NanoDet 源码解读（inference)

已于 2023-02-20 15:27:55 修改
阅读量750 收藏 4
点赞数
分类专栏： 源码解读2 文章标签： 深度学习 人工智能 python
于 2022-12-23 10:10:39 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/level_code/article/details/128284396
版权
本文深入解读NanoDet检测模型的源码，详细剖析ShuffleNetV2作为backbone的结构，以及GhostPAN模块的工作原理。从图片预处理到后处理，包括FPN的top down和bottom up流程，最后讨论NanoDetPlus head及批量非极大值抑制（batched NMS）在目标检测中的应用。
摘要由CSDN通过智能技术生成

目录

网络结构

代码在demo/demo.py

从这一句开始

predictor = Predictor(cfg, args.model, logger, device="cuda:0")

model结构，这里会把没有进入的if分支都删掉，以便简洁。

model = build_model(cfg.model)

def build_model(model_cfg
了解本专栏 订阅专栏 解锁全文 超级会员免费看
蓝羽飞鸟
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
NanoDet ncnn源码解读
蓝羽飞鸟的博客
11-15 631
NanoDet ncnn源码解读
NanoDet关键代码详解(首发)
Less is More
06-12 1798
更新中。。。 def target_assign_single_img(self, grid_cells, num_level_cells, gt_bboxes, gt_bboxes_ignore, .
Nanodet-train.py代码解读
jingyu_1的博客
01-14 411
Nanodet是一个轻量的目标检测网络，具有很多优点，当前很多网络都将它作为超越的对象。下面是本人对于train.py的代码注释，加入了部分个人的理解。
NanoDet代码逐行精读与修改（五.1）检测头的构造和前向传播
HNU跃鹿战队的博客
03-07 2255
介绍了nanodet检测头需要的初始化参数、层构造和前向推理
NanoDet代码逐行精读与修改（零）Architecture
HNU跃鹿战队的博客
03-05 5318
详细地介绍了nanodet的结构和方法，适合入门目标检测后的进阶学习
NanoDet-Plus及其代码解读
Mao_Jonah的博客
02-09 4260
NanoDet-Plus及其代码解读一、前言lossReference: code: Nanodet 一、前言 之前就有关注过NanoDet，在轻量级检测模型中，卓越的性能，引起了广泛讨论，正巧前端时间看到NanoDet作者更新了第二代模型NanoDet-Plus，同时最近在做一些知识蒸馏的工作，看到NanoDet-Plus也引入了LAD[2]的工作，于是研究了一下NanoDet-Plus代码并进行一些修改实验。关于NanoDet-Plus的实验原理等，直接见作者的文章[1]，写得很详细，写得非常棒。本文主
jetson-inference完成的源码
11-08
jetson-inference完成的源码，直接使用代码下拉，没有办法下载完全，编译不过，这个是完全的源码 nvidia公司出品，配合jetson nano自带的GPU加速，非常适合低成本的AI入门学习（图像分类，物体识别，语义分割、...
paddle_inference.zip
09-07
2. 编译与安装：下载PaddleInference源码，根据目标CPU环境配置编译选项，进行编译和安装。 3. 预测API调用：在应用程序中，通过PaddleInference提供的C++或Python API加载模型，进行预测操作。 4. 性能调优：通过...
pytorch中的inference使用实例
09-17
在PyTorch中，Inference是指模型预测阶段，即在训练完成后使用模型对新的未知数据进行预测的过程。本文将深入探讨PyTorch中inference的使用实例，特别关注如何加载预训练模型并对其进行数据预处理，以便进行有效的...
NanoDet-PyTorch:基于NanoDet项目进行小裁剪，专门用来实现PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测
05-11
NanoDet-PyTorch 说明：NanoDet作者开源代码地址： （致敬） 该代码基于NanoDet项目进行小裁剪，专门用来实现Python语言、PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测。 YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备； 轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。 NanoDet 是一种 FCOS 式的单阶段 anchor-free 目标检测模型，它使用 ATSS 进行目标采样，使用 Generalized Focal Loss 损失函数执行分类和边框回归（box regression） 模型性能 Model Resolut
ncnn-android-nanodet
03-25
ncnn-android-nanodet NanoDet对象检测 这是一个示例ncnn android项目，它取决于ncnn库和opencv android apk文件下载 如何构建和运行 步骤1 下载ncnn-YYYYMMDD-android-vulkan.zip或自行为Android构建ncnn 将ncnn-YYYYMMDD-android-vulkan.zip解压缩到app / src / main / jni中，并在app / src / main / jni / CMakeLists.txt中将ncnn_DIR路径更改为您的路径 第2步 下载opencv-mobile-XYZ-android.zip 将opencv-mobile-XYZ-android.zip解压缩到app / src / main / jni中，然后在app / src / main / jni
