efficientdet pytorch

Eficiente Det (Pytorch)

Una implementación de Pytorch de eficiente DET.

Se basa en el

• Implementación oficial de TensorFlow de Mingxing Tan y el equipo de Google Brain
• Documento de Mingxing Tan, Ruoming Pang, Quoc V. LE EficeDet: detección de objetos escalable y eficiente

Hay otras implementaciones de Pytorch. O su enfoque no se ajustaba a mi objetivo de reproducir correctamente los modelos de flujo tensor (pero con una sensación de pytorch y flexibilidad) o no pueden acercarse a replicar el entrenamiento de Coco de MS desde cero.

Además de las configuraciones del modelo predeterminadas, hay mucha flexibilidad para facilitar los experimentos y mejoras rápidas aquí, algunas opciones basadas en el tensorflow oficial implementan, algunas propias:

• Las conexiones BIFPN y el modo de combinación son totalmente configurables y no se hornean en el código del modelo
• Los módulos BIFPN y la cabeza se pueden cambiar entre convoluciones de profundidad separables o estándar
• Activaciones, las capas de la norma por lotes se pueden cambiar a través de argumentos (pronto config)
• Cualquier colección de modelos timm que admita la extracción de características ( features_only arg) se puede usar como un bacbkone.

Actualizaciones

2023-05-21

• Depende de timm 0.9
• Correcciones de errores menores
• Versión 0.4.1 lanzamiento

2023-02-09

• Pruebas con Pytorch 2.0 (Nightlies), agregue el soporte de -TorchCompile para entrenar y validar los scripts
• Un pase de limpieza de código pequeño, soporte de compats BWD/FWD a través de TIMM 0.8.X y versiones anteriores
• Use la función timm Convert_Sync_BatchNorm mientras maneja modelos actualizados con capas BatchNormAct2D

2022-01-06

• Nuevo efficientnetv2_ds Peso 50.1 mapa @ 1024x0124, usando el recorte de AGC y la red troncal efficientnetv2_rw_s de timm . Uso de memoria Comparable a D3, velocidad más rápida que D4. Tamaño de lote de entrenamiento más pequeño que el óptimo, por lo que probablemente pueda hacerlo mejor ...

2021-11-30

• Actualice los pesos de efficientnetv2_dt a un nuevo conjunto, 46.1 mapa @ 768x768, 47.0 map @ 896x896 usando el recorte AGC.
• Agregue AGC (soporte de recorte de gradiente adaptativo a través de timm ). Idea de ( High-Performance Large-Scale Image Recognition Without Normalization -https://arxiv.org/abs/2102.06171)
• La versión mínima timm aumentó a 0.4.12

2021-11-16

• Agregue el experimento de la red troncal EficeFientN2 efficientnetv2_dt basado en el modelo efficientnetv2_rw_t timm Tiny). 45.8 mapa @ 768x768.
• TF actualizado TF EficeDet-Lite Model Defs Incluye pesos portados por Impl (https://github.com/google/automl)
• Para los modelos Lite, el código de cambio de tamaño de características actualizado en FPN se basará en el tamaño de la hazaña en lugar de las relaciones de reducción, necesarias para admitir el tamaño de la imagen que no es divisible por 128.
• Tweaks menores, correcciones de errores

2021-07-28

• Agregue el ejemplo de capacitación a ReadMe proporcionado por Chris Hughes para la capacitación con un conjunto de datos personalizados y código de capacitación de Lightning
  • Publicación de blog mediana
  • Cuaderno de Python

2021-04-30

• Agregue los pesos de advprop-aa eficientes para D0-D5 de tf impl. Nombres de modelos tf_efficientdet_d?_ap
  • Ver https://github.com/google/automl/blob/master/eficeMentDet/det-advprop.md

2021-02-18

• Agregue algunos pesos de modelo nuevo con interpolación bilineal para una muestra de upsconía y muestra en FPN.
  • Mapa 40.9 - efficientdet_q1 (reemplace el modelo anterior a 40.6)
  • 43.2 Mapa - cspresdet50
  • 45.2 Mapa - cspdarkdet53m

