四大开源目标检测框架

最新推荐文章于 2024-08-19 10:34:52 发布
最新推荐文章于 2024-08-19 10:34:52 发布
阅读量1.6k 收藏 8
点赞数
文章标签： 深度学习
原文链接：https://mp.weixin.qq.com/s/CrdkKj2nPiuUVYDs3Ky05g
版权

Detectron2

维护团队：Facebook

所属框架：PyTorch

https://github.com/facebookresearch/detectron2

基于Detectron2二次开发的开源项目

AdelaiDet：实例级识别任务开源工具箱

https://github.com/aim-uofa/AdelaiDet

这个项目后面 Amusi 会单独写一篇文章来介绍，AdelaiDet 主要是阿德莱德大学沈春华团队维护的项目，涉及目标检测、实例分割、文本检测等方向。比如包含了SOLOv1-v2、FCOS、BlendMask、CondInst等工作。

像最近 CVPR 2020、ECCV 2020上有不少好的工作也都是基于 Detectron2开发的，比如DETR、CenterMask：

https://github.com/facebookresearch/detr

https://github.com/youngwanLEE/centermask2

https://github.com/youngwanLEE/vovnet-detectron2

https://github.com/shenyunhang/NA-fWebSOD/

mmDetection

维护团队：香港中文大学-商汤联合实验室

所属框架：PyTorch

https://github.com/open-mmlab/mmdetection

基于mmdetection二次开发的开源项目

基于mmdetection 开发的开源项目特别特别多，比如最近CVPR 2020上很多检测工作就是基于此开发的。这里就不一一介绍，简单列几个较为知名的：

https://github.com/Gus-Guo/AugFPN

https://github.com/FishYuLi/BalancedGroupSoftmax

https://github.com/JialeCao001/D2Det

https://github.com/caiqi/sample-weighting-network

https://github.com/jshilong/SEPC

https://github.com/Sense-X/TSD

https://github.com/ggjy/HitDet.pytorch

SimpleDet

维护团队：图森未来（TuSimple）

所属框架：MXNet

https://github.com/TuSimple/simpledet

SimpleDet 是一套简单且多功能的目标检测与实例分割的框架。就这么说吧，如果你是用MXNet来开发检测项目，那么直接用SimpleDet就行。SimpleDet 包含的库也相当丰富，如：Faster R-CNN，Mask R-CNN，Cascade R-CNN，RetinaNet，DCNv1/v2，TridentNet，NASFPN , EfficientNet, FOCS，FreeAnchor，RepPoints，和SEPC等

darknet

维护团队：AlexeyAB（个人开发者）

所属框架：darknet（基于C语言编写）

https://github.com/AlexeyAB/darknet

说起 darknet 可能有些人并不熟悉，但直接说出它的目标检测真身：YOLO，很多人就知道了。darknet 本身是 YOLO系列中著名的backbone，然后YOLO项目一直放在darknet中。

本文介绍的darknet并非YOLOv1-v3作者（Joseph Redmon）的darknet，而是YOLOv4作者（AlexeyAB）的darknet，因为Joseph Redmon不再继续维护darknet。

值得提一下，本文介绍的darknet的github star数是11667！这个数量要高于上面介绍的Detectron2、mmDetection和SimpleDet。而且这三个项目的commits数量全部加起来都比不过darknet。

