efficientdet pytorch下载 - efficientdet pytorch源代码下载

有效插图（Pytorch）

Pytorch实施有效件。

它是基于

通过Mingx tan和Google Brain团队进行官方Tensorflow实施
通过Mingxing Tan，Ruoming Pang，Quoc V. Le EfficityDet：可扩展有效的对象检测

还有其他Pytorch实现。他们的方法要么不符合我的目标，即正确地重现Tensorflow模型（但具有Pytorch的感觉和灵活性），要么无法从头开始复制Coco MS培训。

除默认模型配置外，这里还有很大的灵活性来促进实验和快速改进 - 一些基于官方Tensorflow Impl的选项，我自己的一些：

BIFPN连接和组合模式是完全可配置的，并且不烘烤到型号代码中
BIFPN和头部模块可以在深度分离或标准卷积之间切换
激活，批处理标准层可通过参数切换（很快配置）
我的timm模型集合中支持特征提取的任何主链（ features_only arg）都可以用作BACBKONE。

更新

2023-05-21

取决于timm 0.9
次要错误修复
版本0.4.1发行

2023-02-09

使用Pytorch 2.0（夜间）进行测试，添加-TorchCompile支持训练和验证脚本
小型代码清理通行证，支持timm 0.8.x和先前版本的BWD/FWD兼容
使用timm convert_sync_batchnorm函数处理更新的型号，w/ batchnormact2d layers

2022-01-06

使用AGC剪辑和timm的efficientnetv2_rw_s骨链，新的efficientnetv2_ds权重50.1地图 @ 1024x0124。内存使用与D3相当，速度比D4快。比最佳培训批量尺寸小，所以可能做得更好...

2021-11-30

更新efficientnetv2_dt重量为新集合，46.1 MAP @ 768x768，47.0 MAP @ 896x896使用AGC剪辑。
添加AGC（通过timm通过自适应梯度剪辑支持）。想法来自（ High-Performance Large-Scale Image Recognition Without Normalization -https：//arxiv.org/abs/2102.06171）
timm最低版本最多可达0.4.12

2021-11-16

基于timm的efficientnetv2_rw_t （TINY）模型，添加ExtricNETV2骨干实验efficientnetv2_dt 。 45.8地图 @ 768x768。
更新了官方IMP（https://github.com/google/automl）移植的TF ExtricDet-lite模型DEF def incom
对于LITE模型，更新的功能调整FPN中的代码是基于功能尺寸而不是降低比率的，而不是支持128的图像大小。
次要调整，错误修复

2021-07-28

将培训示例添加到Chris Hughes提供的读书中，用于培训，并进行自定义数据集和闪电培训代码
- 中型博客文章
- Python笔记本

2021-04-30

添加来自TF Imply的D0-D5的有效DEDPROP-AA权重。模型名称tf_efficientdet_d?_ap
- 请参阅https://github.com/google/automl/blob/master/felficedet/det-advprop.md

2021-02-18

在FPN中添加一些新的模型权重，以进行upplame和下样本。
- 40.9地图 - efficientdet_q1 （在40.6替换Prev模型）
- 43.2地图cspresdet50
- 45.2地图cspdarkdet53m

2020-12-07

通过将timm和先前的Torchscript兼容添加中的ModeleMav2包含在包含ModeleMav2的情况下，可以使用完全JIT脚本模型 +台式模型（ --torchscript ）训练。 CPU绑定训练的大速度提高。
为替代FPN布局添加权重。 QUADFPN实验（ efficientdet_q0/q1/q2 ）和cspresdext + pan（ cspresdext50pan ）。请参阅下面的更新表。特别感谢Artus为培训Q2模型提供资源。
头部可以通过配置与FPN具有不同的激活
可以通过配置指定FPN重新样本（插值） max并包括任何avg
默认焦点损耗更改为new_focal ，使用--legacy-focal使用原始范围来使用原件。传统使用的内存较少，但存在更多的数值稳定性问题。
自定义增强转换和整理FN可以将其传递给装载机工厂
timm > = 0.3.2，请注意double检查任何自定义定义的模型配置，以破坏更改
Pytorch> = 1.6现在需要