2020-12-07

• La capacitación con modelo completamente scripto de JIT + banco ( --torchscript ) es posible con la inclusión de ModelEMAV2 de timm y adiciones anteriores de compat de Torchscript. Grandes ganancias de velocidad para el entrenamiento con límite de CPU.
• Agregue pesos para diseños de FPN alternativos. Experimentos QuadFPN ( efficientdet_q0/q1/q2 ) y CSPresdext + PAN ( cspresdext50pan ). Vea la tabla actualizada a continuación. Un agradecimiento especial a Artus por proporcionar recursos para capacitar al modelo Q2.
• Las cabezas pueden tener una activación diferente de FPN a través de la configuración
• La reamitual de FPN (interpolación) se puede especificar a través de la configuración e incluir cualquier método de interpolación F. o max / avg Pool
• La pérdida focal predeterminada cambió de nuevo a new_focal , use --legacy-focal Arg para usar el original. Legacy usa menos memoria, pero tiene más problemas de estabilidad numérica.
• Transformación de aumento personalizada y recopilación FN se puede pasar a Loader Factory
• timm > = 0.3.2 Requerido, nota Doble Compruebe cualquier configuración del modelo definido personalizado para romper el cambio
• Pytorch> = 1.6 ahora requerido

2020-11-12

• Agregue las configuraciones experimentales de PAN y Quad FPN a la BIFPN EFIFITIVE DET existente con dos configuraciones de modelo de prueba
• Cambio de configuraciones del modelo experimental no capacitado para usar Torchscript Compat BN Head Diseño de forma predeterminada

2020-11-09

• Establezca la configuración del modelo en solo lectura después de la creación para reducir la probabilidad de mal uso
• No hay modelo de acceso o banco .Config att en la cadena de llamadas de avance () (para compat de torcscript)
• numerosos cambios más pequeños que permiten la secuencia de comandos JIT del modelo o el banco de predicción/tren

2020-10-30

Fusionó unos meses de soluciones y adiciones acumuladas.

• Init de modelo compatible adecuado de ajuste fino (con clases de # cambiantes e init adecuado, demostrado en trenes.py)
• Una nueva interfaz de conjunto de datos con soporte de conjunto de datos (a través de clases de analizador) para Coco, VOC 2007/2012 y OpenImages V5/Challenge2019
• Nueva pérdida focal def w/ suave de etiqueta disponible como opción, soporte para jit de pérdida FN para acelerar (potencial)
• Mejoró algunos puntos calientes que chillan un par de % de ganancias de rendimiento, mayor utilización de GPU
• Evaluadores de Pascal / OpenImages basados en el marco de evaluación de modelos TensorFlow (utilizables para otros conjuntos de datos también)
• Soporte para Pytorch nativo DDP, SYNCBN y AMP en Pytorch> = 1.6. Todavía es predeterminado a APEX si está instalado.
• Los tamaños de imagen de entrada no cuadrados están permitidos para el modelo (el diseño de anclaje). Especificado por imagen_size tuple en la configuración del modelo. Actualmente aún restringido al size % 128 = 0 en cada tenue.
• Permita que se realice la generación de objetivos de anclaje en el proceso de DataLoader 'a través de la recopilación o en el modelo como en el pasado. Puede ayudar a equilibrar el cálculo.
• Filtre el CLS/Box de destino no utilizado de las anotaciones del conjunto de datos en tensores de lotes de tamaño fijo antes de pasar al cesionador de destino. Parece acelerar la convergencia.
• Aumento de borrado aleatorio consciente de buzón agregado.
• Un SoftNMS (muy lento) implementando para uso de inferencia/validación. Se puede habilitar manualmente en este momento, puede agregar Arg si la demanda.
• Probado con Pytorch 1.7
• Agregue pesos del modelo RESDET50, mapa 41.6.

Algunas cosas en la lista de prioridades aún no he abordado:

• Aumento de mosaico
• Bbox iou pérdida (intenté un poco, pero hasta ahora no es un gran resultado, necesito tiempo para depurar/mejorar)

Tenga en cuenta que hay algunos cambios de ruptura:

• Los bancos de predicción y trenes ahora emiten cajas XYXY, no XYWH como antes. Esto se hizo para admitir otros conjuntos de datos, ya que XYWH es el requisito del evaluador de Coco.
• El evaluador de modelos TF opera en cajas YXYX como los modelos. La conversión de Xyxy se realiza actualmente de forma predeterminada. ¿Por qué no mantengo todo yxyx? Porque Pytorch GPU NMS opera en xyxy.
• Debe actualizar su versión de timm a lo último (> = 0.3), ya que algunas API para ayudantes cambiaron un poco.

