cuda11.1+onnx
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
基于yolov5的不同颜色安全帽检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 yolov5依赖模块 【模型可以检测出类别】 blue none red white yellow 更多实现细节参考博文:https://blog.csdn.net/FL1623863129/article/details/142358335
基于YOLOv8深度学习框架与PyTorch环境搭建的石榴目标检测模型训练全流程项目_从零开始配置CUDA和Anaconda及Python虚拟环境并安装ultralytics库与O.zip
基于YOLOv8深度学习框架与PyTorch环境搭建的石榴目标检测模型训练全流程项目_从零开始配置CUDA和Anaconda及Python虚拟环境并安装ultralytics库与O.zip
PointPillars-Deploy-Python.zip
面向 KITTI 3D 目标检测的 PointPillars 部署工程,支持 PyTorch checkpoint 拆分导出 ONNX/MNN、ONNXRuntime/MNN 推理、BEV/相机可视化
Python安装ONNX Runtime[代码]
本文详细介绍了如何在Python环境中安装ONNX Runtime(ORT),包括CPU版和GPU版的安装方法。对于GPU版,提供了针对CUDA 11.x和CUDA 12.x的不同安装命令,并解释了CUDA版本的向下兼容性。此外,还提到了采用cudnn 8.x编译的ONNX Runtime与cudnn 9.x不兼容的情况。这些信息为需要在Python中使用ONNX Runtime的开发者提供了实用的安装指南。
这是个导出为onnx的molscribe模型
这是个导出为onnx的molscribe模型,方便大家使用,我也不知道好不好用
YOLOv11训练教程[可运行源码]
本教程详细介绍了如何使用YOLOv11 Nano模型训练自定义目标检测器,特别适合初学者。教程从环境设置开始,包括创建conda环境、安装必要的Python包。接着详细说明了数据集的准备过程,包括图像收集、标注工具的使用、数据集结构以及标签格式的规范。随后,教程提供了训练模型的完整代码示例,包括加载预训练模型、设置训练参数以及保存训练结果。最后,教程还介绍了如何测试训练好的模型,包括推理脚本的使用和结果展示,以及如何将模型导出为ONNX格式。此外,教程还对比了YOLOv11系列模型的性能参数,为读者提供了更多参考信息。
PaddleOCR自定义模型训练与ONNX转换全流程[代码]
本文详细介绍了基于PaddleOCR 2.7版本进行自定义模型训练及转换为ONNX格式的完整流程。首先阐述了PaddleOCR作为飞桨OCR工具库的优势,以及自定义模型和ONNX转换在特定业务场景和跨平台部署中的重要性。环境准备部分包括创建Python 3.12.4虚拟环境、安装PaddleOCR依赖包、PPOCRLabel标注工具及PaddlePaddle GPU版本。数据标注环节详细说明了使用PPOCRLabel进行自动标注、手动修正、导出标记和识别结果的操作步骤。模型训练流程涵盖数据划分、下载官方预训练模型(检测和识别)、修改配置文件(如训练轮数、学习率、数据集路径等)以及启动训练命令。训练完成后,需将动态模型转换为静态推理模型,再通过paddle2onnx工具导出为ONNX格式,并验证推理结果一致性。文章还强调了OCR流程中检测、方向分类、识别三个模块的独立性和可替换性,为开发者提供了从数据准备到模型部署的完整技术指南。
安装包-onnxruntime_gpu-1.16.0-cp311-cp311-manylinux_2_17_x86_64.manylinux2014_x86_64.whl.zip
安装包-onnxruntime_gpu-1.16.0-cp311-cp311-manylinux_2_17_x86_64.manylinux2014_x86_64.whl.zip
Jetson Nano配置YOLOv8/v11[代码]
本文详细介绍了在Jetson Nano上配置YOLOv8/v11开发环境的完整流程,包括Python多版本管理、Conda虚拟环境搭建、PyTorch GPU环境配置以及Code-OSS代码编辑器的安装。文章首先讲解了如何通过update-alternatives工具管理Python版本,并强调了使用pip安装包时的注意事项。接着,详细说明了如何通过Miniforge安装和配置Conda环境,并推荐使用清华或北外镜像源以加速依赖下载。在PyTorch GPU环境搭建部分,文章提供了预编译包的安装方法及依赖问题的解决方案。最后,介绍了YOLOv11环境的部署步骤,包括源码下载和开发模式安装。整个指南旨在帮助开发者高效地在Jetson Nano上部署深度学习环境,避免常见的配置陷阱。