2020-11-12

将实验盘和四fpn配置添加到现有的效率bifpn，带两个测试模型配置
切换未训练的实验模型配置以使用Torchscript compat bn头部布局

2020-11-09

将模型配置设置为创建后仅阅读以减少滥用的可能性
无访问模型或台式.config attry in forward（）呼叫链（用于torcscript compat）
许多较小的变化，可以使模型或火车/预测台式脚本脚本编写

2020-10-30

合并了几个月的累积修复和补充。

适当的微调兼容模型初始
可可，VOC 2007/2012和OpenImages V5/Challenge2019的新的数据集支持（通过解析器类）的新数据集接口（通过解析器类）
可选择的新焦点损失DEF带有标签平滑，支持（潜在）加速的JIT损失FN的支持
改善了一些热点，挤出了几％的吞吐量增长，GPU利用率较高
Pascal / OpenImages评估器基于TensorFlow模型评估器框架（也适用于其他数据集）
支持天然Pytorch DDP，Syncbn和Pytorch中的AMP> = 1.6。如果已安装，仍然默认为Apex。
对于模型（锚点布局），允许非方面输入图像尺寸。由image_size tuple在模型配置中指定。目前仍限于每个DIM上的size % 128 = 0 。
允许通过整理或模型中的模型在数据层加载过程中进行锚目标生成。可以帮助平衡计算。
在传递到目标分配程序之前，从固定尺寸批次张量的数据集注释中滤除未使用的目标CLS/box。似乎会加快收敛性。
Letterbox意识到随机擦除增强添加。
添加了用于推理/验证使用的（非常缓慢的）软插入。现在可以手动启用它，如果需求，可以添加arg。
用Pytorch 1.7测试
添加Resdet50型号重量，41.6地图。

我尚未解决的一些优先列表上的一些事情：

马赛克增强
bbox iou损失（尝试了一点，但到目前为止还不是一个很好的结果，需要时间进行调试/改进）

请注意，有一些破裂的变化：

现在预测和训练台，现在输出Xyxy盒，而不是像以前那样输出XYWH。这样做是为了支持其他数据集，因为XYWH是可可的评估者的要求。
TF模型评估器像模型一样在YXYX框上运行。默认情况下，XYXY的转换是目前进行的。我为什么不只是保留所有YXYX？因为pytorch gpu nms在xyxy中运行。
您必须将timm版本更新为最新版本（> = 0.3），因为一些助手的API有所改变。

培训理智检查是在VOC和OI上进行的

80.0 @ 50 MAP FINETUNE在VOC0712上没有尝试调整参数（大致按照下面的命令）
经过几天的培训后，OI挑战2019年的18.0 MAP @ 50（只有6个时代，EEK！）。它更大了，需要花费一段时间，许多课程非常具有挑战性。