Entrenamiento de controles de cordura se realizaron en VOC y OI

• 80.0 @ 50 Map Finetune en VOC0712 sin intento de sintonizar parámetros (aproximadamente según el comando a continuación)
• 18.0 MAP @ 50 para OI Challenge2019 Después de un par de días de entrenamiento (¡solo 6 épocas, eek!). Es mucho más grande, y toma un tiempo muy importante, muchas clases son bastante desafiantes.

Modelos

La tabla a continuación contiene modelos con pesos previos a la aparición. Hay muchos otros modelos que he definido en configuraciones de modelos que usan varios troncos timm .

Variante	Mapa (Val2017)	Mapa (Test-DeV2017)	Mapa (TF Oficial Val2017)	MAP (TF Oficial de prueba-DEV2017)	Parámetros (m)	Tamaño img
TF_EFFIENTDET_LITE0	27.1	TBD	26.4	N / A	3.24	320
TF_EFFIENTDET_LITE1	32.2	TBD	31.5	N / A	4.25	384
eficienteDet_D0	33.6	TBD	N / A	N / A	3.88	512
TF_EFFIENTDET_D0	34.2	TBD	34.3	34.6	3.88	512
TF_EFFIENTDET_D0_AP	34.8	TBD	35.2	35.3	3.88	512
eficienteDet_Q0	35.7	TBD	N / A	N / A	4.13	512
TF_EFFIENTDET_LITE2	35.9	TBD	35.1	N / A	5.25	448
eficienteDet_D1	39.4	39.5	N / A	N / A	6.62	640
TF_EFFIENTDET_LITE3	39.6	TBD	38.8	N / A	8.35	512
TF_EFFIENTDET_D1	40.1	TBD	40.2	40.5	6.63	640
TF_EFFIENTDET_D1_AP	40.8	TBD	40.9	40.8	6.63	640
eficienteDet_Q1	40.9	TBD	N / A	N / A	6.98	640
cspresdext50pan	41.2	TBD	N / A	N / A	22.2	640
resdet50	41.6	TBD	N / A	N / A	27.6	640
eficienteDet_Q2	43.1	TBD	N / A	N / A	8.81	768
cspresdet50	43.2	TBD	N / A	N / A	24.3	768
TF_EFFIENTDET_D2	43.4	TBD	42.5	43	8.10	768
TF_EFFIENTDET_LITE3X	43.6	TBD	42.6	N / A	9.28	640
TF_EFFIENTDET_LITE4	44.2	TBD	43.2	N / A	15.1	640
TF_EFFIENTDET_D2_AP	44.2	TBD	44.3	44.3	8.10	768
CSPDARKDET53M	45.2	TBD	N / A	N / A	35.6	768
eficienteDetv2_DT	46.1	TBD	N / A	N / A	13.4	768
TF_EFFIENTDET_D3	47.1	TBD	47.2	47.5	12.0	896
TF_EFFIENTDET_D3_AP	47.7	TBD	48.0	47.7	12.0	896
TF_EFFIENTDET_D4	49.2	TBD	49.3	49.7	20.7	1024
eficienteDetv2_DS	50.1	TBD	N / A	N / A	26.6	1024
TF_EFFIENTDET_D4_AP	50.2	TBD	50.4	50.4	20.7	1024
TF_EFFIENTDET_D5	51.2	TBD	51.2	51.5	33.7	1280
TF_EFFIENTDET_D6	52.0	TBD	52.1	52.6	51.9	1280
TF_EFFIENTDET_D5_AP	52.1	TBD	52.2	52.5	33.7	1280
TF_EFFIENTDET_D7	53.1	53.4	53.4	53.7	51.9	1536
TF_EFFIENTDET_D7X	54.3	TBD	54.4	55.1	77.1	1536

Consulte Configuraciones del modelo para las URL y diferencias del punto de control modelo.

Nota: puntajes oficiales para todos los módulos que ahora usan Soft-NMS, pero aún usan NM normales aquí.

Nota: En el entrenamiento de algunos modelos experimentales, he notado algunos problemas potenciales con la combinación de lotes sincronizados ( --sync-bn ) y Everage de peso EMA modelo ( --model-ema ) durante el entrenamiento distribuido. El resultado es un modelo que no converge o parece converger (pérdida de entrenamiento), pero la pérdida de evaluación (ejecutar estadísticas de BN) es basura. No he observado esto con Nets EfficeLet, pero tengo algunas redes troncales como CSPresnext, Vovnet, etc. Deshabilitar EMA o Sync Bn parece eliminar el problema y dar como resultado buenos modelos. No he caracterizado completamente este problema.