2022-Yolox-inference
06-16
源码！ 源码！源码！ 1.前言说明 ● 此发布版本为静态调用方式，需要.dll .h .lib。 ● 内容包括示例Demo（exe）以及调用库文件（.dll）共两个主要工程。 2.环境说明 在得到trt（.engine）文件之前 1. yolox工程版本...
NanoDet代码逐行精读与修改（四）动态软标签分配：dynamic soft label assigner
HNU跃鹿战队的博客
03-06 5528
介绍了Nanodet-plus中的软标签分配模块，和一些动态标签匹配的知识，非常详细！（封面图源Megavii：OTA）
NanoDet代码逐行精读与修改（三）辅助训练模块AGM
HNU跃鹿战队的博客
03-06 2553
介绍了NanoDet-plus的辅助训练模块assist guidance module和Generalizaed focal loss中的distribution focal loss的原理。封面图源知乎：https://www.zhihu.com/people/MicrostrongAI
目标检测模型NanoDet（超轻量，速度很快）介绍和PyTorch版本实践
热门推荐
黎国溥
12-02 3万+
YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备；轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。 该代码基于NanoDet项目进行小裁剪，专门用来实现Python语言、PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测。
超轻量目标检测模型NanoDet
行云
11-24 1万+
华为P30上用NCNN移植跑benchmark，每帧仅需10.23毫秒，比yolov4-tiny快3倍，参数量小6倍，COCO mAP(0.5:0.95)能够达到20.6 。而且模型权重文件只有1.8mb，对比动辄数十兆的模型，可以说是相当友好了~ Android Demo 项目地址（提供训练代码到安卓部署一站式解决方案）： RangiLyu/nanodet: ⚡Super fast and lightweight anchor-free object detection model. Onl..
20、NanoDet训练、测试 以及使用ncnn部署Jetson Nano 进行目标检测和串口数据转发
sxj731533730
02-25 6581
基本思想：最近想尝试一下nano 上部署nanodet，于是记录一下训练过程，手中有一份labelme标注的数据集，于是开始了一波操作~ 首先将图片和json数据集转成xml (https://blog.csdn.net/sxj731533730/article/details/90046780)，然后将xml数据集转成voc； import sys import os import json import xml.etree.ElementTree as ET from PIL import Im
手把手教你使用OpenVINO部署NanoDet模型
3D视觉工坊
02-01 2364
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达本文为大家介绍了一个手把手使用OpenVINO部署NanoDet的教程，并开源部署的全部代码，在Intel i7-7700HQ CP...
ultralytics/yolov5源码解读
最新发布
12-01
以下是对ultralytics/yolov5源码的简要解读： Yolov5是一种目标检测算法，它使用深度学习技术来检测图像中的物体。它的源代码由ultralytics开发，是一个基于PyTorch的开源项目。 在Yolov5的源代码中，detect.py是一个用于推理的文件。它使用训练好的模型来检测输入图像中的物体，并输出检测结果。 detect.py文件中的注释提供了对代码的详细解释，包括模型的加载、图像的预处理、推理过程中的各种操作等等。通过学习这些注释，可以深入了解Yolov5的实现细节，从而更好地理解和使用该算法。 以下是detect.py文件中的一些注释示例： 1. 加载模型 ```python # Load model model = attempt_load(weights, map_location=device) # load FP32 model ``` 这段代码加载了一个预训练的模型，并将其存储在变量model中。attempt_load()函数用于加载模型，weights参数指定了模型的权重文件路径，map_location参数指定了模型在哪个设备上运行。 2. 图像预处理 ```python # Preprocess image img = letterbox(img0, new_shape=opt.img_size)[0] img = img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416 img = np.ascontiguousarray(img) ``` 这段代码对输入图像进行了预处理，包括将图像缩放到指定大小、转换颜色空间等操作。letterbox()函数用于将图像缩放到指定大小，并在图像周围添加黑色边框。img0是原始图像，img是处理后的图像。 3. 推理过程 ```python # Inference pred = model(img, augment=opt.augment)[0] pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=opt.classes, agnostic=opt.agnostic_nms) ``` 这段代码执行了推理过程，包括将图像输入模型、获取模型输出、执行非极大值抑制等操作。model()函数用于将图像输入模型并获取模型输出，augment参数指定是否使用数据增强。non_max_suppression()函数用于执行非极大值抑制，去除重叠的检测框。
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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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