Apache MXNet 教程navigate_next 准备数据集
快速搜索
代码
显示源
安装 教程 API 社区 贡献 GitHub
gluoncv
目录
  • 安装
  • 模型库
    • 分类
    • 检测
    • 分割
    • 姿态估计
    • 动作识别
    • 深度预测
  • Apache MXNet 教程
    • 图像分类
      • 1. CIFAR10 上预训练模型的入门
      • 2. 深入探讨 CIFAR10 训练
      • 3. ImageNet 上预训练模型的入门
      • 4. 使用您自己的图像数据集进行迁移学习
      • 5. 在 ImageNet 上训练您自己的模型
    • 目标检测
      • 01. 使用预训练的 SSD 模型进行预测
      • 02. 使用预训练的 Faster RCNN 模型进行预测
      • 03. 使用预训练的 YOLO 模型进行预测
      • 04. 在 Pascal VOC 数据集上训练 SSD
      • 05. 深入探讨 SSD 训练:提升性能的 3 个技巧
      • 06. 在 PASCAL VOC 上端到端训练 Faster-RCNN
      • 07. 在 PASCAL VOC 上训练 YOLOv3
      • 08. 微调预训练的检测模型
      • 09. 在您的网络摄像头上运行目标检测模型
      • 10. 通过重用预训练模型的一部分来跳过微调
      • 11. 使用预训练的 CenterNet 模型进行预测
      • 12. 在 NVIDIA Jetson 模块上运行目标检测模型
    • 实例分割
      • 1. 使用预训练的 Mask RCNN 模型进行预测
      • 2. 在 MS COCO 上端到端训练 Mask RCNN
    • 语义分割
      • 1. FCN 预训练模型的入门
      • 2. 使用 PSPNet 预训练模型进行测试
      • 3. 使用 DeepLabV3 预训练模型进行测试
      • 4. 在 Pascal VOC 数据集上训练 FCN
      • 5. 在 ADE20K 数据集上训练 PSPNet
      • 6. 在 Pascal VOC 数据集上复现 SoTA
      • 7. 使用 ICNet 预训练模型进行多人解析测试
    • 姿态估计
      • 1. 使用预训练的 Simple Pose Estimation 模型进行预测
      • 2. 使用预训练的 AlphaPose Estimation 模型进行预测
      • 3. 从您的网络摄像头估计姿态
      • 4. 深入探讨在 COCO Keypoints 上训练 Simple Pose 模型
    • 动作识别
      • 1. UCF101 上预训练的 TSN 模型入门
      • 10. 介绍 Decord:高效的视频读取器
      • 2. 深入探讨在 UCF101 上训练 TSN 模型
      • 3. Kinetics400 上预训练的 I3D 模型入门
      • 4. 深入探讨在 Kinetics400 上训练 I3D 模型
      • 5. Kinetics400 上预训练的 SlowFast 模型入门
      • 6. 深入探讨在 Kinetics400 上训练 SlowFast 模型
      • 7. 在您自己的数据集上微调 SOTA 视频模型
      • 8. 从预训练模型中提取视频特征
      • 9. 使用预训练模型对您自己的视频进行推理
    • 目标跟踪
      • 01. 使用预训练的 SiamRPN 模型进行单目标跟踪
      • 02. 在 COCO、VID、DET、Youtube_bb 上训练 SiamRPN
      • 03. 使用预训练的 SMOT 模型进行多目标跟踪
    • 深度预测
      • 01. 使用预训练的 Monodepth2 模型从单张图像预测深度
      • 02. 使用预训练的 Monodepth2 模型从图像序列或视频预测深度
      • 03. 在 KITTI 数据集上进行 Monodepth2 训练
      • 04. 使用预训练的 Monodepth2 Pose 模型从图像序列测试 PoseNet
    • 准备数据集
      • 准备 ADE20K 数据集。
      • 准备 COCO 数据集
      • 准备 COCO 数据集
      • 准备 Cityscapes 数据集。
      • 准备 ILSVRC 2015 DET 数据集
      • 准备 ILSVRC 2015 VID 数据集
      • 准备 Multi-Human Parsing V1 数据集
      • 准备 OTB 2015 数据集
      • 准备 PASCAL VOC 数据集
      • 准备 Youtube_bb 数据集
      • 为目标检测准备自定义数据集
      • 准备 20BN-something-something 数据集 V2
      • 准备 HMDB51 数据集
      • 准备 ImageNet 数据集
      • 准备 Kinetics400 数据集
      • 准备 UCF101 数据集
      • 以 ImageRecord 格式准备您的数据集
    • 自动模块
      • 01. 使用 GluonCV 自动模块加载 Web 数据集
      • 02. 使用自动评估器训练图像分类
      • 03. 使用 GluonCV 自动任务和 HPO 训练分类器或检测器
    • 分布式训练
      • 1. 深度视频模型的分布式训练
    • 部署
      • 1. 将训练好的 GluonCV 网络导出为 JSON
      • 2. GluonCV C++ 推理示例
      • 3. 使用量化模型进行推理
  • PyTorch 教程
    • 动作识别
      • 1. Kinetics400 上预训练的 I3D 模型入门
      • 2. 在您自己的数据集上微调 SOTA 视频模型
      • 3. 从预训练模型中提取视频特征
      • 4. 计算模型的 FLOPS、延迟和 fps
      • 5. 分布式数据并行 (DDP) 框架
  • API 参考
    • gluoncv.data
    • gluoncv.data.batchify
    • gluoncv.data.transforms
    • gluoncv.model_zoo
    • gluoncv.nn
    • gluoncv.loss
    • gluoncv.utils
  • 社区
