efficientdet pytorchダウンロードefficientdet pytorchソースコードのダウンロード

EfficientDet（pytorch）

EfficientDetのPytorch実装。

に基づいています

TanとGoogle BrainチームをMingxingによる公式のTensorflowの実装
Tan、Ruoming Pang、Quoc V. Le EfficientDet：スケーラブルで効率的なオブジェクト検出による論文

他のPytorchの実装があります。彼らのアプローチは、Tensorflowモデルを正しく再現するという私の目的に適合しませんでした（ただし、Pytorchの感触と柔軟性を備えています）か、MS Cocoトレーニングをゼロから複製することに近づくことはできません。

デフォルトのモデル構成とは別に、ここでの実験と迅速な改善を促進する柔軟性が多くあります。公式のTensorflow Impl、私自身のものに基づくいくつかのオプション：

BIFPN接続とコンビネーションモードは完全に構成可能であり、モデルコードに焼き付けられていません
bifpnとヘッドモジュールは、深さに分離可能な畳み込みまたは標準の畳み込みを切り替えることができます
アクティベーション、バッチノルム層は引数を介して切り替え可能です（SOON CONFIG）
機能抽出（ features_only arg）をサポートする私のtimmモデルコレクションのバックボーンは、bacbkoneとして使用できます。

更新

2023-05-21

timm 0.9に依存します
マイナーバグ修正
バージョン0.4.1リリース

2023-02-09

Pytorch 2.0（Nightlies）でのテスト、追加 - トーチコンピールサポートを追加してスクリプトをトレーニングおよび検証する
小さなコードのクリーンアップパス、TIMM 0.8.xおよび以前のリリースを介したBWD/FWDコンペットをサポート
batchnormact2dレイヤー付きの更新モデルを処理するため、 timm convert_sync_batchnorm関数を使用

2022-01-06

新しいefficientnetv2_ds Weights 50.1 Map @ 1024x0124、AGCクリッピングとtimmのefficientnetv2_rw_sバックボーンを使用しています。メモリ使用は、D3に匹敵する使用可能で、d4よりも速く速度があります。最適なトレーニングバッチサイズよりも小さいので、おそらくより良いことができます...

2021-11-30

AGCクリッピングを使用して、 efficientnetv2_dtの新しいセット、46.1マップ @ 768x768、47.0マップ @ 896x896に更新します。
AGCを追加します（ timmを介して適応勾配クリッピングサポート）。（ High-Performance Large-Scale Image Recognition Without Normalization -https：//arxiv.org/abs/2102.06171）からのアイデア）
timm最小バージョンは0.4.12まで上昇しました

2021-11-16

EfficientNetv2バックボーン実験を追加すると、 timmのefficientnetv2_rw_t （tiny）モデルに基づいてefficientnetv2_dtします。 45.8マップ @ 768x768。
更新されたTF EfficientDet-Liteモデルは、公式empl（https://github.com/google/automlから移植された傾向重量を定義します。
Liteモデルの場合、FPNでコードを変更する機能を更新し、削減比の代わりにfeatサイズに基づくように、128で割り切れない画像サイズをサポートするために必要です。
マイナーな調整、バグ修正

2021-07-28

Chris Hughesが提供するReadMeにトレーニングの例を追加して、カスタムデータセットと稲妻トレーニングコードをトレーニングする
- 中程度のブログ投稿
- Pythonノートブック

2021-04-30

TFからD0-D5のEfficientDet AdvProp-AA重みを追加します。モデル名tf_efficientdet_d?_ap
- https://github.com/google/automl/blob/master/efficientdet/det-advprop.mdを参照してください

2021-02-18

FPNのアップサンプルとダウンサンプルのために、双線形補間でいくつかの新しいモデルの重みを追加します。
- 40.9マップefficientdet_q1 （40.6で前のモデルを置き換える）
- 43.2マップcspresdet50
- 45.2マップcspdarkdet53m

