- 博客(2)
- 收藏
- 关注
RSS订阅原创 C++调用pytorch的ResNet模型提取图片特征向量
ResNet模型的实现大多依赖于PyTorch框架，本文讲述了如何通过C++调用TorchScript模型，实现用C++进行ResNet特征提取，并生成特征向量库进行保存。
2025-02-20 15:09:22
472
原创 YOLOv4 darknet 批量测试文件夹中图片并保存结果图片
darknet官方的指令只能测试单张图片，如果想批量测试文件夹中的图片、保存预测结果图片并输出运行时间，可替换detector.c中的test_detector函数。
2025-02-08 11:07:12
178
ResNet18 去除全连接层 - 特征提取专用 - 即插即用
本资源提供基于PyTorch框架的ResNet18模型文件（.pt格式），移除了原始全连接层，保留卷积层及全局平均池化层，输出512维高语义图像特征向量，是迁移学习与特征提取任务的理想选择。
核心优势：
1. 即用型特征提取器：直接加载即可获得深度特征，无需重新训练基础层
2. 轻量高效：移除冗余全连接层后模型体积减少约80%，推理速度提升
3. 灵活适配：支持快速接入自定义分类/回归头部（FC层）
4. 预训练参数：基于ImageNet预训练权重初始化，特征表征能力强
适用场景：
1. 图像特征提取（检索/聚类）
2. 迁移学习（冻结Backbone微调头部）
3. 模型压缩方案对比测试
4. 深度学习教学案例（特征工程实践）
文件说明：
resnet18.pt：已移除全连接层的模型主体
输出维度：(batch_size, 512)
输入要求：3通道RGB图像，推荐尺寸224×224（支持动态尺寸）
2025-02-20
libtorch CPU版本安装包：libtorch-win-shared-with-deps-2.6.0+cpu.zip
Libtorch是PyTorch的C++前端，提供了与PyTorch Python接口类似的功能，支持高性能的深度学习推理和训练。它允许开发者直接在C++环境中加载和运行PyTorch模型，适用于需要高效部署的场景，如嵌入式设备、服务器端应用或对性能要求较高的生产环境。
Libtorch支持CPU和GPU加速（本版本为C++/JAVA的CPU版本），并提供了丰富的API，包括张量操作、自动求导、神经网络模块等。通过Libtorch，开发者可以轻松将训练好的PyTorch模型导出为TorchScript格式，并在C++中无缝集成和部署（具体实现YOLO的C++部署调用和GPU版本文件请参考之后要发布的文章）。
本文件夹包含Libtorch的完整库文件及相关资源，适用于Windows。欢迎下载使用~
2025-02-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人