将yolov5模型部署到web端，实现动态选择模型，上传或直接拖拽图片至窗口就能返回识别结果与json格式文件

后端：flask+polar+pytorch 后端采用flask，把自己的电脑作为服务器，开放5000端口 使用polar内网穿透： 具体代码和文件：（一个app.py，一个imagenet_class_index.json,使用cors解决跨域问题）

分享课程——深度学习-TensorRT模型部署实战，2022年4月新课，完整版视频教程下载，附代码、课件。 本课程划分为四部分： 第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。 第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。 第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。 第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。

PaddleDetection模型部署推理环境包----TensorRT-7.0.0.11.Win10.x64.cuda-10.2.cudnn7以及Git-2.37.2.zip

opencv-3.4.6-vc14_vc15.zip---官方OpenCV安装包，可配合PaddleInference推理库部署Paddle模型使用

深度学习-TensorRT模型部署实战，2022年4月新课，完整版视频教程下载，附代码、课件。 本课程划分为四部分： 第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。 第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。 第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。 第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。

在windows上编译的，直接拿来就可以用，10月29号编译好的。

内容概要：yolov5火焰识别模型完整项目，采用C/S结构。项目分为前端代码，用vue编写；后端代码，用python编写，做成api接口。灵活性大，与模型解耦合，后续可以放自己训练好的模型，不再修改代码或者少量修改代码。 源代码：yolov5模型部署到web端，文档齐全，包含如何安装环境，如何运行项目，如何使用。 适合人群：学生、具备一定编程基础，工作1-3年的研发人员、想入门人工智能的爱好者、科研人员 能学到什么：可以快速出效果。 阅读建议：详情请查看文章介绍:https://blog.csdn.net/qq122716072/article/details/125503254

yolov5模型部署到安卓手机-+模型文件+app源代码，下载后可以直接编译使用； 详情请参考文章： https://blog.csdn.net/qq122716072/article/details/125371307 示例： 内容概要：安全帽识别模型通过带着读者手写简化版 Spring 框架，了解 Spring 核心原理。在手写Spring 源码的过程中会摘取整体框架中的核心逻辑，简化代码实现过程，保留核心功能，例如：IOC、AOP、Bean生命周期、上下文、作用域、资源处理等内容实现。 适合人群：具备一定编程基础，工作1-3年的研发人员 能学到什么：①工厂模式、策略模式、观察者模式等都是怎么在Spring中体现的；②IOC、AOP、代理、切面、循环依赖都是如何设计和实现的。 阅读建议：此资源以开发简化版Spring学习其原理和内核，不仅是代码编写实现也更注重内容上的需求分析和方案设计，所以在学习的过程要结合这些内容一起来实践，并调试对应的代码。

MobileNet网络是由google团队在2017年提出的，专注于移动端或者嵌入式设备中的轻量级CNN网络。相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。(相比VGG16准确率减少了0.9%，但模型参数只有VGG的1/32) MobileNet v2网络是由google团队在cvpr2018年提出的，相比MobileNet v1网络，准确率更高，模型更小。 MobileNet v3发表于eccv2019年，该v3版本结合了v1的深度可分离卷积、v2的Inverted Residuals和Linear Bottleneck、新添加了SE模块，利用NAS（神经结构搜索）来搜索网络的配置和参数。