Python语言，调用dlib训练好的人脸识别模型，完成人脸识别

PocketSphinx中文模型

前言 CrowdNet模型是2016年提出的人流密度估计模型，论文为《CrowdNet: A Deep Convolutional Network for DenseCrowd Counting》，CrowdNet模型主要有深层卷积神经网络和浅层卷积神经组成，通过输入原始图像和高斯滤波器得到的密度图进行训练，最终得到的模型估计图像中的行人的数量。当然这不仅仅可以用于人流密度估计，理论上其他的动物等等的密度估计应该也可以。 本项目开发环境为： Windows 10 Python 3.7 PaddlePaddle 2.0.0a0 CrowdNet模型实现 以下是CrowdNet模型的结构图，从结构图中可以看出，CrowdNet模型是深层卷积网络（Deep Network）和浅层卷积网络（Shallow Network）组成，两组网络通过拼接成一个网络，接着输入到一个卷积核数量和大小都是1的卷积

人工智能：深度学习从入门到精通（25周全，图像分类+图像分割+目标检测+人脸识别+模型分析）

该模型是2021年BDCI零售商品识别竞赛TOP1方案，mindspore框架下的代码地址为https://github.com/pprp/GoodsRecognition.MindSpore。这个资源包括了该代码训练第10、15、20、25、30个epoch时保存的ckpt模型文件和一个meta计算图文件。

数据结构特点如下： data --test/images --test/labels --train/images --train/labels --val/images --val/labels

AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo标注，直接训练识别模型 AI目标检测、戴口罩识别数据集，yolo

MASR中文语音识别模型 aishell (179小时)

可以用于二维码识别模型的训练，包括jpg文件和xml文件，里面还有训练好的pt模型文件

Face-Recognition：人脸识别算法在Keras当中的实现 目录 所需环境 Environment 文件下载 Download 使用方法 Usage 效果 Performance 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5