efficientdet pytorch下載 - efficientdet pytorch源代碼下載

有效插圖（Pytorch）

Pytorch實施有效件。

它是基於

通過Mingx tan和Google Brain團隊進行官方Tensorflow實施
通過Mingxing Tan，Ruoming Pang，Quoc V. Le EfficityDet：可擴展有效的對象檢測

還有其他Pytorch實現。他們的方法要么不符合我的目標，即正確地重現Tensorflow模型（但具有Pytorch的感覺和靈活性），要么無法從頭開始復制Coco MS培訓。

除默認模型配置外，這裡還有很大的靈活性來促進實驗和快速改進 - 一些基於官方Tensorflow Impl的選項，我自己的一些：

BIFPN連接和組合模式是完全可配置的，並且不烘烤到型號代碼中
BIFPN和頭部模塊可以在深度分離或標準卷積之間切換
激活，批處理標準層可通過參數切換（很快配置）
我的timm模型集合中支持特徵提取的任何主鏈（ features_only arg）都可以用作BACBKONE。

更新

2023-05-21

取決於timm 0.9
次要錯誤修復
版本0.4.1發行

2023-02-09

使用Pytorch 2.0（夜間）進行測試，添加-TorchCompile支持訓練和驗證腳本
小型代碼清理通行證，支持timm 0.8.x和先前版本的BWD/FWD兼容
使用timm convert_sync_batchnorm函數處理更新的型號，w/ batchnormact2d layers

2022-01-06

使用AGC剪輯和timm的efficientnetv2_rw_s骨鏈，新的efficientnetv2_ds權重50.1地圖 @ 1024x0124。內存使用與D3相當，速度比D4快。比最佳培訓批量尺寸小，所以可能做得更好...

2021-11-30

更新efficientnetv2_dt重量為新集合，46.1 MAP @ 768x768，47.0 MAP @ 896x896使用AGC剪輯。
添加AGC（通過timm通過自適應梯度剪輯支持）。想法來自（ High-Performance Large-Scale Image Recognition Without Normalization -https：//arxiv.org/abs/2102.06171）
timm最低版本最多可達0.4.12

2021-11-16

基於timm的efficientnetv2_rw_t （TINY）模型，添加ExtricNETV2骨幹實驗efficientnetv2_dt 。 45.8地圖 @ 768x768。
更新了官方IMP（https://github.com/google/automl）移植的TF ExtricDet-lite模型DEF def incom
對於LITE模型，更新的功能調整FPN中的代碼是基於功能尺寸而不是降低比率的，而不是支持128的圖像大小。
次要調整，錯誤修復

2021-07-28

將培訓示例添加到Chris Hughes提供的讀書中，用於培訓，並進行自定義數據集和閃電培訓代碼
- 中型博客文章
- Python筆記本

2021-04-30

添加來自TF Imply的D0-D5的有效DEDPROP-AA權重。模型名稱tf_efficientdet_d?_ap
- 請參閱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權重，以進行upplame和下樣本。
- 40.9地圖 - efficientdet_q1 （在40.6替換Prev模型）
- 43.2地圖cspresdet50
- 45.2地圖cspdarkdet53m

2020-12-07

通過將timm和先前的Torchscript兼容添加中的ModeleMav2包含在包含ModeleMav2的情況下，可以使用完全JIT腳本模型 +台式模型（ --torchscript ）訓練。 CPU綁定訓練的大速度提高。
為替代FPN佈局添加權重。 QUADFPN實驗（ efficientdet_q0/q1/q2 ）和cspresdext + pan（ cspresdext50pan ）。請參閱下面的更新表。特別感謝Artus為培訓Q2模型提供資源。
頭部可以通過配置與FPN具有不同的激活
可以通過配置指定FPN重新樣本（插值） max並包括任何avg
默認焦點損耗更改為new_focal ，使用--legacy-focal使用原始範圍來使用原件。傳統使用的內存較少，但存在更多的數值穩定性問題。
自定義增強轉換和整理FN可以將其傳遞給裝載機工廠
timm > = 0.3.2，請注意double檢查任何自定義定義的模型配置，以破壞更改
Pytorch> = 1.6現在需要

2020-11-12

將實驗盤和四fpn配置添加到現有的效率bifpn，帶兩個測試模型配置
切換未訓練的實驗模型配置以使用Torchscript compat bn頭部佈局

2020-11-09

將模型配置設置為創建後僅閱讀以減少濫用的可能性
無訪問模型或台式.config attry in forward（）呼叫鏈（用於torcscript compat）
許多較小的變化，可以使模型或火車/預測台式腳本腳本編寫