Configuración del medio ambiente

Probado en un entorno de condena de Python 3.7 - 3.9 en Linux con:

• Pytorch 1.6 - 1.10
• Modelos de imagen de Pytorch (TIMM)> = 0.4.12, pip install timm o instalación local desde (https://github.com/rwightman/pytorch-image-models)
• Apex Amp Master (a partir de 2020-08). Recomiendo usar AMP Pytorch nativo y DDP ahora.

Nota : hay un conflicto/error con Numpy 1.18+ y Pycocotools 2.0, Force Instalar Numpy <= 1.17.5 o asegúrese de instalar Pycocotools> = 2.0.2

Configuración y uso del conjunto de datos

PALMA DE COCO

Datos de validación de MSCOCO 2017:

 wget http://images.cocodataset.org/zips/val2017.zip
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
unzip val2017.zip
unzip annotations_trainval2017.zip

Datos de prueba de prueba de MSCOCO 2017:

 wget http://images.cocodataset.org/zips/test2017.zip
unzip -q test2017.zip
wget http://images.cocodataset.org/annotations/image_info_test2017.zip
unzip image_info_test2017.zip

Evaluación de coco

Validación Ejecutar (Val2017 por defecto) con el modelo D2: python validate.py /localtion/of/mscoco/ --model tf_efficientdet_d2

Ejecutar Test-Dev2017: python validate.py /localtion/of/mscoco/ --model tf_efficientdet_d2 --split testdev

Entrenamiento de coco

./distributed_train.sh 4 /mscoco --model tf_efficientdet_d0 -b 16 --amp --lr .09 --warmup-epochs 5 --sync-bn --opt fusedmomentum --model-ema

NOTA:

• El script de capacitación actualmente es predeterminado a un modelo que no tiene capas de sesgo de Conv + BN redundantes como los modelos oficiales, configure el indicador correcto al validar.
• Solo he entrenado con la media IMG ( --fill-color mean ) como fondo para el relleno de cultivo/escala/aspecto, el repositorio oficial usa píxel negro (0) ( --fill-color 0 ). Es probable que ambos funcionen bien.
• El código oficial de entrenamiento utiliza el promedio de peso de EMA por defecto, no está claro que haya un punto en hacerlo con el horario de Cosine LR, encuentro que los pesos que no son EMA terminan mejor que EMA en los últimos 10-20% de las épocas de entrenamiento
• El H-Params predeterminado es muy cercano al inestable (pérdida de explosión), no intente usar el momento de Nesterov. Intente mantener el tamaño del lote en alto, use Sync-BN.

VOCO PASCAL

2007, 2012, y se admiten 2007 + 2012 con la prueba de validación de 2007 etiquetada.

 wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
find . -name '*.tar' -exec tar xf {} ;

Debe haber una carpeta VOC2007 y VOC2012 dentro de VOCdevkit , la raíz del conjunto de datos para la línea CMD será VOVDEVKIT.

Enlaces de descarga alternativa, más lento pero más a menudo que ox.ac.uk:

 http://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
http://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
http://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar

Evaluación de VOC

Evaluar en el conjunto de validación VOC2012: python validate.py /data/VOCdevkit --model efficientdet_d0 --num-gpu 2 --dataset voc2007 --checkpoint mychekpoint.pth --num-classes 20

Entrenamiento de VOC

Fine Tune Coco Pretraned Peso a VOC 2007 + 2012: /distributed_train.sh 4 /data/VOCdevkit --model efficientdet_d0 --dataset voc0712 -b 16 --amp --lr .008 --sync-bn --opt fusedmomentum --warmup-epochs 3 --model-ema --model-ema-decay 0.9966 --epochs 150 --num-classes 20 --pretrained

OpenImages

Configurar el conjunto de datos de OpenImages es un compromiso. He tratado de hacer que sea un poco más fácil de las anotaciones, pero agarrar el conjunto de datos aún tomará algún tiempo. Tomará aproximadamente 560 GB de espacio de almacenamiento.

