补天云视觉实践 C 系列 — 网络算法实践
30 个卷积神经网络架构 · 概念 + 原理 + 实现源码 + 运行效果
C 系列包含 30 个卷积神经网络架构的网络算法实践，每个网络配套"概念 + 原理 + 实现源码 + 运行效果"。 所有源码为独立重新实现（非原作者实现），便于学习者理解网络结构、训练流程与推理实现。 包含图像分类算法 20 个与目标检测算法 10 个，覆盖经典与现代主流网络结构。
30 个网络算法完整清单
C 系列全部 30 个网络算法明细如下，包含图像分类算法 20 个与目标检测算法 10 个，每个算法均配套"概念 + 原理 + 实现源码 + 运行效果"：
| 编号 | 实践类型 | 算法名称 |
|---|---|---|
| 1 | 图像分类算法 | 图像分类算法Xception |
| 2 | 图像分类算法 | 图像分类算法Vision_Transformer |
| 3 | 图像分类算法 | 图像分类算法VGGNet |
| 4 | 图像分类算法 | 图像分类算法Swin_Transformer |
| 5 | 图像分类算法 | 图像分类算法SENet |
| 6 | 图像分类算法 | 图像分类算法ResNeXt |
| 7 | 图像分类算法 | 图像分类算法ResNet |
| 8 | 图像分类算法 | 图像分类算法RegNet |
| 9 | 图像分类算法 | 图像分类算法MobileNetV3 |
| 10 | 图像分类算法 | 图像分类算法MobileNetV2 |
| 11 | 图像分类算法 | 图像分类算法MobileNetV1 |
| 12 | 图像分类算法 | 图像分类算法Inception-ResNet |
| 13 | 图像分类算法 | 图像分类算法GoogLeNet |
| 14 | 图像分类算法 | 图像分类算法EfficientNetV2 |
| 15 | 图像分类算法 | 图像分类算法EfficientNet |
| 16 | 图像分类算法 | 图像分类算法DenseNet |
| 17 | 图像分类算法 | 图像分类算法DeiT_Transformer |
| 18 | 图像分类算法 | 图像分类算法ConvNeXt |
| 19 | 图像分类算法 | 图像分类算法CNN |
| 20 | 图像分类算法 | 图像分类算法AlexNet |
| 21 | 目标检测算法 | 目标检测算法SSD |
| 22 | 目标检测算法 | 目标检测算法RT_DETR |
| 23 | 目标检测算法 | 目标检测算法RetinaNet |
| 24 | 目标检测算法 | 目标检测算法PANet |
| 25 | 目标检测算法 | 目标检测算法GFL |
| 26 | 目标检测算法 | 目标检测算法FCOS |
| 27 | 目标检测算法 | 目标检测算法Faster_R-CNN |
| 28 | 目标检测算法 | 目标检测算法Fast_R-CNN |
| 29 | 目标检测算法 | 目标检测算法EfficientDet |
| 30 | 目标检测算法 | 目标检测算法CenterNet |
C 系列特点
- 30 个主流网络架构：覆盖图像分类与目标检测两大方向的经典与现代网络。
- 独立重新实现：非原作者原始实现，便于按统一风格学习与对比。
- 概念 + 原理 + 源码 + 效果：四要素完整呈现。
- CPU 可运行：可使用 CPU 完成训练与推理演示，不强制要求 GPU。