原replicate-papers改名为KataCV，用于复现经典CV文献，当前用于个人测试
| 模型 | 数据集 | 完成情况 | 框架 | Paper/Note |
|---|---|---|---|---|
| LeNet-5 | MNIST | OK | TF2 | Paper |
| AlexNet | ImageNet | OK 参数存于网盘 | TF2 | Paper |
| VGG16 | ImageNet | OK（但是调参有问题，初始lr过大） | JAX | Paper |
| GoogleNet | ImageNet | OK (val-top5: 78.17%, top1: 53.78%) | JAX | Paper |
| ResNet50 | ImageNet | OK (val-top5: 92.53%, top1: 75.47%) | JAX | Paper |
| YOLOv1-DarkNet | ImageNet | OK (val-top5: 89.39%, top1: 69.1%) | JAX | Paper/Blog |
| YOLOv3-DarkNet53 | ImageNet | OK (val-top5: 92.6%, top1: 75.77%) | JAX | Paper/Blog |
| YOLOv4-CSPDarkNet53 | ImageNet | OK (val-top5: 93.16%, top1: 76.55%) | JAX | Paper/Network Struct |
| G-VAE (VAE) | MNIST,cifar10,celeba | OK | JAX | PDF/Blog/Result |
| 模型 | 数据集 | 完成情况 | 框架 | Paper/Note |
|---|---|---|---|---|
| YOLOv1 | VOC PASCAL | OK (val-mAP: 0.53, coco-mAP: 0.28) | JAX | Paper/Blog |
| YOLOv3 | VOC PASCAL COCO |
OK (PASCAL: val-mAP: 0.66, coco-mAP: 0.39 COCO: val-mAP: 0.42, coco-mAP: 0.25) |
JAX | Paper/Blog |
| YOLOv4 | COCO | Wrong Network Struct | JAX | Paper/Blog |
| YOLOv5 | COCO | OK (COCO: coco-mAP: 44.64%) | JAX | Offical/Blog/WandB |
| 模型 | 数据集 | 完成情况 | 框架 | Paper/Note |
|---|---|---|---|---|
| CTCLoss & CRNN | MJsynth | OK (val accuray: 63 words: 91.23%, (lower) 37 words: 94.28%) |
JAX | CTCLoss Paper/CRNN Paper/Blog |
权重参数保存位置（不完整）：Google网盘-Network Weight
| 模型 | 数据集 | 完成情况 | 框架 | Paper/Note |
|---|---|---|---|---|
| miniGPT (GPT-1) | 四大名著及莎士比亚文章 | OK/WandB Result | JAX | Paper1: Attention Is All You Need/Paper2: Improving Language Understanding by Generative Pre-Training/Blog |
权重参数保存位置（不完整）：[Google网盘-Network Weight](
对Imagenet2012数据集的解包方法如下：
下载数据集（训练集：ILSVRC2012_img_train.tar，验证集：ILSVRC2012_img_val.tar），并根据 知乎 - ImageNet(ISLVRC2012)数据集 这篇文章对压缩包进行解压并分类。
假设数据集文件保存在 path/your/imagenet 下，在该文件夹下分别有 train/, val/ 文件夹，执行以下代码将数据集转化为tfrecord文件（加快读取速度）：
python katacv/utils/imagenet/make_label_json.py --path-origin-dataset path/your/imagenet # 在/logs文件夹下生成两个json文件，对标签进行编号
python katacv/utils/imagenet/translate_tfrecord.py --path-origin-dataset path/your/imagenet --subfolder-name train # 将train图片转为tfrecord，用时较长约11h
python katacv/utils/imagenet/translate_tfrecord.py --path-origin-dataset path/your/imagenet --subfolder-name val # 将val图片转为tfrecord
# 生成的tfrecord文件保存在path/your/imagenet/tfrecord文件夹下
python katacv/utils/imagenet/check_tfrecord.py --path-origin-tfrecord path/your/imagenet --subfolder-name train # 检查train类别中tfrecord正确性
python katacv/utils/imagenet/check_tfrecord.py --path-origin-tfrecord path/your/imagenet --subfolder-name val # 检查val类别中tfrecord正确性
python katacv/utils/imagenet/build_dataset.py --path-dataset-tfrecord path/your/imagenet # 建立数据集，直接执行该文件会在训练集中随机采样5个训练图片，并现实其翻译后的标签名
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent