原文: OpenPose 基于OpenCV DNN 的单人姿态估计 - AIUAI
本文转自： http://blog.csdn.net/yiliang_/article/details/60464968
Train训练（用cmdcaffe命令行） （solver.prototxt） 在使用cmdcaffe时，需要默认切换到Caffe_Root文件夹下，需要使用上述命令才可以使用tools下的caffe接口，因为caffe默认都需要从根目录下面执行文件。 1、训练模型，以mnist为例子（solver.prototxt） ./build/tools/caffe train -solver=examples/mnist/lenet_solver.prototxt 从中断点的 snapshot 继续训练（solver.prototxt + .solverstate） ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate 2、观察各个阶段的运行时间可以使用（train_test.prototxt） ./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -iterations 10 3、使用已有模型提取特征（caffemodel + train_val.prototxt + fc7 + num_mini_batches） ./build/tools/extract_features.bin models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel examples/feature_extraction/train_val.prototxt fc7 examples/temp_features 10 lmdb
在上一篇文章《我的第一个caffe C++程序》中，说明了如何编写一个最简单的caffe C++程序，但我的最终目的是希望在Android app中使用caffe框架。所以接下来我就将模型测试程序testXOR移植到Android中，让Android app也能使用caffe深度学习框架。
本文介绍了如何使用caffe实现FCN的图像语义分割任务。首先，介绍了FCN算法的原理和模型结构。然后，讲解了在caffe中如何配置和训练FCN模型。最后，通过一个具体的例子演示了如何使用FCN模型进行图像语义分割任务。
本例中我们使用的是pascalcontext-fcn32的模型，这个下载链接在它的文件夹里有，就是url那个文件
本文主要介绍如何使用Caffe进行FCN目标检测，包括数据集准备、模型选择、训练过程、测试和结果分析。作者使用VGG16网络进行预训练，并通过FCN网络进行目标检测。实验结果表明，该方法能够有效地检测出图像中的目标物体，准确率达到了66.4%。
前两天，Amusi分享了一篇 经典卷积神经网络（CNN）结构可视化工具，该工具可用于可视化各种经典的卷积神经网络结构。如AlexNet、VGG-16、ResNet和YOLO等经典网络。
本文介绍了如何使用 Faster R-CNN 实现目标检测，并通过示例进行了演示。首先介绍了 Faster R-CNN 的整体架构，然后阐述了其网络结构和配置参数。接着，通过四个示例进行了演示，包括预训练模型的选择、配置参数、检测结果的展示以及最后的网络热启动。通过本文的介绍，可以快速上手使用 Faster R-CNN 进行目标检测任务。
OpenPose 提供了基于Body，Hand，Facial 等关键点估计的模型，及相应的在 Videos，Wecam，Images 等测试数据的 Demos.
本文主要介绍了如何使用深度学习框架Caffe进行目标检测任务，包括网络模型的设计、训练和预测，以及利用已有模型进行测试的方法。同时，还探讨了在训练完成后如何利用该模型进行测试，并通过示例演示了具体的使用流程。
本文主要介绍了在Caffe中使用的各种神经网络结构，包括Alexnet、Squeezenet、VGG、ResNet、Inception、DenseNet等。这些网络结构在计算机视觉上都有很广泛的应用，例如物体识别、图像分类等。本文还介绍了这些网络结构的预训练模型，可供使用者直接使用。
今天偷点儿懒，就没有及时整理最新的paper，还请各位看官谅解。这里整理了一份前段时间做的小demo，实现献丑了 本文基于OpenCV3.3.1或以上版本（如OpenCV3.4）、DNN模块和face_detector示例实现简单、实时的人脸检测。 往期回顾 [计算机视觉] 入门学习资料 [计算机视觉论文速递] 2018-03-20 [计算机视觉论文速递] 2018-03-18 注： [1]：主要参考Face detection with OpenCV and deep learning这个英文教程