Para descargar los datos de la imagen, prefiero el embalaje CVDF. La página principal del conjunto de datos de OpenImages, las anotaciones, la información de la licencia del conjunto de datos se puede encontrar en: https://storage.googleapis.com/openimages/web/index.html

Descargar imágenes de CVDF

Siga las instrucciones de descarga S3 aquí: https://github.com/cvdfoundation/open-images-dataset#download-images-with-bounding-boxes-annotations

Cada train_<x>.tar.gz debe extraerse para train/<x> carpeta, donde x es un dígito hexadecimal de 0-F. validation.tar.gz se puede extraer como archivos planos en validation/ .

Descarga de anotaciones

Las anotaciones se pueden descargar por separado de la página de inicio de OpenImages arriba. Por conveniencia, los he empaquetado a todos junto con algunos archivos CSV adicionales de 'Info' que contienen ID y estadísticas para todos los archivos de imagen. Mis conjuntos de datos se basan en los archivos <set>-info.csv . Consulte https://storage.googleapis.com/openimages/web/factsfigures.html para obtener la licencia de estas anotaciones. Las anotaciones son licenciadas por Google LLC bajo la licencia CC por 4.0. Las imágenes se enumeran como una licencia CC por 2.0.

 wget https://github.com/rwightman/efficientdet-pytorch/releases/download/v0.1-anno/openimages-annotations.tar.bz2
wget https://github.com/rwightman/efficientdet-pytorch/releases/download/v0.1-anno/openimages-annotations-challenge-2019.tar.bz2
find . -name '*.tar.bz2' -exec tar xf {} ;

Disposición

Una vez que todo se descarga y se extrae, la raíz de su carpeta de datos de OpenImages debe contener:

 annotations/<csv anno for openimages v5/v6>
annotations/challenge-2019/<csv anno for challenge2019>
train/0/<all the image files starting with '0'>
.
.
.
train/f/<all the image files starting with 'f'>
validation/<all the image files in same folder>

Entrenamiento de OpenImages

Capacitación con Annotaciones Challenge2019 (500 clases): ./distributed_train.sh 4 /data/openimages --model efficientdet_d0 --dataset openimages-challenge2019 -b 7 --amp --lr .042 --sync-bn --opt fusedmomentum --warmup-epochs 1 --lr-noise 0.4 0.9 --model-ema --model-ema-decay 0.999966 --epochs 100 --remode pixel --reprob 0.15 --recount 4 --num-classes 500 --val-skip 2

La clase 500 (Challenge2019) o 601 (V5/V6) cabezal para OI ocupa mucha más memoria GPU vs Coco. Es probable que necesite a medias lotes.

Ejemplos de capacitación / ajuste fino en conjuntos de datos personalizados

Los modelos aquí se han utilizado con rutinas de entrenamiento y conjuntos de datos personalizados con excelentes resultados. Hay muchos detalles que resolver, así que por favor no presente ningún 'obtengo resultados de basura en mis problemas de conjunto de datos personalizados'. Si puede ilustrar un problema reproducible en un conjunto de datos público, no propietario y descargable, con la bifurcación pública de GitHub de este repositorio que incluye implementaciones de conjunto de datos/analgésicos de trabajo, es posible que tenga tiempo para echar un vistazo.

Ejemplos:

• Chris Hughes ha reunido un gran ejemplo de entrenamiento con backbones de timm EficeTnetV2 y las últimas versiones de los modelos de EficeTientDet aquí
  • Publicación de blog mediana
  • Cuaderno de Python
• Alex Shonenkov tiene un núcleo de Kaggle claro y conciso que ilustra estos modelos para detectar cabezas de trigo: https://www.kaggle.com/shonenkov/Training-EfficientDet (nota: Esto está desactualizado a las últimas versiones aquí, muchos detalles han cambiado))

Si tiene un buen ejemplo de script o núcleo de entrenamiento de estos modelos con un conjunto de datos diferente, no dude en notificarme para su inclusión aquí ...