2020-12-07

完全にJITスクリプトモデル +ベンチ（ --torchscript ）のトレーニングは、 timmおよび以前のTorchscriptコンパートの追加からModelEmav2を含めることで可能です。 CPUバウンドトレーニングの大きな速度の向上。
代替FPNレイアウトにウェイトを追加します。 quadfpn実験（ efficientdet_q0/q1/q2 ）およびcspresdext + pan（ cspresdext50pan ）。以下の更新された表を参照してください。 Q2モデルをトレーニングするためのリソースを提供してくれたArtusに感謝します。
ヘッドはconfigを介してFPNとは異なるアクティベーションを得ることができます
FPNリセンプル（補間）は、構成を介して指定でき、F.NETRECOLATION MESSORION MESSまたはmax / avgプールを含めることができます
デフォルト--legacy-focal焦点損失は、 new_focalに戻りました。レガシーではメモリが少なくなりますが、より多くの数値の安定性の問題があります。
カスタム増強変換と照合FNはローダーファクトリーに渡すことができます
timm > = 0.3.2が必要です。
Pytorch> = 1.6が必要になりました

2020-11-12

2つのテストモデル構成を備えた既存のEfficientDet bifpnに実験用パンとクアッドFPN構成を追加する
訓練されていない実験モデル構成を切り替えて、デフォルトでtorchscriptコンパートBNヘッドレイアウトを使用する

2020-11-09

作成後に読み取り専用にモデル構成を設定して、誤用の可能性を減らす
アクセスモデルまたはベンチ.config attr in forward（）callチェーン（torcscript compat用）
モデルのJITスクリプトまたはトレーニング/予測ベンチを可能にする多数の小さな変更

2020-10-30

数ヶ月の蓄積された修正と追加をマージしました。

適切な微調整互換モデルinit（チェンジ可能＃クラスと適切なinit、train.pyでデモされた適切なinit）
COCO、VOC 2007/2012、およびOpenImages V5/Challenge2019のデータセットサポート（パーサークラス経由）を備えた新しいデータセットインターフェイス
オプションとして利用可能なラベルスムージング、（潜在的な）スピードアップの損失FNのサポートW/ラベルスムージングW/ラベルスムージング
スループットの増加の数％、より高いGPU利用を排出するいくつかのホットスポットを改善しました
Tensorflow Models Evaluator Frameworkに基づくPascal / OpenImages評価者（他のデータセットでも使用可能）
Pytorch> = 1.6のネイティブPytorch DDP、Syncbn、およびAMPのサポート。インストールされている場合、デフォルトは頂点にデフォルトです。
モデル（アンカーレイアウト）には、非二乗入力画像サイズが許可されています。 Model ConfigのImage_Size Tupleによって指定。現在、各DIMでsize % 128 = 0に制限されています。
アンカーターゲットの生成を、照合またはモデルを介して、過去と同様にモデルを介して、アンカーターゲットの生成を行うことを許可します。計算のバランスをとることができます。
ターゲット割り当て者に渡す前に、固定サイズのバッチテンソルのデータセットアノテーションから未使用のターゲットCLS/ボックスを除外します。収束を速めるようです。
レターボックス認識ランダム消去の増強が追加されました。
推論/検証の使用のために追加された（非常に遅い）softnms empl。現在、手動で有効にすることができ、需要の場合はARGを追加できます。
Pytorch 1.7でテストしました
RESDET50モデルの重み、41.6マップを追加します。

私がまだ取り組んでいない優先リストのいくつかのこと：

モザイク増強
BBOX IOUの損失（少し試しましたが、これまでのところ素晴らしい結果ではなく、デバッグ/改善に時間が必要です）

いくつかの壊れた変更があることに注意してください：

ベンチを予測して訓練するようになりました。これは、以前のようにXYWHではなくXYXYボックスを出力します。これは、XYWHがCoCoの評価者要件であるため、他のデータセットをサポートするために行われました。
TFモデルの評価者は、モデルのようなYxyxボックスで動作します。 Xyxyからの変換は現在、デフォルトで実行されています。すべてをyxyxに保つのはなぜですか？ Pytorch gpu NMはxyxyで動作するためです。
ヘルパーの一部のAPIが少し変更されたため、 timmのバージョンを最新（> = 0.3）に更新する必要があります。