Faster R-CNN 的 caffe-fast-rcnn 版本没有更新，导致新版的 cudnn 不能使用，Makefile.config 添加 cudnn:=1 时，编译无法通过. 对此，作以下修改： 将 caffe-fast-rcnn 中的以下文件替换为 BAIR(BVLC) 的 caffe 的对应文件：
AI研习社消息，日前，百度在 GitHub 上开源了移动端深度学习框架 mobile-deep-learning（MDL）的全部代码以及脚本，这项研究旨在让卷积神经网络（CNNC）能更简单和高速的部署
DNN模块介绍 在OpenCV3.3版本发布中把DNN模块从扩展模块移到了OpenCV正式发布模块中，当前DNN模块最早来自Tiny-dnn，可以加载预先训练好的Caffe模型数据，OpenCV做了近一步扩展支持所有主流的深度学习框架训练生成与导出模型数据加载，常见的有如下： Caffe TensorFlow Torch/PyTorch OpenCV中DNN模块已经支持与测试过这些常见的网络模块 AlexNet GoogLeNet v1 (also referred to as Inception-5
“本文主要内容：基于自制的仿VOC数据集，利用caffe框架下的MobileNet-SSD模型训练。” 本文的base是https://github.com/chuanqi305/MobileNet-SSD，这个project又是基于https://github.com/weiliu89/caffe/tree/ssd，因此项目编译和数据库生成大多同 weiliu89的base。以下从环境搭建、数据集制作、模型训练、模型测试四个环节介绍整个过程。 01 — 环境搭建 weiliu89的caffe框架下SSD环
AI科技评论消息，日前，百度在 GitHub 上开源了移动端深度学习框架 mobile-deep-learning（MDL）的全部代码以及脚本，这项研究旨在让卷积神经网络（CNNC）能更简单和高速的部
复制/caffe-root/models/finetune_flickr_style文件夹下面的deploy.prototxt readme.md solver.prototxt train_val.prototxt四个文件到自己的finetune项目根目录/caffe-root/models/finetune_test/下
这篇打算就直入主题了，YOLO是什么、DarkNet是什么、Caffe是什么、NCNN又是什么…等等这一系列的基础科普这里就完全不说了，牵扯实在太多，通过其他帖子有一定的积累后，看这篇就相对容易了。
在 LeNet5的深入解析 我们已经对 LetNet-5 网络结构做出了详细的描述，接下来我们将深入分析 Caffe 中怎么使用 LetNet-5 的这个模型进行预测。 Caffe 中关于 LetNet-5 的实现文件主要存放于 https://github.com/BVLC/caffe/tree/master/examples/mnist
原文：Github 项目 - FaceBoxes高精度实时人脸检测器 - AIUAI
如果说目标检测落地最广的是哪个算法，yolo系列肯定有一席之地，本文为大家介绍yolov5s 4.0模型如何转换为caffe模型并推理，据我所知，华为海思NNIE只支持caffe模型的转换，所以yolov5模型要想在海思芯片上部署，转换为caffe模型是有必要的（在我的1070显卡上，yolov5s 4.0 的模型inference做到了11ms一帧！）
本文介绍了如何使用Caffe在MNIST数据集上训练一个简单的CNN分类器。首先介绍了MNIST数据集的背景和CNN架构，然后详细描述了如何使用Caffe进行模型的训练和测试。最后演示了如何使用Caffe中的命令行工具进行模型的部署和测试。
照片中的面部分析引起了人们的广泛关注，因为它可以帮助我们解决各种问题，包括更好的客户广告定位、更好的内容推荐系统、安全监控和其他领域。
Git是用来管理源代码的一个工具，很多时候，我们不想让Git来跟踪较大的二进制文件。但是如果不小心将某个文件加入到Git的缓存区后，不管后面怎么删除这个大文件，Git始终都保存有这个文件的历史记录，因此项目会很大。拿下面例子来说，我们有个500M的文件cnn.model，通过下面的命令加入到git暂存区或提交到远端（提交时自动执行git gc命令，生成pack文件）：
【GiantPandaCV导语】本文为大家介绍了一个caffe部署yolov5 模型的教程，并开源了全部代码。主要是教你如何搭建caffe推理环境，对yolov5模型做onnx格式转换，onnx模型转caffe模型，实测在1070显卡做到了11ms一帧！
实际工作中，目标检测 yolov3 或者 yolov4 模型移植到 AI 芯片中，经常需要将其先转换为 caffe1.x 模型，大家可能或多或少也有这方面的需求。例如华为海思 NNIE 只支持caffe1.x 模型，所以 yolov3/yolov4 模型要想在海思芯片上部署，转换为 caffe1.x 模型是必须的。