Resultados

Mi entrenamiento

Eficiente DET-D0

Último entrenamiento se ejecuta con .336 para D0 (en 4x 1080ti): ./distributed_train.sh 4 /mscoco --model efficientdet_d0 -b 22 --amp --lr .12 --sync-bn --opt fusedmomentum --warmup-epochs 5 --lr-noise 0.4 0.9 --model-ema --model-ema-decay 0.9999

Estos Hparams anteriores dieron como resultado un buen modelo, algunos puntos:

• El mapa alcanzó su punto máximo muy temprano (época 200 de 300) y luego parecía sobre adaptarse, por lo que probablemente todavía margen para mejorar
• Habilité mi ruido LR experimental que tiende a funcionar bien con EMA habilitado
• El LR efectivo es un poco más alto que el oficial. El funcionario es .08 para el lote 64, esto funciona a .0872
• tasa de drop_path (también conocida como Survival_Prob / Drop_Connect) de 0.1, que es más alta que la sugerida 0.0 para D0 en oficial, pero más baja que el 0.2 para los otros modelos
• Período EMA más largo que el valor predeterminado

Val2017

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.336251
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.521584
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.356439
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.123988
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.395033
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.521695
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.287121
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.441450
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.467914
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.197697
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.552515
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.689297

Eficiente DET-D1

Última ejecución con .394 mapa (en 4x 1080ti): ./distributed_train.sh 4 /mscoco --model efficientdet_d1 -b 10 --amp --lr .06 --sync-bn --opt fusedmomentum --warmup-epochs 5 --lr-noise 0.4 0.9 --model-ema --model-ema-decay 0.99995

Para esta ejecución, utilicé algunos aumentos mejorados, todavía experimentando, por lo que no está listo para su lanzamiento, debería funcionar bien sin ellos, pero probablemente comenzaré a sobrecargarse un poco antes y posiblemente termine en el rango .385-.39.

Pesas de flujo de tensor portada

Prueba-DEV2017

Nota: Solo he intentado enviar D7 al servidor de desarrollo para verificar la cordura hasta ahora

Tf-eficiente DET-D7

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.534
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.726
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.577
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.356
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.569
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.660
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.397
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.644
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.682
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.508
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.718
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.818

Val2017

Tf-eficienteDet-d0

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.341877
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.525112
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.360218
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.131366
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.399686
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.537368
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.293137
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.447829
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.472954
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.195282
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.558127
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.695312

TF-EFEFENTEDET-D1

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.401070
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.590625
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.422998
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.211116
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.459650
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.577114
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.326565
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.507095
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.537278
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.308963
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.610450
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.731814

Tf-eficienteDet-D2

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.434042
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.627834
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.463488
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.237414
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.486118
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.606151
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.343016
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.538328
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.571489
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.350301
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.638884
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.746671

Tf eficienteDet-D3

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.471223
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.661550
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.505127
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.301385
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.518339
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.626571
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.365186
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.582691
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.617252
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.424689
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.670761
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.779611

TF-EFEFENTEDET-D4

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.491759
Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.686005
Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.527791
Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.325658
Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.536508
Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.635309
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.373752
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.601733
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.638343
Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.463057
Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.685103
Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.789180

Tf-eficiente DET-D5

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.511767
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.704835
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.552920
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.355680
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.551341
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.650184
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.384516
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.619196
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.657445
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.499319
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.695617
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.788889

TF-EFEFENTEDET-D6

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.520200
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.713204
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.560973
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.361596
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.567414
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.657173
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.387733
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.629269
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.667495
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.499002
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.711909
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.802336

Tf-eficiente DET-D7

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.531256
Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.724700
Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.571787
Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.368872
Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.573938
Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.668253
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.393620
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.637601
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.676987
Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.524850
Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.717553
Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.806352

Tf-eficienteDet-D7x

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.543
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.737
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.585
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.401
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.579
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.680
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.398
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.649
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.689
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.550
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.725
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.823

HACER

• Reimplementación de entrenamiento básico (detección de objetos)
• Aumento de mosaico
• Rand/AutoAugment
• Bbox IOU PEDRA (Giou, Diou, Ciou, etc.)
• Experimentos de entrenamiento (segmentación semántica)
• Integración con bases de código detectron2 / mmdetection
• Adición y limpieza de modelos de segmentación U-Net y DeepLab basados en EficeTnet que he usado en proyectos anteriores
• Adición y limpieza de OpenImages DataSet/Soporte de capacitación de un proyecto pasado
• Exploración de posibilidades de segmentación ...

Si usted es una organización está interesada en patrocinar y cualquiera de este trabajo, o la priorización de las posibles instrucciones futuras le interesa, no dude en contactarme (Problema, LinkedIn, Twitter, Hola en Rwightman Dot Com). Configuraré un patrocinador de GitHub si hay algún interés.