トレーニングサニティチェックは、VOCとOIで行われました

80.0 @ 50 voc0712のMap Finetuneパラメーションを調整しようとすることはありません（以下のコマンドに従っておおよそ）
18.0 Map @ 50 for OI Challenge2019数日間のトレーニングの後（6つの時代、EEKのみ！）。それははるかに大きく、時間がかかります。多くのクラスは非常に挑戦的です。

モデル

以下の表には、前提条件の重みを持つモデルが含まれています。さまざまなtimmバックボーンを使用するモデル構成で定義した他のモデルはかなり多くあります。

変異体	マップ（VAL2017）	マップ（test-dev2017）	マップ（TF公式VAL2017）	マップ（TF公式Test-DEV2017）	パラメーション（m）	IMGサイズ
TF_EFFICIENTDET_LITE0	27.1	TBD	26.4	n/a	3.24	320
TF_EFFICIENTDET_LITE1	32.2	TBD	31.5	n/a	4.25	384
EfficientDet_d0	33.6	TBD	n/a	n/a	3.88	512
TF_EFFICIENTDET_D0	34.2	TBD	34.3	34.6	3.88	512
TF_EFFICIENTDET_D0_AP	34.8	TBD	35.2	35.3	3.88	512
EfficientDet_Q0	35.7	TBD	n/a	n/a	4.13	512
TF_EFFICIENTDET_LITE2	35.9	TBD	35.1	n/a	5.25	448
EfficientDet_d1	39.4	39.5	n/a	n/a	6.62	640
TF_EFFICIENTDET_LITE3	39.6	TBD	38.8	n/a	8.35	512
TF_EFFICIENTDET_D1	40.1	TBD	40.2	40.5	6.63	640
TF_EFFICIENTDET_D1_AP	40.8	TBD	40.9	40.8	6.63	640
EfficientDet_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
EfficientDet_Q2	43.1	TBD	n/a	n/a	8.81	768
CSPRESDET50	43.2	TBD	n/a	n/a	24.3	768
TF_EFFICIENTDET_D2	43.4	TBD	42.5	43	8.10	768
TF_EFFICIENTDET_LITE3X	43.6	TBD	42.6	n/a	9.28	640
TF_EFFICIENTDET_LITE4	44.2	TBD	43.2	n/a	15.1	640
TF_EFFICIENTDET_D2_AP	44.2	TBD	44.3	44.3	8.10	768
CSPDARKDET53M	45.2	TBD	n/a	n/a	35.6	768
EfficientDetv2_dt	46.1	TBD	n/a	n/a	13.4	768
TF_EFFICIENTDET_D3	47.1	TBD	47.2	47.5	12.0	896
TF_EFFICIENTDET_D3_AP	47.7	TBD	48.0	47.7	12.0	896
TF_EFFICIENTDET_D4	49.2	TBD	49.3	49.7	20.7	1024
EfficientDetv2_ds	50.1	TBD	n/a	n/a	26.6	1024
TF_EFFICIENTDET_D4_AP	50.2	TBD	50.4	50.4	20.7	1024
TF_EFFICIENTDET_D5	51.2	TBD	51.2	51.5	33.7	1280
TF_EFFICIENTDET_D6	52.0	TBD	52.1	52.6	51.9	1280
TF_EFFICIENTDET_D5_AP	52.1	TBD	52.2	52.5	33.7	1280
TF_EFFICIENTDET_D7	53.1	53.4	53.4	53.7	51.9	1536
TF_EFFICIENTDET_D7X	54.3	TBD	54.4	55.1	77.1	1536

モデルチェックポイントURLと違いについては、モデル構成を参照してください。

注：ソフトNMを使用しているが、ここでは通常のNMを使用しているすべてのモジュールの公式スコア。

注：いくつかの実験モデルのトレーニングでは、分散トレーニング中に同期されたBatchNorm（ --sync-bn ）とModel EMA Everasing（ --model-ema ）の組み合わせに関するいくつかの潜在的な問題に気付きました。結果は、収束に失敗するモデル、または収束する（トレーニング損失）のように見えるが、評価損失（BN STATの実行）はゴミです。私はこれを効率的なネットでは観察していませんが、cspresnext、vovnetなどのバックボーンを使用しています。EMAまたは同期BNのいずれかを無効にすると、問題がなくなり、良いモデルが生じるようです。私はこの問題を完全に特徴づけていません。

