ViTDet 项目推荐
1. 项目基础介绍和主要编程语言
ViTDet 是一个非官方的 PyTorch 实现项目,旨在探索用于目标检测的普通视觉 Transformer 骨干网络。该项目的主要编程语言是 Python,并且依赖于 PyTorch 框架。
2. 项目核心功能
ViTDet 项目的主要功能是实现了一种基于视觉 Transformer (ViT) 的目标检测模型。该模型能够在不重新设计分层骨干网络的情况下,对原始 ViT 架构进行微调,从而实现高效的目标检测。项目中还包含了多种预训练模型和配置文件,支持在 COCO 数据集上的训练和评估。
3. 项目最近更新的功能
- 2022-04-18: 探索使用小型 1K 监督训练模型(20M 参数)进行 ViTDet 的实现,结果显示在 COCO 数据集上达到了 45.6 mAP。此外,使用多阶段结构的结果显示,Swin-T 模型达到了 46.0 mAP,而 ViTAEv2-S 模型达到了 47.8 mAP。
- 2022-04-17: 发布了在 MS COCO 数据集上预训练的 ViT-B 和 ViTAE-B 模型的权重和日志。这些模型完全使用 PyTorch 在 GPU 上进行训练。
- 2022-04-16: 发布了 ViTDet 的初始非官方实现,使用 ViT-Base 模型,在目标检测和分割任务上分别达到了 51.1 mAP 和 45.5 mAP。预训练权重和日志即将上传。