darknet中包含的目标检测模型相对上面三大神器要少很多，但个个都是扛把子的，比如YOLO、YOLOv2、YOLOv3和YOLOv4。

如果你想用C/C++来开发目标检测模型，那么darknet是最适合你的神器

转自：https://mp.weixin.qq.com/s/CrdkKj2nPiuUVYDs3Ky05g

炼丹术师
关注
从众中取优：开源Agent市场深度调研，近20款主流开源Agent框架的技术亮点与适用场景深度剖析[Multi-Agent 框架详解]
丨汀、的博客
07-15 680
从众中取优：开源Agent市场深度调研，近20款主流开源Agent框架的技术亮点与适用场景深度剖析
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
丨汀、的博客
07-25 1715
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
EfficientDet 目标检测开源实现
我爱计算机视觉
01-06 478
点击我爱计算机视觉标星，更快获取CVML新技术EfficientDet为谷歌大脑新提出的目标检测算法（EfficientDet: Scalable and Efficient Objec...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
热门推荐
结构之法 算法之道
05-02 12万+
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 前言 之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测，包括R-CNN、Fast R-CNN、Faster R-CNN，但一直没有比较好的机会深入（但当你对目标检测有个基本的了解之后，再看这些课程你会收益很大）。但目标检测这个领域实在是太火了，经常会看到一些写的不...
SimpleDet 开源项目使用教程
最新发布
gitblog_00652的博客
08-19 279
SimpleDet 开源项目使用教程 simpledetA Simple and Versatile Framework for Object Detection and Instance Recognition项目地址:https://gitcode.com/gh_mirrors/si/simpledet 1. 项目的目录结构及介绍 SimpleDet 项目的目录结构如下： simpledet...
目标检测框架
thisiszdy的博客
01-28 3241
1、SVM+HOG 区域生成方法：滑动窗口； 特征：HOG； 检测范式：手工特征+分类器； SVM+HOG过去常常用于行人检测和车辆检测。以行人检测为例，该方法将目标检测规约为一个二分类问题。首先在训练过程中，根据标注信息将正样本剪裁，并缩放至统一分辨率，然后随机剪裁一些背景图像作为负样本。分别提取正样本和负样本的HOG特征，利用HOG特征训练二分类SVM分类器。在测试阶段，采用滑动窗口的方式，建...
目标检测开源代码汇总 object detection algorithm codes (转)
skywalker_123的博客
09-08 712
注：原文：https://blog.csdn.net/zhangjunhit/article/details/78901952 博主「O天涯海阁O」 无人机目标检测 SlimYOLOv3: Narrower, Faster and Better for Real-Time UAV Applications https://arxiv.org/abs/1907.11093 https://...
目标检测常见的框架
gaotihong的博客
09-25 3897
1.分类 vgg-resnet-inception-xception-senet 2.检测 r-cnn系列 yolo-ssd 3.多尺度 3.1FPN:采用resnet的策略，进行加法运算。——多尺度的做法。 自底向上其实就是网络的前向过程。在前向过程中，feature map的大小在经过某些层后会改变，而在经过其他一些层的时候不会改变，作者将不改变feature map大小...
Python 四大主流 Web 编程框架
m0_59485658的博客
02-21 1万+
Twisted是一个高性能的编程框架。：用于封装与应用程序的业务逻辑相关的数据及对数据的处理方法，是Web应用程序中用于处理应用程序的数据逻辑的部分，Model只提供功能性的接口，通过这些接口可以获取Model的所有功能。相对于Python的其他Web框架，Django的功能是最完整的，Django定义了服务发布、路由映射、模板编程、数据处理的一整套功能。Twisted是一个用Python语言编写的事件驱动的网络框架，对于追求服务器程序性能的应用，Twisted框架是一个很好的选择。
