假定一个可能的类别集categories = {dog, cat, eagle}，之后我们提供一张图片（图1）给分类系统：...
迁移学习算法中预训练模型（Pre-trained Models）
牛肉胡辣汤
08-31 2063
通过在目标任务的数据集上进行微调（Fine-tuning），即在预训练模型的基础上继续进行训练，可以使模型适应目标任务的特定特征和要求。总之，预训练模型是迁移学习中一种重要的方法，通过利用在大规模数据集上预训练得到的模型，可以为目标任务提供更好的初始模型，并提高模型的性能和收敛速度。以上代码中，使用VGG16预训练模型作为基础模型，冻结了所有预训练模型的参数。以上代码中，使用ResNet预训练模型作为基础模型，替换了最后一层分类器，然后冻结了预训练模型的所有参数，只训练了新添加的分类器的参数。
深度学习之图像分类模型inception v2、inception v3解读
热门推荐
孙佰贵的专栏
03-05 7万+
inception v2与inception v3两种模型配置。 Inception v3单模型达到了21.2%的top1错误率，多模型达到了17.3%的top1错误率
深度学习中几种分类模型（Lene、Alexnet、VGG、Resnet和残差网络）
wwy
04-28 1万+
LeNet、AlexNet、VGG、GoogLeNet、ResNet 是属于图像分类的CNN。 网络深度和宽度（卷积核数据）增加，可以提高模型性能。 LeNet网络结构 1998年Yann LeCun Proceedings of the IEEE 输入图片为32*32*1，卷积核大小为5*5，下采样步长为2，卷积时对原图像无填充。 输入尺寸是32*32像素 卷积层：2...
深度学习应用篇-计算机视觉-图像分类[2]：LeNet、AlexNet、VGG、GoogleNet、DarkNet模型结构、实现、模型特点详细介绍
丨汀、的博客
06-07 4071
LeNet是最早的卷积神经网络之一[1]，其被提出用于识别手写数字和机器印刷字符。1998年，Yann LeCun第一次将LeNet卷积神经网络应用到图像分类上，在手写数字识别任务中取得了巨大成功。算法中阐述了图像中像素特征之间的相关性能够由参数共享的卷积操作所提取，同时使用卷积、下采样（池化）和非线性映射这样的组合结构，是当前流行的大多数深度图像识别网络的基础。
Pre-trained models fo HumanPose Estiamtion
snailme的博客
11-22 376
Multi-Person Real-time Person Pose Estimation The authors of the paper have shared two models – one is trained on the Multi-Person Dataset ( MPII ) and the other is trained on the COCO dataset. The CO...
在Halcon 20中深度学习-对象检测训练模型中的图像增强参数设置
07-29
在 Halcon 20 中配置深度学习对象检测模型训练时的图像增强参数，主要涉及以下几个方面：数据增强策略的选择与配置、图像预处理参数的设置以及如何通过 Halcon 提供的函数接口将这些增强方法应用到训练流程中。 ### 图像增强参数的设置方法 在 Halcon 中，图像增强参数通常通过 `set_dl_model_param` 函数进行设置，支持多种增强方式，包括旋转、缩放、翻转、颜色变换等。例如，可以设置以下增强参数： - **随机旋转**：使用 `set_dl_model_param` 设置 `‘angle’` 参数范围，实现图像的随机旋转。 - **缩放变换**：通过 `‘scale_min’` 和 `‘scale_max’` 参数控制图像缩放比例。 - **翻转操作**：启用 `‘flip_horizontal’` 或 `‘flip_vertical’` 来实现图像的水平或垂直翻转。 - **颜色变换**：调整 `‘brightness’`、`‘contrast’` 等参数，模拟不同的光照条件。 以下是一个简单的代码示例，展示如何在 Halcon 20 中配置图像增强参数： ```python * 创建深度学习模型句柄 create_dl_model ('yolov5', [], [], [], 'pretrained_dl_model_path', DLModelHandle) * 设置图像增强参数 set_dl_model_param (DLModelHandle, 'angle', [-15, 15]) * 设置旋转角度范围 set_dl_model_param (DLModelHandle, 'scale_min', 0.8) * 设置最小缩放比例 set_dl_model_param (DLModelHandle, 'scale_max', 1.2) * 设置最大缩放比例 set_dl_model_param (DLModelHandle, 'flip_horizontal', 0.5) * 设置水平翻转概率 set_dl_model_param (DLModelHandle, 'brightness', [-30, 30]) * 设置亮度变化范围 set_dl_model_param (DLModelHandle, 'contrast', [0.9, 1.1]) * 设置对比度变化范围 ``` ### 数据增强策略的重要性 数据增强是提升模型泛化能力的重要手段，尤其在样本数量有限的情况下，通过引入多样化的图像变换，可以有效防止模型过拟合。Halcon 提供了灵活的接口支持多种增强策略，用户可以根据具体任务需求自定义增强参数[^2]。 ### 图像预处理与输入尺寸 Halcon 中的深度学习模型通常要求输入图像具有固定的尺寸。例如，某些预训练网络要求输入图像的宽度和高度为 224x224，通道数为 3，灰度范围为 [-127, 128]。这些参数可以通过 `set_dl_preprocess_param` 函数进行配置，以确保输入数据符合模型的要求[^3]。 ### 训练流程中的增强应用 在训练过程中，增强参数会自动应用到每一批训练数据上，从而生成多样化的训练样本。这种方式不仅提高了数据的多样性，还能帮助模型更好地适应实际应用场景中的各种变化。
评论
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