    • 社区
    • 贡献 GluonCV
  • 幻灯片
gluoncv
目录
  • 安装
  • 模型库
    • 分类
    • 检测
    • 分割
    • 姿态估计
    • 动作识别
    • 深度预测
  • Apache MXNet 教程
    • 图像分类
      • 1. CIFAR10 上预训练模型的入门
      • 2. 深入探讨 CIFAR10 训练
      • 3. ImageNet 上预训练模型的入门
      • 4. 使用您自己的图像数据集进行迁移学习
      • 5. 在 ImageNet 上训练您自己的模型
    • 目标检测
      • 01. 使用预训练的 SSD 模型进行预测
      • 02. 使用预训练的 Faster RCNN 模型进行预测
      • 03. 使用预训练的 YOLO 模型进行预测
      • 04. 在 Pascal VOC 数据集上训练 SSD
      • 05. 深入探讨 SSD 训练:提升性能的 3 个技巧
      • 06. 在 PASCAL VOC 上端到端训练 Faster-RCNN
      • 07. 在 PASCAL VOC 上训练 YOLOv3
      • 08. 微调预训练的检测模型
      • 09. 在您的网络摄像头上运行目标检测模型
      • 10. 通过重用预训练模型的一部分来跳过微调
      • 11. 使用预训练的 CenterNet 模型进行预测
      • 12. 在 NVIDIA Jetson 模块上运行目标检测模型
    • 实例分割
      • 1. 使用预训练的 Mask RCNN 模型进行预测
      • 2. 在 MS COCO 上端到端训练 Mask RCNN
    • 语义分割
      • 1. FCN 预训练模型的入门
      • 2. 使用 PSPNet 预训练模型进行测试
      • 3. 使用 DeepLabV3 预训练模型进行测试
      • 4. 在 Pascal VOC 数据集上训练 FCN
      • 5. 在 ADE20K 数据集上训练 PSPNet
      • 6. 在 Pascal VOC 数据集上复现 SoTA
      • 7. 使用 ICNet 预训练模型进行多人解析测试
    • 姿态估计
      • 1. 使用预训练的 Simple Pose Estimation 模型进行预测
      • 2. 使用预训练的 AlphaPose Estimation 模型进行预测
      • 3. 从您的网络摄像头估计姿态
      • 4. 深入探讨在 COCO Keypoints 上训练 Simple Pose 模型
    • 动作识别
      • 1. UCF101 上预训练的 TSN 模型入门
      • 10. 介绍 Decord:高效的视频读取器
      • 2. 深入探讨在 UCF101 上训练 TSN 模型
      • 3. Kinetics400 上预训练的 I3D 模型入门
      • 4. 深入探讨在 Kinetics400 上训练 I3D 模型
      • 5. Kinetics400 上预训练的 SlowFast 模型入门
      • 6. 深入探讨在 Kinetics400 上训练 SlowFast 模型
      • 7. 在您自己的数据集上微调 SOTA 视频模型
      • 8. 从预训练模型中提取视频特征
      • 9. 使用预训练模型对您自己的视频进行推理
    • 目标跟踪
      • 01. 使用预训练的 SiamRPN 模型进行单目标跟踪
      • 02. 在 COCO、VID、DET、Youtube_bb 上训练 SiamRPN
      • 03. 使用预训练的 SMOT 模型进行多目标跟踪
    • 深度预测
      • 01. 使用预训练的 Monodepth2 模型从单张图像预测深度
      • 02. 使用预训练的 Monodepth2 模型从图像序列或视频预测深度
      • 03. 在 KITTI 数据集上进行 Monodepth2 训练
      • 04. 使用预训练的 Monodepth2 Pose 模型从图像序列测试 PoseNet
    • 准备数据集
      • 准备 ADE20K 数据集。
      • 准备 COCO 数据集
      • 准备 COCO 数据集
      • 准备 Cityscapes 数据集。
      • 准备 ILSVRC 2015 DET 数据集
      • 准备 ILSVRC 2015 VID 数据集
      • 准备 Multi-Human Parsing V1 数据集
      • 准备 OTB 2015 数据集
      • 准备 PASCAL VOC 数据集
      • 准备 Youtube_bb 数据集
      • 为目标检测准备自定义数据集
      • 准备 20BN-something-something 数据集 V2
      • 准备 HMDB51 数据集
      • 准备 ImageNet 数据集
      • 准备 Kinetics400 数据集
      • 准备 UCF101 数据集
      • 以 ImageRecord 格式准备您的数据集
    • 自动模块
      • 01. 使用 GluonCV 自动模块加载 Web 数据集
      • 02. 使用自动评估器训练图像分类
      • 03. 使用 GluonCV 自动任务和 HPO 训练分类器或检测器
    • 分布式训练
      • 1. 深度视频模型的分布式训练
    • 部署
      • 1. 将训练好的 GluonCV 网络导出为 JSON
      • 2. GluonCV C++ 推理示例
      • 3. 使用量化模型进行推理
  • PyTorch 教程
    • 动作识别
      • 1. Kinetics400 上预训练的 I3D 模型入门
      • 2. 在您自己的数据集上微调 SOTA 视频模型
      • 3. 从预训练模型中提取视频特征
      • 4. 计算模型的 FLOPS、延迟和 fps
      • 5. 分布式数据并行 (DDP) 框架
  • API 参考
    • gluoncv.data
    • gluoncv.data.batchify
    • gluoncv.data.transforms
    • gluoncv.model_zoo
    • gluoncv.nn
    • gluoncv.loss
    • gluoncv.utils
  • 社区
    • 社区
    • 贡献 GluonCV
  • 幻灯片

