<无标题>
搜索
快速搜索
代码
显示源文件
安装
教程
API
社区
贡献
GitHub
目录
安装
模型库
图像分类
目标检测
图像分割
姿态估计
行为识别
深度预测
Apache MXNet 教程
图像分类
1. 使用 CIFAR10 上的预训练模型快速开始
2. 深入理解 CIFAR10 训练过程
3. 使用 ImageNet 上的预训练模型快速开始
4. 使用你自己的图像数据集进行迁移学习
5. 在 ImageNet 上训练你自己的模型
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. 深入探究 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. 微调预训练目标检测模型
09. 在你的网络摄像头上运行目标检测模型
10. 通过复用预训练模型的部分来跳过微调
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. 使用 FCN 预训练模型快速开始
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 姿态估计模型进行预测
2. 使用预训练的 AlphaPose 姿态估计模型进行预测
3. 从你的网络摄像头估计姿态
4. 深入研究在 COCO 关键点上训练 Simple 姿态模型
行为识别
1. 使用 UCF101 上的预训练 TSN 模型快速开始
10. 介绍 Decord:一个高效的视频读取器
2. 深入研究在 UCF101 上训练 TSN 模型
3. 使用 Kinetics400 上的预训练 I3D 模型快速开始
4. 深入研究在 Kinetics400 上训练 I3D 模型
5. 使用 Kinetics400 上的预训练 SlowFast 模型快速开始
6. 深入研究在 Kinetics400 上训练 SlowFast 模型
7. 在你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. 使用预训练模型在你自己的视频上进行推理
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 模型从单张图像中预测深度
02. 使用预训练的 Monodepth2 模型从图像序列或视频中预测深度
03. 在 KITTI 数据集上进行 Monodepth2 训练
04. 使用预训练的 Monodepth2 Pose 模型从图像序列中测试 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
将你的数据集准备为 ImageRecord 格式
自动模块
01. 使用 GluonCV 自动模块加载网络数据集
02. 使用自动估计器训练图像分类模型
03. 使用 GluonCV 自动任务,通过 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 格式
2. GluonCV C++ 推理演示
3. 使用量化模型进行推理
PyTorch 教程
行为识别
1. 使用 Kinetics400 上的预训练 I3D 模型快速开始
2. 在你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、延迟和帧率
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
贡献给 GluonCV
幻灯片
目录
安装
模型库
图像分类
目标检测
图像分割
姿态估计
行为识别
深度预测
Apache MXNet 教程
图像分类
1. 使用 CIFAR10 上的预训练模型快速开始
2. 深入理解 CIFAR10 训练过程
3. 使用 ImageNet 上的预训练模型快速开始
4. 使用你自己的图像数据集进行迁移学习
5. 在 ImageNet 上训练你自己的模型
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. 深入探究 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. 微调预训练目标检测模型
09. 在你的网络摄像头上运行目标检测模型
10. 通过复用预训练模型的部分来跳过微调
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. 使用 FCN 预训练模型快速开始
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 姿态估计模型进行预测
2. 使用预训练的 AlphaPose 姿态估计模型进行预测
3. 从你的网络摄像头估计姿态
4. 深入研究在 COCO 关键点上训练 Simple 姿态模型
行为识别
1. 使用 UCF101 上的预训练 TSN 模型快速开始
10. 介绍 Decord:一个高效的视频读取器
2. 深入研究在 UCF101 上训练 TSN 模型
3. 使用 Kinetics400 上的预训练 I3D 模型快速开始
4. 深入研究在 Kinetics400 上训练 I3D 模型
5. 使用 Kinetics400 上的预训练 SlowFast 模型快速开始
6. 深入研究在 Kinetics400 上训练 SlowFast 模型
7. 在你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. 使用预训练模型在你自己的视频上进行推理
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 模型从单张图像中预测深度
02. 使用预训练的 Monodepth2 模型从图像序列或视频中预测深度
03. 在 KITTI 数据集上进行 Monodepth2 训练
04. 使用预训练的 Monodepth2 Pose 模型从图像序列中测试 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
将你的数据集准备为 ImageRecord 格式
自动模块
01. 使用 GluonCV 自动模块加载网络数据集
02. 使用自动估计器训练图像分类模型
03. 使用 GluonCV 自动任务,通过 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 格式
2. GluonCV C++ 推理演示
3. 使用量化模型进行推理
PyTorch 教程
行为识别
1. 使用 Kinetics400 上的预训练 I3D 模型快速开始
2. 在你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、延迟和帧率
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
贡献给 GluonCV
幻灯片
使用 PyTorch 实现的模型将在稍后添加。请先查看我们的 MXNet 实现。