Faster-Rcnn：Two-Stage目标检测模型在Pytorch当中的实现。 详细操作见readme.md 文件下载 训练所需的voc_weights_resnet.pth或者voc_weights_vgg.pth可以在百度云下载。 voc_weights_resnet.pth是resnet为主干特征提取网络用到的； voc_weights_vgg.pth是vgg为主干特征提取网络用到的； 链接: https://pan.baidu.com/s/1H_YQxUvGrOXQeEQWPJvix

机器学习库是我在神经网络实验中很少进行的一个主要项目。 它旨在帮助初学者通过可视化理解概念。 您可以实时训练和运行网络，并亲自查看结果。 此处的每个项目后面都有有关其工作原理的说明。 大多数模型都是在Django后端服务器上使用PyTorch训练的。 前端是一个React应用程序，可使用Websocket连接到后端。 一些较大的模型已经过预训练。 使用的技术： PyTorch，React，TensorFlow JS 部署在： ： 预期项目： 前馈网络 学线 线性分类器 学习曲线（多项

新闻：我们在上发布了技术报告。 文档： : 介绍 MMDetection是基于PyTorch的开源对象检测工具箱。 这是香港开发的OpenMMLab项目的一部分。 master分支与PyTorch 1.3到1.6一起使用。 旧的v1.x分支可与PyTorch 1.1至1.4一起使用，但强烈建议您使用v2.0，以实现更快的速度，更高的性能，更好的设计和更友好的用法。 主要特点 模块化设计 我们将检测框架分解为不同的组件，并且可以通过组合不同的模块轻松构建定制的对象检测框架。 开箱即用的多

新闻：我们在上发布了技术报告。 文档： ： 介绍 English | MMDetection是基于PyTorch的开源对象检测工具箱。 它是项目的一部分。 master分支可与PyTorch 1.3+一起使用。 旧的v1.x分支可与PyTorch 1.1至1.4一起使用，但强烈建议使用v2.0，以实现更快的速度，更高的性能，更好的设计和更友好的用法。 主要特点 模块化设计 我们将检测框架分解为不同的组件，并且可以通过组合不同的模块轻松构建自定义的对象检测框架。 开箱即用的多种框架支持