准备数据集¶

Prepare ADE20K dataset.

准备 ADE20K 数据集。¶

Prepare COCO datasets

准备 COCO 数据集¶

Prepare COCO datasets

准备 COCO 数据集¶

Prepare Cityscapes dataset.

准备 Cityscapes 数据集。¶

Prepare ILSVRC 2015 DET dataset

准备 ILSVRC 2015 DET 数据集¶

Prepare ILSVRC 2015 VId dataset

准备 ILSVRC 2015 VID 数据集¶

Prepare Multi-Human Parsing V1 dataset

准备 Multi-Human Parsing V1 数据集¶

Prepare OTB 2015 dataset

准备 OTB 2015 数据集¶

Prepare PASCAL VOC datasets

准备 PASCAL VOC 数据集¶

Prepare Youtube_bb dataset

准备 Youtube_bb 数据集¶

Prepare custom datasets for object detection

为目标检测准备自定义数据集¶

Prepare the 20BN-something-something Dataset V2

准备 20BN-something-something 数据集 V2¶

Prepare the HMDB51 Dataset

准备 HMDB51 数据集¶

Prepare the ImageNet dataset

准备 ImageNet 数据集¶

Prepare the Kinetics400 dataset

准备 Kinetics400 数据集¶

Prepare the UCF101 dataset

准备 UCF101 数据集¶

Prepare your dataset in ImageRecord format

以 ImageRecord 格式准备您的数据集¶

下载 所有 Python 源代码 示例: examples_datasets_python.zip

下载 所有 Jupyter notebook 示例: examples_datasets_jupyter.zip

由 Sphinx-Gallery 生成的图库

上一个
04. 使用预训练的 Monodepth2 Pose 模型从图像序列测试 PoseNet
下一个
准备 ADE20K 数据集。