型号

下表包含验证重量的模型。我在使用各种timm骨架的模型配置中定义了许多其他型号。

变体	地图（Val2017）	地图（Test-Dev2017）	地图（TF官方Val2017）	地图（TF官方测试-DEV2017）	参数（m）	IMG大小
tf_efficitydet_lite0	27.1	TBD	26.4	N/A。	3.24	320
tf_efficitydet_lite1	32.2	TBD	31.5	N/A。	4.25	384
有效det_d0	33.6	TBD	N/A。	N/A。	3.88	512
tf_efficitydet_d0	34.2	TBD	34.3	34.6	3.88	512
tf_efficitydet_d0_ap	34.8	TBD	35.2	35.3	3.88	512
有效DET_Q0	35.7	TBD	N/A。	N/A。	4.13	512
tf_efficitydet_lite2	35.9	TBD	35.1	N/A。	5.25	448
有效det_d1	39.4	39.5	N/A。	N/A。	6.62	640
tf_efficitydet_lite3	39.6	TBD	38.8	N/A。	8.35	512
tf_efficitydet_d1	40.1	TBD	40.2	40.5	6.63	640
tf_efficitydet_d1_ap	40.8	TBD	40.9	40.8	6.63	640
有效det_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
有效det_q2	43.1	TBD	N/A。	N/A。	8.81	768
cspresdet50	43.2	TBD	N/A。	N/A。	24.3	768
tf_efficitydet_d2	43.4	TBD	42.5	43	8.10	768
tf_efficitydet_lite3x	43.6	TBD	42.6	N/A。	9.28	640
tf_efficitydet_lite4	44.2	TBD	43.2	N/A。	15.1	640
tf_efficitydet_d2_ap	44.2	TBD	44.3	44.3	8.10	768
CSPDARKDET53M	45.2	TBD	N/A。	N/A。	35.6	768
有效detv2_dt	46.1	TBD	N/A。	N/A。	13.4	768
tf_efficitydet_d3	47.1	TBD	47.2	47.5	12.0	896
tf_efficitydet_d3_ap	47.7	TBD	48.0	47.7	12.0	896
tf_efficitydet_d4	49.2	TBD	49.3	49.7	20.7	1024
有效DETV2_DS	50.1	TBD	N/A。	N/A。	26.6	1024
tf_efficitydet_d4_ap	50.2	TBD	50.4	50.4	20.7	1024
tf_efficitydet_d5	51.2	TBD	51.2	51.5	33.7	1280
tf_efficitydet_d6	52.0	TBD	52.1	52.6	51.9	1280
tf_efficitydet_d5_ap	52.1	TBD	52.2	52.5	33.7	1280
tf_efficitydet_d7	53.1	53.4	53.4	53.7	51.9	1536年
tf_efficitydet_d7x	54.3	TBD	54.4	55.1	77.1	1536年

有关模型检查点URL和差异，请参见模型配置。

注意：现在使用SOFT-NMS的所有模块的官方分数，但此处仍然使用普通NMS。

注意：在培训一些实验模型中，我注意到在分布式培训期间同步batchNorm（ --sync-bn ）和模型EMA重量挥动（ --model-ema ）的组合结合在一起。结果要么是一个模型无法收敛，要么似乎会收敛（训练损失），但是评估损失（运行的BN统计数据）是垃圾。我没有使用Extricnets观察到这一点，但是有一些骨架，例如CSPRESNEXT，VOVNET等。禁用EMA或同步BN似乎可以消除问题并导致良好的模型。我没有充分表征这个问题。

环境设置

在Linux中的Python 3.7-3.9 Conda环境中进行了测试：

Pytorch 1.6-1.10
Pytorch映像模型（TIMM）> = 0.4.12， pip install timm或本地安装（https://github.com/rwightman/pytorch-image-models）
Apex Amp Master（截至2020-08）。我建议立即使用本机Pytorch放大器和DDP。

注意- 与Numpy 1.18+和Pycocotools 2.0的冲突/错误，Force intermpy numpy <= 1.17.5或确保安装pycocotools> = 2.0.2

数据集设置并使用

可可

MSCOCO 2017验证数据：

 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数据：

 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

可可评估

使用D2型号运行验证（默认情况下为Val2017）： python validate.py /localtion/of/mscoco/ --model tf_efficientdet_d2

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

可可训练

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

笔记：

训练脚本当前默认为没有冗余的Cons + BN偏置层之类的模型，例如官方模型，在验证时设置正确的标志。
我只接受了IMG平均值（ --fill-color mean ）作为农作物/比例/方面填充的背景，官方仓库使用黑色像素（0）（ --fill-color 0 ）。两者都可以正常工作。
官方培训代码默认使用EMA重量平均，目前尚不清楚使用余弦LR时间表是否有一点，我发现在最后10-20％
默认的H-Params非常接近不稳定（爆炸损失），不要尝试使用Nesterov动量。尝试保持批量尺寸，使用同步-BN。

Pascal VOC

2007，2012和合并为2007 + 2012 w/标记为2007验证测试。

 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中应该有一个VOC2007和VOC2012文件夹，CMD系列的数据集root将是VOCDEVKIT。

替代下载链接，速度较慢，但比ox.ac.uk较慢：

 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评估

在VOC2012验证集上评估： python validate.py /data/VOCdevkit --model efficientdet_d0 --num-gpu 2 --dataset voc2007 --checkpoint mychekpoint.pth --num-classes 20

VOC培训

Fine tune COCO pretrained weights to 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

