keras-yolo2
Entrenamiento fácil en conjuntos de datos personalizados. Varios backends (MobileNet y SqueezeNet) soportados. Una demostración de YOLO para detectar mapaches completamente en el navegador está accesible en https://git.io/vF7vI (no en Windows).
Entrena un modelo para detectar objetos como mapaches en imágenes utilizando tus propios datos.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasEntrenamiento fácil en conjuntos de datos personalizados. Varios backends (MobileNet y SqueezeNet) soportados. Una demostración de YOLO para detectar mapaches completamente en el navegador está accesible en https://git.io/vF7vI (no en Windows).
keras-yolo2 tiene 1.7k estrellas en GitHub. Se ha bifurcado 771 veces. keras-yolo2 está escrito principalmente en Jupyter Notebook. Se desarrolla activamente desde 2017. keras-yolo2 está disponible bajo la licencia MIT. Sus temas principales son: convolutional-networks, deep-learning, realtime, regression.
¿Qué es keras-yolo2?
Entrenamiento fácil en conjuntos de datos personalizados. Varios backends (MobileNet y SqueezeNet) soportados. Una demostración de YOLO para detectar mapaches completamente en el navegador está accesible en https://git.io/vF7vI (no en Windows).
¿keras-yolo2 es de código abierto?
keras-yolo2 es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
¿keras-yolo2 es gratis?
Sí. keras-yolo2 es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está keras-yolo2?
keras-yolo2 está disponible bajo la licencia MIT.
¿En qué lenguaje está escrito keras-yolo2?
keras-yolo2 está escrito principalmente en Jupyter Notebook.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/experiencor-keras-yolo2.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.