使用自己的数据集跑few-shot object detection VOC格式数据

最新推荐文章于 2024-06-12 09:06:29 发布
最新推荐文章于 2024-06-12 09:06:29 发布
阅读量1k 收藏 5
点赞数
文章标签： 目标检测 计算机视觉 深度学习
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/jolin_ln/article/details/126712477
版权
  1. 数据集准备：制作VOC格式数据集
  2. 使用官方划分文件划分种子
    官方代码
  3. 根据自己的需求修改划分代码：
    由于我只制作了VOC2007的，所以删掉了关于2012的
    同时由于我的xml文件里的folder不是当前的文件夹，所以做了适当修改
    （暂时还没试微调能不能用这个种子，所以并不确定是否正确，当前正在跑base）
year = 'VOC2007' # tree.find("folder").text
  1. 修改data下代码：
    1）builtin_meta.py文件
    在这里插入图片描述
    这部分修改为你自己的类别，由于不想改太多，所以3个split我全设置为一样的了。
    2）builtin.py文件，由于只有2007的，所以这里只删掉了2012相关的部分
    在这里插入图片描述
  2. 修改配置文件
    修改类别，如果data只有2007的，需要删掉2012的
    在这里插入图片描述
    改完之后根据操作训练就好，base训练可以成功，微调还未尝试
jolin_ln
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
Few-Shot目标检测数据集-已经整理成MS-COCO数据格式-含60000+张图-可直接用于目标检测算法训练.zip
04-07
Few-Shot目标检测数据集_已经整理成MS-COCO数据格式_含60000+张图_可直接用于目标检测算法训练
翻译Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector_202
03-18
翻译Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector_202
few-shot-object-detection:一次性对象检测基准的实现
03-20
少量物体检测（FsDet） FsDet包含ICML 2020论文《令人中的官方几次物体检测实现。 除了以前的作品所使用的基准，我们还在三个数据集上引入了新的基准：PASCAL VOC，COCO和LVIS。我们对多组实验的多次抽样训练样本进行了多组采样，并报告了基础班和新颖班的评估结果。这些在“中有更详细的描述。 我们还为我们的两阶段微调方法（TFA）提供了基准测试结果和经过预训练的模型。在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。 FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型。该存储库的目标是为检测少量物体提供一个通用框架，该框架可用于将来的研究。 如果您发现此存储库对您的出版物有用，请考虑引用我们的论文。 @article{wang2020few, tit
Few-Shot Object Detection via Classification Refinement and
11-16
Few-Shot Object Detection via Classification Refinement and Distractor Retreatment 通过分类细化和干扰器再处理的少镜头对象检测
DeFRCN Decoupled Faster R-CNN for Few-Shot Object Detection.pdf
11-21
DeFRCN Decoupled Faster R-CNN for Few-Shot Object Detection
FewX:FewX是Detectron2之上的开源工具箱，用于数据受限的实例级识别任务
04-12
少数 FewX是Detectron2之上的一个开放源代码工具箱，用于数据受限的实例级识别任务，例如，少拍对象检测，少拍实例分割，部分监督的实例分割等。 Qi Fan （HKUST， ）的所有数据受限的实例级识别作品都在这里开源。 迄今为止，FewX实现了以下算法： ：少量检测物体。 ：部分受监管/完全受监管/快照很少的实例分割（待发布）。 强调 最先进的性能。 FSOD是最好的一次性拍摄对象检测模型。 （此模型可以直接应用于新颖的类，而无需进行微调。微调可以带来更好的性能。） CPMask是最好的部分受监管/快照很少的实例分割模型。 易于使用。 您只需要运行3条代码行即可进行整个实验。 在一条代码行中安装Pre-Built Detectron2。 在一条代码行中准备数据集。 （您需要先下载数据集并在脚本中更改数据路径。） 在一条代码行中进行培训和评估。 更新 Fe
小样本目标检测：few-shot-object-detection训练自己的数据集
热门推荐
qq_35030874的博客
05-18 1万+
few-shot-object-detection代码实验过程 一、基础配置 1、代码下载 https://github.com/wz940216/few-shot-object-detection 2、windows10配置安装detectron2 https://blog.csdn.net/qq_35030874/article/details/116915874?spm=1001.2014.3001.5501 3、运行demo测试环境 下载作者训练模型 http://dl.yf.io/fs-det/m
mmFewShot框架的配置、使用和训练
BelisariusM的博客
08-23 4415
小样本学习/元学习框架mmFewShot的配置、训练自己的数据集
MMfewshot之datasets
qq_43209693的博客
09-26 899
学习mmfewshot的一些个人记录
【小样本目标检测实践VOC格式】Frustratingly Simple Few-Shot Object Detection
maqian5的博客
07-19 4293
小样本目标检测实践
Few-shot Object Detection via Feature Reweighting跑自己的数据集
qq_50777229的博客
07-16 2717
Few-shot Object Detection via Feature Reweighting代码复现
建立于因果推理与机器学习共识的稳定学习
白景屹的博客
03-07 2876
目录引言稳定性可解释性公平性虚假相关性是风险的关键来源预测建模中因果关系的挑战和机遇稳定学习的定位与发展从因果关系的角度进行稳定学习 文章 “Stable learning establishes some common ground between causal inference and machine learning” 深入探讨和总结了因果推理在机器学习取得的关注，并对 “稳定学习” 提出了系统性分析和展望。文章认为，机器学习和因果推理之间应该形成共识，而稳定学习正在向实现这一目标的方向迈进。 因.