環境のセットアップ

LinuxのPython 3.7-3.9 Conda環境でテスト

Pytorch 1.6-1.10
Pytorch Image Models（TIMM）> = 0.4.12、 pip install timmまたはローカルインストール（https://github.com/rwightman/pytorch-image-models）
Apex Amp Master（2020-08の時点）。 Native Pytorch AmpとDDPを今すぐ使用することをお勧めします。

注- numpy 1.18+およびpycocotools 2.0との競合/バグがあります。

データセットのセットアップと使用

ココ

MSCOCO 2017検証データ：

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

MSCOCO 2017 Test-DEVデータ：

 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

ココ評価

D2モデルを使用して検証（デフォルトでVAL2017）を実行する： python validate.py /localtion/of/mscoco/ --model tf_efficientdet_d2

test-dev2017を実行： python validate.py /localtion/of/mscoco/ --model tf_efficientdet_d2 --split testdev

ココトレーニング

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

注記：

トレーニングスクリプトは現在、公式モデルのような冗長なCONV + BNバイアスレイヤーを持たないモデルにデフォルトで、検証時に正しいフラグを設定します。
私は、作物/スケール/アスペクトフィルの背景としてIMG平均（ --fill-color mean ）でのみトレーニングしただけで、公式リポジトリはブラックピクセル（0）（ --fill-color 0 ）を使用しています。どちらも正常に動作する可能性があります。
公式トレーニングコードはデフォルトで平均化されているEMA重量を使用していますが、Cosine LRスケジュールでこれを行うことにはポイントがあることは明らかではありません。非EMAの重量は、トレーニングエポックの最後の10〜20％でEMAよりも優れていることがわかります。
デフォルトのHパラムは、不安定な（爆発的な損失）に非常に近いため、Nesterov Momentumを使用しようとしないでください。バッチサイズを上げて、Sync-BNを使用してください。

パスカル・ヴォック

2007、2012、および2007年 + 2012を組み合わせて、検証のための2007年のテストとラベル付けされています。

 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 {} ;

VOCdevkit内にVOC2007とVOC2012フォルダーがあるはずです。CMDラインのデータセットルートはVocdevkitになります。

代替のダウンロードリンク、ox.ac.ukよりも遅いですが、頻繁に上昇します：

 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

VOC評価

VOC2012検証セットで評価： python validate.py /data/VOCdevkit --model efficientdet_d0 --num-gpu 2 --dataset voc2007 --checkpoint mychekpoint.pth --num-classes 20

VOCトレーニング

微調整ココ事前処理されたウェイトから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

OpenImagesデータセットのセットアップはコミットメントです。注釈に対して少し簡単にWRTにしようとしましたが、データセットをつかむにはまだ時間がかかります。約560GBのストレージスペースが必要です。

画像データをダウンロードするには、CVDFパッケージを好みます。メインのOpenImagesデータセットページ、注釈、データセットライセンス情報は、https：//storage.googleapis.com/openimages/web/index.htmlにあります。

CVDF画像のダウンロード

S3のダウンロードの方向をフォローしてください：https：//github.com/cvdfoundation/open-images-dataset#download-images-with-bounding-boxes-annotations

各train_<x>.tar.gz 、 train/<x>ために抽出する必要があります。ここで、xは0-Fから16進数桁です。 validation.tar.gz 、フラットファイルとしてvalidation/に抽出できます。

注釈ダウンロード

注釈は、上記のOpenImagesホームページからは別にダウンロードできます。便利なため、すべての画像ファイルのIDと統計を含む追加の「情報」CSVファイルと一緒にすべてパッケージ化しました。私のデータセットは、 <set>-info.csvファイルに依存しています。これらのアノテーションのライセンスについては、https：//storage.googleapis.com/openimages/web/factsfigures.htmlを参照してください。注釈は、4.0ライセンスでCCに基づいてGoogle LLCによってライセンスされています。画像は、2.0ライセンスでCCを持っているとリストされています。