2020-10-30

合併了幾個月的累積修復和補充。

適當的微調兼容模型初始
可可，VOC 2007/2012和OpenImages V5/Challenge2019的新的數據集支持（通過解析器類）的新數據集接口（通過解析器類）
可選擇的新焦點損失DEF帶有標籤平滑，支持（潛在）加速的JIT損失FN的支持
改善了一些熱點，擠出了幾％的吞吐量增長，GPU利用率較高
Pascal / OpenImages評估器基於TensorFlow模型評估器框架（也適用於其他數據集）
支持天然Pytorch DDP，Syncbn和Pytorch中的AMP> = 1.6。如果已安裝，仍然默認為Apex。
對於模型（錨點佈局），允許非方面輸入圖像尺寸。由image_size tuple在模型配置中指定。目前仍限於每個DIM上的size % 128 = 0 。
允許通過整理或模型中的模型在數據層加載過程中進行錨目標生成。可以幫助平衡計算。
在傳遞到目標分配程序之前，從固定尺寸批次張量的數據集註釋中濾除未使用的目標CLS/box。似乎會加快收斂性。
Letterbox意識到隨機擦除增強添加。
添加了用於推理/驗證使用的（非常緩慢的）軟插入。現在可以手動啟用它，如果需求，可以添加arg。
用Pytorch 1.7測試
添加Resdet50型號重量，41.6地圖。

我尚未解決的一些優先列表上的一些事情：

馬賽克增強
bbox iou損失（嘗試了一點，但到目前為止還不是一個很好的結果，需要時間進行調試/改進）

請注意，有一些破裂的變化：

現在預測和訓練台，現在輸出Xyxy盒，而不是像以前那樣輸出XYWH。這樣做是為了支持其他數據集，因為XYWH是可可的評估者的要求。
TF模型評估器像模型一樣在YXYX框上運行。默認情況下，XYXY的轉換是目前進行的。我為什麼不只是保留所有YXYX？因為pytorch gpu nms在xyxy中運行。
您必須將timm版本更新為最新版本（> = 0.3），因為一些助手的API有所改變。

培訓理智檢查是在VOC和OI上進行的

80.0 @ 50 MAP FINETUNE在VOC0712上沒有嘗試調整參數（大致按照下面的命令）
經過幾天的培訓後，OI挑戰2019年的18.0 MAP @ 50（只有6個時代，EEK！）。它更大了，需要花費一段時間，許多課程非常具有挑戰性。

型號

下表包含驗證重量的模型。我在使用各種timm骨架的模型配置中定義了許多其他型號。

變體	地圖（Val2017）	地圖（Test-Dev2017）	地圖（TF官方Val2017）	地圖（TF官方測試-DEV2017）	參數（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

有關模型檢查點URL和差異，請參見模型配置。

注意：現在使用SOFT-NMS的所有模塊的官方分數，但此處仍然使用普通NMS。

注意：在培訓一些實驗模型中，我注意到在分佈式培訓期間同步batchNorm（ --sync-bn ）和模型EMA重量揮動（ --model-ema ）的組合結合在一起。結果要么是一個模型無法收斂，要么似乎會收斂（訓練損失），但是評估損失（運行的BN統計數據）是垃圾。我沒有使用Extricnets觀察到這一點，但是有一些骨架，例如CSPRESNEXT，VOVNET等。禁用EMA或同步BN似乎可以消除問題並導致良好的模型。我沒有充分錶徵這個問題。

環境設置

在Linux中的Python 3.7-3.9 Conda環境中進行了測試：

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

注意- 與Numpy 1.18+和Pycocotools 2.0的衝突/錯誤，Force intermpy numpy <= 1.17.5或確保安裝pycocotools> = 2.0.2

數據集設置並使用

可可

MSCOCO 2017驗證數據：

 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數據：

 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

可可評估

使用D2型號運行驗證（默認情況下為Val2017）： python validate.py /localtion/of/mscoco/ --model tf_efficientdet_d2

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

可可訓練

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

筆記：

訓練腳本當前默認為沒有冗餘的Cons + BN偏置層之類的模型，例如官方模型，在驗證時設置正確的標誌。
我只接受了IMG平均值（ --fill-color mean ）作為農作物/比例/方面填充的背景，官方倉庫使用黑色像素（0）（ --fill-color 0 ）。兩者都可以正常工作。
官方培訓代碼默認使用EMA重量平均，目前尚不清楚使用餘弦LR時間表是否有一點，我發現在最後10-20％
默認的H-Params非常接近不穩定（爆炸損失），不要嘗試使用Nesterov動量。嘗試保持批量尺寸，使用同步-BN。