RepMet: Representative-based metric learning for classification and few-shot object detection
weixin_36670529的博客
09-12 4999
简介 距离度量学习(DML)已成功地应用于目标分类，无论是在训练数据丰富的标准体系中，还是在每个类别仅用几个例子表示的few-shot场景中。在本文中，我们提出了一种新的DML方法，在一个端到端训练过程中，同时学习主干网络参数、嵌入空间以及该空间中每个训练类别的多模态分布。对于基于各种标准细粒度数据集的基于DML的目标分类，我们的方法优于最先进的方法。此外，我们将提出的DML架构作为分类头合并到...
小样本目标检测：few-shot-object-detection训练自己的数据集（Fine-tune COS classifier）
weixin_46822502的博客
11-05 2102
填补一下之前训练数据集的大坑，在测试自己的数据集时，前面步骤按照(15条消息) 小样本目标检测：few-shot-object-detection训练自己的数据集_一个王同学的博客-CSDN博客_小样本目标检测https://blog.csdn.net/qq_35030874/article/details/116996814配置下来就可以工作了 需要注意的是，如果需要修改Roi-Head的输出层，如将FC修改为COS，需要在tools.ckpt_surgery.py中的main()函数进行修改。如果之前
[数据集][目标检测]中国象棋检测数据集VOC+YOLO格式300张12类别
最新发布
FL1623863129的博客
06-12 304
标注类别名称:[“black_bishop”,“black_king”,“black_knight”,“black_pawn”,“black_queen”,“black_rook”,“white_bishop”,“white_king”,“white_knight”,“white_pawn”,“white_queen”,“white_rook”]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
【传知代码】DETR[端到端目标检测]（论文复现）
ztK63LrD的博客
06-08 1165
在进行目标检测时，需要大量手动设计的组件，比如非极大值抑制（NMS）和基于人工经验生成的先验框（Anchor）等。DETR在其文章中，将目标检测视为一个直接的集合预测任务，从而减少了对人工组件设计的依赖，并使目标检测流程更为简洁。当提供一组固定的、可学习的目标查询DETR来推断目标与全局图像之间的上下文关系时，由于DETR没有先验框的限制，这将使其在预测较大物体时表现得更为出色。如下图展示的是DETR的核心框架。由于直接使用了transformer的结构，这导致模型的计算需求增加。
计算机视觉与深度学习实战，Python为工具，基于光流场的车流量计数应用
一个好知识的传播者
06-06 1145
计算机视觉是一门研究如何使机器从数字图像或视频中提取、分析和理解有用信息的学科。它涉及图像处理、计算机图形学、人工智能等多个领域的知识。深度学习作为机器学习的一个分支，通过模拟人脑神经网络的工作方式，实现对数据的自动学习和特征提取。在计算机视觉领域，深度学习技术被广泛应用于图像分类、目标检测、图像分割等任务。本文介绍了以Python为工具，基于光流场的车流量计数应用。通过计算机视觉和深度学习技术的结合，实现了对交通视频中车辆运动的检测和车流量的计数。
数染色体 算法 python源码
jacke121的专栏
06-09 327
数染色体 算法 python源码
opencv实战小结-银行卡号识别
Laollaoaolao的博客
06-07 1094
好，现在有一个要注意的点，那就是我们在上面得到的contours数组并不是按图片中各个数字从左到右排列的，也就是说数组中第一个坐标可能是图片中8的坐标，那这个时候我们就必须对数组进行排序，排序顺序就是从左到右存。接下来就是将要检测的图像中的数字提取出来，其实整个提取思路都是一样的，但是银行卡的图像比我们的模板往往更加复杂，所以我们要对图片增加一些处理的步骤。，整个图片仍然没有任何变化)好了，那接下来干嘛呢，我们刚刚得到的是四个数字组成的区域的轮廓，这个时候我们应该遍历这些区域，得到里面的四个数字的轮廓。
few-shot object detection
03-16
少样本目标检测是指在训练数据中只有很少的目标类别样本的目标检测问题。在这种情况下，模型需要学习如何通过少量样本来识别多种目标类别，这是一个具有挑战性的任务。为了解决这个问题，研究者提出了许多方法，如迁移学习，生成对抗网络等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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