本文介绍了如何使用Caffe进行图片分类，通过下载、转换数据、训练和测试一个模型，最后得到了一个可以用于图片分类的模型。
1、访问Python Extension Packages for Windows，下载python对应版本的opencv。
https://docs.opencv.org/4.4.0/d2/d58/tutorial_table_of_content_dnn.html
本文介绍了如何使用Core ML在iOS平台上进行模型前向推理，并使用UIImage进行加载和输入，支持多线程和GPU加速。同时，还针对SqueezeNet进行了实例演示。
深度学习中，我们一直在训练模型，通过反向传播求导更新模型的权重，最终得到一个泛化能力比较强的模型。同样，如果我们不训练，仅仅随机初始化权重，同样能够得到一个同样大小的模型。虽然两者大小一样，不过两者其中的权重信息分布相差会很大，一个脑子装满了知识、一个脑子都是水，差不多就这个意思。
首先， 一直以来就在考虑这么牛逼的opencv该换一下里边一些过时的东西了，像：检测器、识别器等等，果不其然，openv的大佬们还是偷偷的换了。
快照的大用途：如果出了什么意外中断了训练，那真是天都要塌了，所以快照存储了训练的中间结果，这个设计真是人性化，当再次训练时，就可以从快照中恢复数据了。直接在最后的执行文件，调用已经训练的快照就行，用-snapshot
之前，MsnhNet主要支持了将Pytorch模型转换为MsnhNet框架可以运行的模型文件（*.msnhnet和*.bin），并且我们在之前的Pytorch转Msnhnet模型思路分享文章中分享了这个转换的思路。
本文转载自JK Jung的帖子：https://jkjung-avt.github.io/tx2-camera-caffe/ 如果有侵犯到贴主利益，请立刻跟我联系。 之前，贴主分享了一个python脚本，它可以用来在Jetson TX2上捕捉和显示来自相机(IP、USB或板载)的实时视频。在这里，贴主继续扩展了这个脚本，并展示了如何在捕获的相机映像上运行Caffe图像分类(推断)，这些都是在python代码中完成的。这tegra-cam-caffe.py sample应该适合快速验证您的新训练的Caffe图
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/details/73456860
深度学习开源框架众多，对于开发者来说其中有一个很硬的需求，就是模型结构和权重的可视化。使用过Caffe的同学都因为强大的Netscope可以离线修改实时可视化网络结构而暗爽，那其他的框架怎么样呢？
Look into Person: Self-supervised Structure-sensitive Learning Code-Caffe Paper LIP Dataset - 百度云 LIP Dataset - Google Drive attention+ssl.caffemodel - Google Drive 摘要——基于提供的训练模型进行测试， 模型是基于 Attention Model - Attention to Scale: Scale-aware Semantic
学习论文 Age and Gender Classification using Convolutional Neural Networks.
2011年12月微信3.5版本正式上线“扫一扫”二维码，历经9年蜕变，“扫一扫”从二维码名片到扫码支付、从小程序码到健康码，二维码已经成为一种生活方式，连接着数字与现实。
http://www.cnblogs.com/denny402/p/5137534.html
人脸检测，看似要使用深度学习，觉得很高大牛逼，其实通过opencv就可以制作人脸识别的窗口。
欢迎来到Core ML教程系列的第二部分。在本教程中，将学习如何设置Python虚拟环境，获取不在Core ML格式裡的数据模型，并将该模型转换为Core ML格式，最后将其集成到应用程式中。强烈建议
有不少开发者在学习深度学习框架的时候会开源一些训练好的模型，我们可以使用这些模型来运用到我们自己的项目中。如果使用的是同一个深度学习框架，那就很方便，可以直接使用，但是如果时不同深度学习框架，我们就要对模型转换一下。下面我们就介绍如何把Caffe的模型转换成PaddlePaddle的Fluid模型。
前面我写了很多篇关于OpenCV DNN应用相关的文章，这里再来一篇文章，用OpenCV DNN实现一个很有趣好玩的例子，基于Caffe的预训练模型实现年龄与性别预测，这个在很多展会上都有展示，OpenCV DNN实现这里非常简洁明了，总共不到100行的代码。下面就来说一下怎么实现的，首先下载两个Caffe的预训练模型：
主要是生成 train.txt、 val.txt 和 test.txt 文件，使其内容格式为：
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
