博文：【pytorch】将模型部署至生产环境：借助TensorRT 8完成代码优化及部署（二）：C++接口实现 的代码备份。

【小白CV】手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署）_梁瑛平的博客-CSDN博客.pdf

LiteSeg语义分割的模型和源码，使用OpenCV 的Dnn进行推理

分享课程——《深度学习-TensorRT模型部署实战》，2022年4月新课，提供代码和课件下载！ 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。

给大家分享一套新课——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。

对象姿势估计演示 本教程将介绍在Unity中使用UR3机械臂执行姿势估计所需的步骤。 您将获得将ROS与Unity集成，导入URDF模型，收集标记的训练数据以及训练和部署深度学习模型的经验。 在本教程结束时，您将能够在Unity中使用机械臂执行拾取和放置操作，并使用计算机视觉感知机器人拾取的对象。 是否想跳过本教程并运行完整的演示？ 查看我们的。 是否想跳过本教程，而专注于为深度学习模型收集训练数据？ 查看我们的。 注意：该项目是使用Python 3和ROS Noetic开发的。 目录 这一部分包括下载和安装Unity编辑器，设置基本的Unity场景以及导入机器人。 我们将使用软件包导入。 本部分重点介绍使用Unity Computer Vision 进行数据收集的场景。 您将学习如何使用“感知包化器”对场景的各个部分进行随机化，以便在训练数据中创造多样性。 如果您想了解更

tensorflow serving部署单模型，多模型，热更新，BERT部署

FastAPI 该存储库说明了如何使用FastAPI创建微服务 以下链接提供了完整的说明： #######创建Python虚拟环境并按如下所示安装所有依赖项###### 使用以下命令创建venv：python -m venv venvname 激活venv：venvname \ Scripts \ Activate 安装依赖项：pip install -r requirements.txt 使用以下命令运行：uvicorn main：app --reload

机器学习支持的虚假新闻检测器 从初始构想到部署，构建端到端机器学习项目的完整示例。 此回购随附于博客文章系列，描述了如何构建假新闻检测应用程序。 这里包含的帖子： ：描述项目构想，设置存储库和初始项目工具。 ：描述如何使用工具获取数据集并执行探索性数据分析，以便更好地理解问题。 ：描述如何为第一个ML模型（随机森林分类器）获得功能训练/评估管道，包括如何正确测试管道的各个部分。 ：描述如何解释通过特征分析（通过诸如类的技术）和错误分析所学的第一个模型。 也可用于由驱动的第二个模型。 ：描述如何使用和部署模型以及构建随附的Chrome扩展程序。 还说明了用于以可伸缩和可复制的方式在应

使用pmml跨平台部署机器学习模型Demo——房价预测