YOLO26+WPF高性能目标检测系统完整源代码
在C#里用CUDA加速的YOLO目标检测。压缩包里有使用说明,B站上有详细讲解:https://www.bilibili.com/video/BV13EGB6ZEwh/?vd_source=f77eab3abea7af9c68785abc4a6f500a
opencv4.10.0+msvc 32bit
opencv4.10.0+msvc 32bit
极简 YOLOv11 训练推理框架(入门首选)
个人学习研究。 仓库地址:https://github.com/li-yibing/yolov11 适合人群:零基础入门、快速上手自定义数据集训练 核心特点 极简封装,三行代码即可完成训练、推理、验证全流程 内置数据集目录规范,直接替换自己的数据即可训练 提供样例数据集下载,开箱即用
Yolov8与ByTetrack目标追踪[项目源码]
本文介绍了如何使用Yolov8的ONNX模型结合OpenCV和ByTetrack实现高效的目标追踪。Yolov8作为先进的目标检测算法,继承了Yolov3和Yolov4的优点,显著提升了检测精度和速度。ByTetrack则是一种基于背景减除和轨迹匹配的追踪方法,即使在复杂场景下也能保持高精度。两者的结合既发挥了Yolov8的高检测精度,又利用了ByTetrack的高追踪精度,为复杂场景下的目标追踪提供了新的解决方案。文章还提供了实现代码和效果展示,展示了该方法的实际应用效果。
基于深度学习框架YOLOV8模型训练_无人机遥感航拍数据集CODrone涵盖城市工业环境港口码头_汽车忽略交通标志人群摩托车船舶公交车等12类目标检测推理识别_使用CUDA加速Py.zip
基于深度学习框架YOLOV8模型训练_无人机遥感航拍数据集CODrone涵盖城市工业环境港口码头_汽车忽略交通标志人群摩托车船舶公交车等12类目标检测推理识别_使用CUDA加速Py.zip
FaceFusion开源人脸工具教程[代码]
本文详细介绍了开源人脸处理工具FaceFusion的部署与使用技术教程。FaceFusion是一个托管于GitHub的开源项目,支持人脸交换、图像增强、口型同步等多种AI图像处理功能,适用于图片和视频素材。文章从项目概述、核心功能、硬件与系统运行环境、主流开源人脸工具横向对比、两种部署安装教程以及基础操作说明等方面进行了全面介绍。FaceFusion支持Windows、Linux、macOS三大操作系统,硬件适配NVIDIA、AMD、Apple Silicon等多种硬件,提供CUDA、TensorRT、ROCm、CoreML、CPU多种运算后端。文章还提供了整合绿色包部署和源码手动部署两种安装方案,适合不同需求的用户。最后,文章强调了合法使用的重要性,提醒用户未经授权不得对他人肖像进行替换伪造。
Qt5.14.2 mingw730-64 cmake 编译后的opencv-4.11.0-mingw73库
Qt5.14.2 mingw730_64 cmake 编译后的opencv-4.11.0-mingw73库
pytorch-vision学习包资源代码分享
pytorch-vision学习包资源代码分享
MTTrack_多目标实时智能追踪系统_支持ByteTrack与SORT经典追踪算法_集成YOLOv8至YOLOv11任意模型_可选视觉语言模型实现细粒度目标分类_模块化领域层服务.zip
MTTrack_多目标实时智能追踪系统_支持ByteTrack与SORT经典追踪算法_集成YOLOv8至YOLOv11任意模型_可选视觉语言模型实现细粒度目标分类_模块化领域层服务.zip
基于西交利物浦大学动云科技GMaster战队2023年YOLO检测数据集与百度网盘开源链接及提取码XPGM进行训练并需整理优化训练代码且训练时需更换文件地址的GPU部署项目_使用C.zip
基于西交利物浦大学动云科技GMaster战队2023年YOLO检测数据集与百度网盘开源链接及提取码XPGM进行训练并需整理优化训练代码且训练时需更换文件地址的GPU部署项目_使用C.zip
cuda11.0-11.8通用版
cuda11.0-11.8通用版,安装看B站https://www.bilibili.com/video/BV1Um4y1w7g
最新推荐

