（14）目标检测_SSD训练代码基于pytorch搭建代码

已于 2022-10-17 09:00:58 修改
阅读量746 收藏
点赞数
分类专栏： torch 文章标签： 目标检测 pytorch 深度学习
于 2022-10-16 09:41:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chencaw/article/details/127343735
版权
本文详细介绍了使用PyTorch搭建SSD目标检测模型的训练过程，包括主要参数设置，如预训练模型使用、训练策略等，并讲解了获取类名、计算anchor、权重迁移以及损失函数等关键函数的实现细节。
摘要由CSDN通过智能技术生成

1、主要参数

（1）anchor有两种，如果小目标

anchors_size = [21, 45, 99, 153, 207, 261, 315]

如果一般目标

anchors_size    = [30, 60, 111, 162, 213, 264, 315]

（2）采用预训练模型，使用adam

前50步冻结训练，50步开始不冻结训练

（二）从主干网络的预训练权重开始训练：
    #       Adam：
    #           Init_Epoch = 0，Freeze_Epoch = 50，UnFreeze_Epoch = 100，Freeze_Train = True，optimizer_type = 'adam'，Init_lr = 6e-4，weight_decay = 0。（冻结）
    #           Init_Epoch = 0，UnFreeze_Epoch = 100，Freeze_Train = False，optimizer_type = 'adam'，Init_lr = 6e-4，weight_decay = 0。（不冻结）

