tensorRT部署resnet网络 包括onnx文件生成， 及推理引擎生成， 利用推理引擎推理 环境配置 使用TensorRT来加速部署图片分类项目，此文档中包含全部 软件及依赖库 在Win10系统上完成，需要用到的软件与依赖包有：cuda 10.2 , cudnn 7.6.5 , VS2017 , OpenCV 3.4.0 , Anaconda3 , CMake 3.19.4 , TensorRT 8.0 ，代码附详细解释

Unet语义分割训练和TensorRT部署

preprocess.cu和preprocess.h文件 TensorRT部署YoloV5使用

本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，演示如何使用pytorch版本的mobilenetv2图像分类模型实现分类任务。将训练的模型转为onnx，实现onnx的推理，然后再将onnx转为TensorRT，并实现推理。 通过本文你和学到： ​ 1、如何从torchvision.models调用mobilenetv2模型？ ​ 2、如何自定义数据集加载方式？ ​ 3、如何使用Cutout数据增强？ ​ 4、如何使用Mixup数据增强。 ​ 5、如何实现训练和验证。 ​ 6、如何使用余弦退火调整学习率。 ​ 7、如何载入训练的模型进行预测。 ​ 8、pytorch转onnx，并实现onnx推理。 ​ 9、onnx转TensorRT，并实现TensorRT的推理。 希望通过这篇文章，能让大家对图像的分类和模型的部署有个清晰的认识。 链接：https://wanghao.blog.csdn.net/article/details/123003159

使用tensorRT部署的yolov5源码，资源讲解在博客https://blog.csdn.net/Z960515/article/details/121975944

CenterNet Pro Max 更新。代码弃用！！！由于某些内部问题，此代码是封闭源代码，对此感到抱歉！ 对于想要/咨询/获得CenterNet_Pro_Max的任何资源的任何人，即使我们关闭了该版本的源代码，我也希望为您提供帮助。也欢迎社区加入这个dicuss平台来谈论AI： 为什么叫这个名字？因为此存储库基于centernet-better，而有人将其开源，所以另一个实现称为centernet-better-plus，因此我们必须使用以下名称：centernet_pro_max。 此仓库是原始CenterNet的重建。与大多数基于detectron2或mmdetection的实现不同，高度模块化的代码库使用户难以理解基本思想是什么。因此，在此存储库中，我们使它尽可能简单，并使您可以自定义任何想法或拥有的任何新体系结构。 此版本建立在Centernet-Better的基础上，但与原始

使用TensorRT来加速部署YOLOv5项目，此文档中包含全部 软件及依赖库 在Win10系统上完成，需要用到的软件与依赖包有：cuda 10.2 , cudnn 7.6.5 , VS2019 , OpenCV 3.4.0 , Anaconda3 , CMake 3.19.4 , TensorRT 7 安装使用使用教程：https://blog.csdn.net/weixin_39588099/article/details/119994675?spm=1001.2014.3001.5502

移动式yolov5修剪蒸馏 mobilev2-yolov5s的通道修剪和蒸馏。超轻但性能更好！ TensorRT版本===> Android版本===> 背景 yolov5s在640x640分辨率下的计算量和参数量分别为8.39G和7.07M。在速度上仍然有提升空间，通过替换backbone（mobilenetv2），通道剪枝对模型进行压缩。 。本项目以工程化为基础，主要是模型端的优化。实现了常用的剪枝和蒸馏算法，并完成了一个简单的介绍和评估。将工程可用模型转换成对应的部署版本。 基准线 数据集采用Pascal VOC，训练集= train2007 + train2012 + val2007 + val2012，测试集= test2007，基线采用mobile-yolo（imagenet预训练），如果没有特别说明，第一个模块采用重点如果特定特殊说明则可以使用替换参数，batchsize