OneNet：迈向端到端的一阶段目标检测

OneNet：迈向端到端的一阶段目标检测

OneNet[ICML2021] What Makes for End-to-End Object Detection项目地址:https://gitcode.com/gh_mirrors/on/OneNet

在计算机视觉领域，目标检测一直是研究的热点。今天，我们要向大家推荐一个革命性的开源项目——OneNet，它旨在实现端到端的一阶段目标检测，彻底改变了传统的检测流程。

项目介绍

OneNet是一个基于深度学习的目标检测框架，它通过引入分类成本，解决了传统一阶段检测方法中仅依赖位置成本导致的冗余框问题。这一创新使得OneNet能够在不使用非极大值抑制（NMS）的情况下，实现高效且准确的目标检测。

项目技术分析

OneNet的核心技术在于其独特的标签分配方法。与传统方法（如基于框的IoU或点距离）不同，OneNet额外引入了分类成本，这一创新被证明是实现端到端检测的关键。通过这种方式，OneNet能够在推理过程中减少高置信度冗余框的出现，从而避免了NMS这一必要但复杂的后期处理步骤。

项目及技术应用场景

OneNet的应用场景非常广泛，包括但不限于：

• 自动驾驶：实时检测道路上的行人、车辆等目标。
• 安防监控：在复杂的监控场景中准确识别可疑行为。
• 工业检测：自动化检测生产线上的产品缺陷。

项目特点

OneNet的主要特点包括：

• 端到端训练：无需NMS等后期处理，简化了检测流程。
• 高效率：在保持高准确率的同时，提供了快速的训练和推理速度。
• 灵活性：支持多种模型配置，适应不同的精度和部署需求。
• 易于部署：提供了易于部署的模型版本，方便在不同平台上使用。

结语

OneNet不仅在技术上实现了突破，更在实际应用中展现了其巨大的潜力。无论你是研究者、开发者还是企业用户，OneNet都值得你深入了解和尝试。现在就访问OneNet GitHub页面，开始你的端到端目标检测之旅吧！

---

参考文献

如果你在研究中使用了OneNet，或者希望引用其基准结果，请使用以下BibTeX条目：

@InProceedings{peize2020onenet,
  title = 	 {What Makes for End-to-End Object Detection?},
  author =       {Sun, Peize and Jiang, Yi and Xie, Enze and Shao, Wenqi and Yuan, Zehuan and Wang, Changhu and Luo, Ping},
  booktitle = 	 {Proceedings of the 38th International Conference on Machine Learning},
  pages = 	 {9934--9944},
  year = 	 {2021},
  volume = 	 {139},
  series = 	 {Proceedings of Machine Learning Research},
  publisher =    {PMLR},
}

---

许可证

OneNet采用MIT许可证发布，详细信息请参阅LICENSE。

---

安装与使用

OneNet的安装和使用非常简单，详细步骤请参阅安装指南。

---

联系我们

如果你有任何问题或建议，欢迎通过GitHub Issues与我们联系。

---

致谢

感谢所有贡献者和支持者，是你们的努力让OneNet成为可能。

---

更新日志

• 2021年6月28日：OneNet.RetinaNet和OneNet.FCOS在CrowdHuman数据集上的模型已可用。
• 2021年6月27日：OneNet.RetinaNet和OneNet.FCOS模型已可用。
• 2020年12月11日：通过禁用梯度裁剪，OneNet的性能得到了进一步提升。

---

未来计划

• [x] 提供模型和日志
• [ ] 支持Caffe、ONNX、TensorRT
• [ ] 支持MobileNet

---

模型下载

我们提供了多个预训练模型，详细信息和下载链接请参阅模型下载。

---

贡献指南

我们欢迎社区的贡献，详细指南请参阅贡献指南。

OneNet[ICML2021] What Makes for End-to-End Object Detection项目地址:https://gitcode.com/gh_mirrors/on/OneNet