Java EE开发四大常用框架
kkkllllss的博客
03-02 2167
Java EE开发 四大常用 框架 看 Struts Struts是一个基于Sun Java EE平台的MVC框架，主要 是采用Servlet和JSP技术来实现的。 Struts框架可分为以下四个主要部分，其中三个就和 MVC模式紧密相关： 1、模型 (Model)，本质上来说在Struts中Model是一 个Action类(这个会在后面详细讨论)，开发者通过其实现 商业逻辑，同时用户请求通过控制器(Controller)向 Action的转发过程是基于由struts-config.xml文件描述 的配置
目标检测 几种架构
wmsbeijing的专栏
04-19 1056
https://blog.csdn.net/haoji007/article/details/53914328   目标检测 几种方法以及训练方法https://blog.csdn.net/majinlei121/article/details/53870433   目标检测方法介绍
Python-开源目标检测框架Detectron的PyTorch实现
08-11
Detectron的pytorch实现。 从零开始训练并可用直接从预训练的Detectron权重推断。
0.99M，150FPS，移动端超轻量目标检测算法PP-PicoDet来了！
Python中文社区
11-20 1974
说到目标检测，那可谓当前的自动驾驶、新零售、智慧工业等热门行业中的关键技术之一。目标检测不仅在行人、车辆、商品以及火灾检测等任务中发挥着极其关键的价值，在目标跟踪、姿态识别、手势控制、图像...
目标检测框架1
whaosoft143ai的博客
10-13 1098
说几个目标检测的框架~~ 有大目标的也有小目标的~~现在目标检测大部分就是如上图案例，针对较大目标还是可以精确检测到，然后利用检测到的物体进行下一步的输入，每个行业的场景使用不同，所以检测也是视觉的基石！现在的目标检测框架都是基于卷积网络的。这是一种非常强大的方法，因为它能够将RGB图像抽象成高级语义的深度特征，也可以将创造一些低级的图像抽象，如线，圆圈，然后将它们“迭代组合”成框架想要检测的目标，但这也是它们难以检测小目标的原因。图为经典的几个。
tensorflow 目标分割_一文览尽目标检测开源框架
weixin_39590601的博客
11-25 176
整理：Tom Hardy对目标检测开源框架进行了汇总，无论是模型的快速实现，抑或是落地调优，都非常方便1、mmDetection维护：商汤科技Github连接：https://github.com/open-mmlab/mmdetection为目标检测而生的框架，商汤科技和香港中文大学联合开源。支持的模型越来越多（如下图所示），模块化的设计：backbone、neck、box_head、rpn_h...
通用目标检测开源框架YOLOv6在美团的量化部署实战
AI浩
09-29 473
综上所述，本文基于 YOLOv6 V1.0 版本，以 YOLOv6s 为例探讨了基于重参数化结构设计的 2D 检测模型的量化难点和具体方案，在模型精度基本保持的前提下，通过量化加速，提升了约 40% 的 QPS。部署时的预处理优化则额外提升了 214%，极大地提升了工业部署吞吐能力。下表列出了本文尝试的方法及叠加效果。表10 本文使用的量化方案及效果对比本文使用的速度测试环境见表 11, 测试输入 batch size 为 1，尺寸为 640x640。表11 速度测试环境。
YOLC~
whaosoft143ai的博客
04-18 373
值得注意的是，作者提出的YOLC显著提高了小目标的检测性能，而中大型目标的改进并不明显。首先，它是一个无监督的模块，这意味着它可以无缝地集成到任何基于关键点的检测器中，而无需额外的簇 Proposal 网络。现有的基于裁剪的方法，如DMNet，产生许多裁剪或使用额外的网络，如ClusDet，导致检测速度低且模型参数增加。此外，尽管上述方法生成了簇区域，但某些簇中的目标分布是稀疏的，对最终性能的贡献很小。具体来说，作者将原始的损失替换为GWD损失，并尝试了基于IoU的损失，如GIoU，DIoU和CIoU。
调研目标检测相关综述，总结目标检测主要框架
silence56的博客
01-26 301
One stage与Two stage One-stage： 直接回归物体的类别概率和位置坐标值，没有生成Region Proposal（RP）的任务，整个训练过程只有一个Stage。 特点：速度相对较快，但是精度相对于Two-stage较低。 Two-stage： 先由算法生成一系列作为样本的候选框（RP），再由卷积神经网络进行样本分类。训练两个部分，第一步是训练RP网络，第二步是训练目标区域检测的网络。因此有两个Stage。 特点：网络的精度相对较高，速度相对于One-stage较慢。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值