 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 {} ;

レイアウト

すべてがダウンロードされ、OpenImagesデータフォルダーのルートを抽出したら、以下を含める必要があります。

 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>

OpenImagesトレーニング

Challenge2019 Annotations（500クラス）によるトレーニング： ./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

OIの500（Challenge2019）または601（V5/V6）クラスヘッドは、より多くのGPUメモリ対COCOを占有します。おそらく、バッチサイズの半分が必要です。

カスタムデータセットでのトレーニング /微調整の例

ここのモデルは、カスタムトレーニングルーチンとデータセットで使用されています。把握する詳細がたくさんあるので、「カスタムデータセットの問題についてがらくたの結果が得られます」を提出しないでください。作業データセット/パーサーの実装を含む、このレポの公開githubフォークを使用して、公開されていない非専用のダウンロード可能なデータセットで再現可能な問題を説明できる場合は、見てみる時間があるかもしれません。

例：

Chris Hughesは、 timm EfficientNetv2バックボーンを使用したトレーニングの優れた例をまとめました。
- 中程度のブログ投稿
- Pythonノートブック
Alex Shonenkovには、小麦のヘッドを検出するためのこれらのモデルの微調整を示す明確で簡潔なKaggleカーネルがあります：https：//www.kaggle.com/shonenkov/training-efficientdet（注：これは最新バージョンから最新のバージョンから最新のバージョンに変更されています。

スクリプトやカーネルの良い例がある場合は、これらのモデルを別のデータセットでトレーニングしている場合は、お気軽にお問い合わせください。

結果

私のトレーニング

EfficientDet-D0

D0（4x 1080tiで）で.336で最新のトレーニングを実行します： ./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

上記のこれらのhparamsは、良いモデル、いくつかのポイントをもたらしました。

マップは非常に早くピークに達し（300のエポック200）、それから過剰にフィットしたように見えたので、まだ改善の余地がある可能性が高い
EMAが有効になるとうまく機能する傾向がある実験的なLRノイズを有効にしました
効果的なLRは公式よりも少し高くなっています。バッチ64のオフィシャルは.08で、これは.0872になります
drop_path（別名Survival_prob / drop_connect）0.1のレート。公式のD0で推奨される0.0よりも高いが、他のモデルでは0.2よりも低い
デフォルトよりも長いEMA期間

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

EfficientDet-D1

.394マップ（4x 1080ti）での最新の実行： ./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

この実行では、いくつかの改善された増強を使用しましたが、まだリリースの準備ができていないため、いくつかの改善された拡張を使用しましたが、それらなしでうまく機能するはずですが、少し早く過度に刻み始め、.385-.39の範囲で最終的にAになる可能性があります。

移植されたTensorflowウェイト

Test-dev2017

注：これまでのところ、SANITY SERVERにD7をDEVサーバーに送信してDEVサーバーに送信してみました

TF-EFFICIENTDET-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-EFFICIENTDET-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-EFFICIENTDET-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-EFFICIENTDET-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 EfficientDet-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-EFFICIENTDET-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-EFFICIENTDET-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-EFFICIENTDET-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-EFFICIENTDET-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-EFFICIENTDET-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

トト

基本的なトレーニング（オブジェクト検出）再実装
モザイク増強
RAND/AUTOAUGMENT
bbox iou損失（giou、diou、ciouなど）
トレーニング（セマンティックセグメンテーション）実験
detectron2 / mmdeTectionコードベースとの統合
過去のプロジェクトで使用した効率的なネットベースのU-NetおよびDeepLabセグメンテーションモデルの追加とクリーンアップ
過去のプロジェクトからのOpenImagesデータセット/トレーニングサポートの追加とクリーンアップ
インスタンスセグメンテーションの可能性の調査...

あなたが組織である場合、スポンサーとこの作業のいずれか、または将来の方向性の優先順位付けに興味がある場合は、お気軽に連絡してください（Issue、LinkedIn、Twitter、Hello at Rwightman Dot Com）。興味がある場合は、GitHubスポンサーをセットアップします。

拡大する