其中Freeze_Epoch为模型冻结训练的Freeze_Epoch，UnFreeze_Epoch为模型总共训练的epoch

（3）设置了pretrained=true&

最低0.47元/天 解锁文章
chencaw
关注
专栏目录
PyTorch深度学习实战（23）——从零开始实现SSD目标检测
盼小辉丶的博客
02-08 4006
SSD (Single Shot MultiBox Detector) 是一种基于单次前向传递的实时目标检测算法，它在速度和准确性之间取得了很好的平衡。SSD 的核心思想是在卷积神经网络的不同层级上设置多个特征图用于预测目标。这些特征图在空间上具有不同的尺度，可以检测不同大小的目标。每个特征图上的每个位置都预测一组边界框和对应的类别概率。在本节中，将介绍 SSD 的工作原理，然后在自定义数据集上训练 SSD 目标检测模型。
Pytorch搭建SSD目标检测平台
qq_33287871的博客
07-16 799
什么是SSD目标检测算法 SSD是一种非常优秀的one-stage目标检测方法，one-stage算法就是目标检测和分类是同时完成的，其主要思路是利用CNN提取特征后，均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，物体分类与预测框的回归同时进行，整个过程只需要一步，所以其优势是速度快。 但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），导致模型准确度稍低。 SSD的英文全名是Single Shot MultiBox
深度学习目标检测系列论文阅读和Pytorch实现(三)——SSD代码实现
IEEE_FELLOW的博客
02-09 3444
本章介绍SSD的Pytorch代码实现。 具体原理参考上一章节：https://blog.csdn.net/IEEE_FELLOW/article/details/104241995 代码我已经上传我的github，欢迎star：https://github.com/midasklr/SSD.Pytorch 主要参考了https://github.com/amdegroot/ssd.pyto.........
目标检测(五)：用个人数据集实现SSD-Pytorch的训练与预测
weixin_41936775的博客
05-06 6131
简记步骤0：环境step0：环境配置步骤1：数据集转换step1: 用 `voc2ssd.py` 生成索引文件step2：用 `voc_annotation.py` 生成用于训练的文件步骤2：训练网络step3：修改 `config.py` 文件step4：运行 `train.py` 文件步骤3：预测step5：修改根目录下 `ssd.py` 文件step6：修改nets目录下 `ssd.py` 文件step7：运行 `predict.py` 文件踩坑 步骤0：环境 因为电脑配置比较差（NVIDIA Gef
PyTorch 目标检测教程
最新发布
jixiaoyu0209的博客
09-21 1107
目标检测任务不仅要识别图像中的物体类别，还要精确定位物体的边界框。在此任务中，每个模型输出一个物体类别标签和一个边界框。
【pytorch-ssd目标检测】训练自己的模型（一）-环境安装，数据集准备
abysswatcher1的博客
01-31 2550
前情提要 此系列博客记录我从创建，训练，数据集，验证模型的检测精度等的全部踩坑过程，遇到的问题以及解决方法，留下点东西，作为自己这段时间学习的总结，如果能对他人有些帮助就更好了。 环境 系统：Windows10 GPU：GTX1660Ti CUDA：11.0 pytorch：1.6.0 训练过程中可以使用GPU加速，要安装对应自己显卡版本的CUDA，官网可查。不用的话只使用自己的CPU，速度会比较慢。 pytorch环境安装即SSD-pytorch代码下载 点击链接登陆pytorch官网根据电脑的操作系统配
（windows）ssd深度学习2: 训练自己的数据集gpu+ windows11+ anaconda+ pycharm+ RTX3050 笔记（内含单通道灰度图像的训练方法）
chao_xy的博客
03-09 1261
ssd深度学习2: 训练自己的数据集gpu+windows11+anaconda+pycharm+RTX3050 笔记，包括单通道灰度图像数据集修改训练的方法
从零开始搭建一套SSD目标检测算法
weixin_45303602的博客
06-26 2145
SSD是一种非常优秀的one-stage目标检测方法，one-stage算法就是目标检测和分类是同时完成的，其主要思路是利用CNN提取特征后，均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，物体分类与预测框的回归同时进行，整个过程只需要一步，所以其优势是速度快。但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），导致模型准确度稍低。
（12）目标检测_SSD主干网络基于pytorch搭建代码
chencaw的专栏
10-14 1325
dd
用pytorch搭建基于SSD的目标检测代码
09-21
### 回答1： 可以回答这个问题。 使用PyTorch可以搭建基于SSD...使用PyTorch搭建基于SSD的目标检测代码可以帮助我们更好地理解和应用深度学习技术，在目标检测、人脸识别、智能驾驶等领域都具有广泛的应用前景。
目标检测比赛之YOLOV4方法
lodew920
08-09 1841
1 前言 1.1实训背景 随着生产生活对电力能源的需求量不断增加,我国对电力生产产生了更高的需求，受多方面因素的影响,我国电力生产事故的发生频率处于较高水平,对城市的安全生产造成了威胁，因此,必须要将全方位的安全生产理念引入到电力生产作业中,为电力系统的正常运行提供保障，电力生产作业过程中工序复杂，日常巡检和维修过程中会接触高压电力设备，如操作不当或未佩戴防护装备，容易出现安全事故，为确保电力工作人员在采用合规防护措施和操作流程，采用机器学习相关算法对施工现场进行合规检测，诣在提高工作人员安全防护意识，提升
Caffe-SSD训练日志
while10的博客
11-13 544
2019年11月11 用VGG16作为预训练模型，迭代12w次，batchsize用16x32，用dssd的环境，但是增加了mobile_lib.py中的CreateMultiBoxHead_ssd()函数，所用时间为32.6小时 目的： 1.为了验证dssd的环境是否能运行ssd_pascal.py 2.为了验证16x32是否对结果又比较大的影响 结果： mAp值为77.3，说明16x32和32...
深度学习pytorch训练代码模板(个人习惯)
努力努力再努力的小马
09-16 5172
来源：https://zhuanlan.zhihu.com/p/396666255从参数定义，到网络模型定义，再到训练步骤，验证步骤，测试步骤，总结了一套较为直观的模板。目录如下： 导入包以及设置随机种子 以类的方式定义超参数 定义自己的模型 定义早停类(此步骤可以省略) 定义自己的数据集Dataset,DataLoader 实例化模型，设置loss，优化器等 开始训练以及调整lr 绘图 预测 一、导入包以及设置随机种子 二、以类的方式定义超参数 四、定义早停类(此步骤可以省略) 五、定义自己的数据集Dat
人工智能(pytorch)搭建模型19-手把手利用pytorch框架搭建目标检测DarkNet模型，并展现网络结构
weixin_42878111的博客
09-22 940
大家好，我是微学AI，今天给大家介绍一下人工智能(pytorch)搭建模型19-手把手利用pytorch框架搭建目标检测DarkNet模型，并展现网络结构。随着深度学习技术的不断发展，各种卷积神经网络模型层出不穷，其中DarkNet作为一种快速、精准的目标检测模型，在计算机视觉领域得到了广泛的应用。本文将详细介绍DarkNet模型架构与原理，并通过实例训练演示其在目标检测任务中的应用。
深度学习目标检测算法SSD300 训练自己的数据与测试（基于Keras WIN10 Python3.6）数据集制作、代码详细介绍 （源代码、相关软件及权值下载）
ttz_csdn的博客
09-28 7596
基于Keras搭建的SSD300目标检测神经网络 1. 运行需要的模块 代码运行需要部分必须的Python模块包括：（部分依赖模块未列出） Keras >= 2.0.0 TensorFlow >= 1.7.0 Tensorboard >= 1.7.0 numpy >= 1.9.0 opencv >= 3.3.1 2. 测试代码运行情况 下载好的代码（Github下...
pytorch 加载预训练模型 + 断点恢复 + 冻结训练（避坑版本）
我是索隆啊
01-19 7163
1、 预训练模型网络结构 = 你要加载模型的网络结构 那么直接 套用 path="你的 .pt文件路径" model = "你的网络" checkpoint = torch.load(path, map_location=device) model.load_state_dict(checkpoint) 2、 预训练模型网络结构 与你的网络结构不一致 当你直接套用上面公式，会出现类似unexpected key module.xxx.weight问题 这种情况下，需要具体分析一下网络信息，再决定如何加载
yolov4训练数据
m0_75056631的博客
04-25 233
但数据集较小时也可调整 UnFreeze_Epoch 和 Unfreeze_batch_size 可以帮助平衡模型的训练效果和资源利用率。可以尝试降低 Unfreeze_batch_size 的值，例如从默认值 4 调整为 2 或 1，以更好地适应数据集大小。您可以选择减少 UnFreeze_Epoch 的值，以避免过拟合，通常在 5 到 15 之间选择一个合适的值。对于较小的数据集，较小的批量大小可能更合适，以避免过度拟合和内存占用问题。（3）建议训练时数据量尽可能的多，否则。
目标检测模型开发文档v1.0
北冥有渔的博客
09-06 1201
开发步骤：一：数据采集与数据标注二：训练模型三：测试模型代码文件：yolo4_tiny.py，CSPdarknet53_tiny.py定义了一个轻量级模型loss.py用于计算预测框与真实框的iou以及loss值等ious.py用于求出预测框以及真实框的位置utils.py文件中设置了输入进来的图片以及预测框的处理以及训练学习率的调用设置。
yolo目标检测项目
LWF211985的博客
04-26 779
数据过少，不能很好地提高准确率，泛化能力也不足。数据的角度单一，数据集应包含不同场景、不同角度、不同大小的目标，以增强模型的泛化能力。目标框的标注需要尽可能准确，否则模型在训练时可能会学习到错误的信息。
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