开放式

设置OpenImages数据集是一项承诺。我试图使注释变得更加容易，但是抓取数据集仍需要一些时间。它将需要大约560GB的存储空间。

要下载图像数据，我更喜欢CVDF包装。可以在以下网址找到主要的OpenImages数据集页面，注释，数据集许可证信息

CVDF图像下载

在此处按照S3下载说明：https：//github.com/cvdfoundation/open-images-dataset#download-images-with-bounding-boxes-antotions-

每个train_<x>.tar.gz应提取到train/<x>文件夹，其中x是0-f的十六进制数字。 validation.tar.gz可以作为平面文件提取到validation/ 。

注释下载

注释可以从上面的OpenImages主页分开下载。为了方便起见，我将它们全部包装在一起，并包含所有图像文件的ID和统计数据的其他“信息” CSV文件。我的数据集依赖于<set>-info.csv文件。请参阅https://storage.googleapis.com/openimages/web/factsfigures.html以获取这些注释的许可。注释由Google LLC根据CC by 4.0许可证。图像列出为具有2.0许可证的CC。

 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 {} ;

布局

一旦下载所有内容并提取了您的OpenImages数据文件夹的根源：

 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>

开放式培训

Training with Challenge2019 annotations (500 classes): ./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

500（挑战2019年）或601（v5/v6）oi的班级负责人与可可的更多GPU内存相比。您可能需要一半批量的大小。

自定义数据集的培训 /微调示例

这里的模型已与定制培训例程和数据集一起使用，结果很棒。有很多细节要弄清楚，因此请不要提交任何“我在自定义数据集问题上获得废话结果”。如果您可以在公共，非专有，可下载的数据集上说明可再现的问题，并使用此存储库的公共github叉，包括工作数据集/解析器实现，我可能有时间看看。

示例：

克里斯·休斯（Chris Hughes）汇总了带有timm EdgentyNETV2骨架的培训的一个很好的例子和此处的高效模型的最新版本
- 中型博客文章
- Python笔记本
Alex Shonenkov有一个清晰简洁的Kaggle内核，说明了这些模型来检测小麦头：https：//wwwww.kaggle.com/shonenkov/shonenkov/training-efficitydet（注意：这是过时的wrt to date wrt to date wort to date wort to to to date wort to to to tor Juts work to there persions per

如果您有一个很好的示例脚本或内核培训这些模型，请随时在此处通知我...

结果

我的训练

有效的Det-D0

Latest training run with .336 for D0 (on 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

上面的这些HPARAM导致了一个很好的模型，几点：

该地图很早就达到了峰值（300个时期200时期），然后看起来过高，因此可能仍然可以改进
我启用了我的实验LR噪声，该噪声倾向于与EMA启用很好
有效的LR比官方高一些。官方为.08，批次为64，可用于.0872
drop_path（aka reartival_prob / drop_connect）速率为0.1，高于官方中建议的0.0，但低于其他型号的0.2
EMA期比默认期更长

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

有效的det-d1

Latest run with .394 mAP (on 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

对于此运行，我使用了一些改进的增强功能，仍在进行实验，因此没有准备就绪，没有它们就可以正常工作，但可能会开始过度拟合一些，并可能最终达到.385-.39范围。

移植张量的重量

Test-DEV2017

注意：到目前为止，我仅尝试将D7提交给开发服务器以进行理智检查

TF效率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效率det-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效率DET-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效率D2-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效率det-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效率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效率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效率det-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效率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效率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

托多

基本培训（对象检测）重新实现
马赛克增强
兰德/自动说明
bbox iou损失（Giou，diou，ciou等）
培训（语义细分）实验
与DentectRon2 / mmdetection代码库集成
我在过去的项目中使用的基于高效网络的U-NET和DeepLab分割模型的添加和清理
过去项目的开放映像数据集/培训支持的添加和清理
实例细分可能性的探索...

如果您是一个组织感兴趣的赞助商和任何这项工作，或者您将未来指示的优先级列入您的利益，请随时与我联系（问题，LinkedIn，Twitter，twitter，Hello in Rwightman dot com）。如果有任何兴趣，我将设置GitHub赞助商。

展开