人工智能-深度学习-tensorflow

基于TensorFlow+OpenCV的焊缝识别 文章地址： https://blog.csdn.net/weixin_53403301/article/details/124505827

《21个项目玩转深度学习-基于tensorflow的实战详解》项目20源码，深度强化学习：Deep Q learning

花卉图像识别项目，基于 tensorflow，现有的 CNN 网络可以识别四种花的种类。适合新手对使用 tensorflow进行一个完整的图像识别过程有一个大致轮廓。项目包括对数据集的处理，从硬盘读取数据，CNN 网络的定义，训练过程，还实现了一个 GUI界面用于使用训练好的网络。

简单分享一下自己遇到过的深度网络的一些模型, 这个是基于tensorflow框架的deeplabv3+网络的一个pb网络文件, 是自己根据这位大佬, 我心中的一位老师, 相关链接如下:https://blog.csdn.net/weixin_44791964?type=blog. 因为相关文章链接较长, 给大家这个博主主页的链接吧. 如果想去探索这个网络, 可以去看看. 这位老师太强了. 哈哈哈, 不推荐了. 再说一下这个资源的问题, 因为相关模型文件都很大, 很多github项目不会放相关网络文件, 所以对于自己学习太困难的, 因为没有这么多资源去自己训练, 所以希望上传这个资源对你有用吧. 有什么问题可以及时反馈~

基于Tensorflow的手势识别+数据集+项目操作说明(期末大作业).zip 资源包含10种手势数据集 包含训练模型的代码和预测代码，可自己训练模型。 人工智能课程期末大作业，导师指导，项目小组已评优，可放心下载使用借鉴！

基于TensorFlow的花卉识别系统代码和全部项目资料python实现.zip该花朵识别项目使用Python语言，基于TensorFlow深度学习框架所开发，可以识别多种花卉，整体识别率达到97%左右。 基于TensorFlow的花卉识别系统代码和全部项目资料python实现.zip该花朵识别项目使用Python语言，基于TensorFlow深度学习框架所开发，可以识别多种花卉，整体识别率达到97%左右。 基于TensorFlow的花卉识别系统代码和全部项目资料python实现.zip该花朵识别项目使用Python语言，基于TensorFlow深度学习框架所开发，可以识别多种花卉，整体识别率达到97%左右。 基于TensorFlow的花卉识别系统代码和全部项目资料python实现.zip该花朵识别项目使用Python语言，基于TensorFlow深度学习框架所开发，可以识别多种花卉，整体识别率达到97%左右。 基于TensorFlow的花卉识别系统代码和全部项目资料python实现.zip该花朵识别项目使用Python语言，基于TensorFlow深度学习框架所开发，可以识别多种花卉

基于Tensorflow的手势识别系统源码+数据资料.zip python语言实现。基于Tensorflow的手势识别1.采集数据集 运行: get_gesture_images.py文件 可用不用运行，因为样本集已有 样本集存放的目录：train_gesture_data 2.训练模型 新建目录： gesture_recognition_model/gestureModel 和gesture_recognition_model/gestureModel_one 运行: gesture_recongnition.py文件 3.测试样本的预测 运行 pred_gesture.py文件

基于TensorFlow实现的花卉识别项目代码+使用说明.zip打开项目 选择TFLClassify/build.gradle生成整个项目。项目包含两个module：finish 和 start，finish模块是已经完成的项目，start是本项目实践的模块。 第一次编译项目时，弹出“Gradle Sync”，下载相应的gradle wrapper。 手机连接电脑，设置开发者模式，开发相关权限。 输入图片说明 向应用中添加TensorFlow Lite 1.选择“start”模块，右键“start”模块，或者选择File，然后New>Other>TensorFlow Lite Model 输入图片说明 2.选择已经下载的自定义的训练模型。本教程模型训练任务以后完成，这里选择finish模块中ml文件下的FlowerModel.tflite。 输入图片说明 3.导入成功后，查看摘要信息 输入图片说明 检查代码中的TODO项 默认情况下了列出项目所有的TODO项，进一步按照模块分组（Group By） 查看视图： 输入图片说明 添加代码使APP运行成功 定位“sta

基于Tensorflow车牌识别的完整项目全部源代码.zip 主要识别流程 车牌定位：使用 opencv 库函数进行形态学操作，初步定位车牌位置，得到预选区域 车牌筛选：通过训练好的卷积神经网络，对预选区域进行进一步筛选，得到较准确的车牌图片 字符分割：对车牌图片再次进行形态学操作，然后将车牌图片上的字符分割开 字符识别：最后再用卷积神经网络识别字符，输出结果 车牌筛选 和 字符识别 使用不同的卷积神经网络 基于Tensorflow车牌识别的完整项目全部源代码.zip 操作步骤 首先搭建 Python 3.6.13 的基础环境 然后通过 pip 导入 requirements.txt 中所需的 Python 包 运行 cnn_plate.py 和 cnn_char.py 进行模型的训练 调整 lpr_main.py 中模型的路径，最后运行，输出结果 基于Tensorflow车牌识别的完整项目全部源代码.zip基于Tensorflow车牌识别的完整项目全部源代码.zip基于Tensorflow车牌识别的完整项目全部源代码.zip