Pascal VOC

2007，2012和合併為2007 + 2012 w/標記為2007驗證測試。

 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中應該有一個VOC2007和VOC2012文件夾，CMD系列的數據集root將是VOCDEVKIT。

替代下載鏈接，速度較慢，但比ox.ac.uk較慢：

 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評估

在VOC2012驗證集上評估： python validate.py /data/VOCdevkit --model efficientdet_d0 --num-gpu 2 --dataset voc2007 --checkpoint mychekpoint.pth --num-classes 20

VOC培訓

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

開放式

設置OpenImages數據集是一項承諾。我試圖使註釋變得更加容易，但是抓取數據集仍需要一些時間。它將需要大約560GB的存儲空間。

要下載圖像數據，我更喜歡CVDF包裝。可以在以下網址找到主要的OpenImages數據集頁面，註釋，數據集許可證信息

CVDF圖像下載

在此處按照S3下載說明：https：//github.com/cvdfoundation/open-images-dataset#download-images-with-bounding-boxes-antotions-

每個train_<x>.tar.gz應提取到train/<x>文件夾，其中x是0-f的十六進制數字。 validation.tar.gz可以作為平面文件提取到validation/ 。

註釋下載

註釋可以從上面的OpenImages主頁分開下載。為了方便起見，我將它們全部包裝在一起，並包含所有圖像文件的ID和統計數據的其他“信息” CSV文件。我的數據集依賴於<set>-info.csv文件。請參閱https://storage.googleapis.com/openimages/web/factsfigures.html以獲取這些註釋的許可。註釋由Google LLC根據CC by 4.0許可證。圖像列出為具有2.0許可證的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 {} ;

佈局

一旦下載所有內容並提取了您的OpenImages數據文件夾的根源：

 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>

開放式培訓

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（挑戰2019年）或601（v5/v6）oi的班級負責人與可可的更多GPU內存相比。您可能需要一半批量的大小。

自定義數據集的培訓 /微調示例

這裡的模型已與定制培訓例程和數據集一起使用，結果很棒。有很多細節要弄清楚，因此請不要提交任何“我在自定義數據集問題上獲得廢話結果”。如果您可以在公共，非專有，可下載的數據集上說明可再現的問題，並使用此存儲庫的公共github叉，包括工作數據集/解析器實現，我可能有時間看看。

示例：

克里斯·休斯（Chris Hughes）匯總了帶有timm EdgentyNETV2骨架的培訓的一個很好的例子和此處的高效模型的最新版本
- 中型博客文章
- Python筆記本
Alex Shonenkov有一個清晰簡潔的Kaggle內核，說明了這些模型來檢測小麥頭：https：//wwwww.kaggle.com/shonenkov/shonenkov/training-efficitydet（注意：這是過時的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

如果您有一個很好的示例腳本或內核培訓這些模型，請隨時在此處通知我...

結果

我的訓練

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

上面的這些HPARAM導致了一個很好的模型，幾點：

該地圖很早就達到了峰值（300個時期200時期），然後看起來過高，因此可能仍然可以改進
我啟用了我的實驗LR噪聲，該噪聲傾向於與EMA啟用很好
有效的LR比官方高一些。官方為.08，批次為64，可用於.0872
drop_path（aka reartival_prob / drop_connect）速率為0.1，高於官方中建議的0.0，但低於其他型號的0.2
EMA期比默認期更長

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

對於此運行，我使用了一些改進的增強功能，仍在進行實驗，因此沒有準備就緒，沒有它們就可以正常工作，但可能會開始過度擬合一些，並可能最終達到.385-.39範圍。

移植張量的重量

Test-DEV2017

注意：到目前為止，我僅嘗試將D7提交給開發服務器以進行理智檢查

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

基本培訓（對象檢測）重新實現
馬賽克增強
蘭德/自動說明
bbox iou損失（Giou，diou，ciou等）
培訓（語義細分）實驗
與DentectRon2 / mmdetection代碼庫集成
我在過去的項目中使用的基於高效網絡的U-NET和DeepLab分割模型的添加和清理
過去項目的開放映像數據集/培訓支持的添加和清理
實例細分可能性的探索...

如果您是一個組織感興趣的讚助商和任何這項工作，或者您將未來指示的優先級列入您的利益，請隨時與我聯繫（問題，LinkedIn，Twitter，twitter，Hello in Rwightman dot com）。如果有任何興趣，我將設置GitHub贊助商。

展開