【Visdrone数据集】Visdrone+Cascade_Rcnn

已于 2023-02-05 20:18:54 修改
阅读量345 收藏 3
点赞数
分类专栏： Visdrone数据集 文章标签： python 深度学习 开发语言
于 2023-02-04 16:15:03 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/lxslxslxsllll/article/details/128882807
版权

Visdrone+Cascade_Rcnn训练结果记录


发现img_scale对训练差别不大

Cascade_Rcnn epoch=10 img_scal=416*416

训练代码：mmdetection框架cascade_rcnn_r101_fpn_1x_coco.py

bash ./tools/dist_train.sh  configs/cascade_rcnn/cascade_rcnn_r101_fpn_1x_coco.py  4

分辨率：img_scale=(416, 416)
权重保存文件夹：cascade_rcnn_r101_fpn_1x_coco_img_scale416

测试集

命令：

python tools/test.py configs/cascade_rcnn/cascade_rcnn_r101_fpn_1x_coco.py work_dirs/cascade_rcnn_r101_fpn_1x_coco_img_scale416/epoch_10.pth --options "classwise=True" --eval bbox  --out test.pkl

结果：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.177
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=1000 ] = 0.311
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=1000 ] = 0.182
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.080
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.282
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.395
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.266
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=300 ] = 0.266
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=1000 ] = 0.266
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.153
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.409
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.493


+------------+-------+-----------------+-------+----------+-------+
| category   | AP    | category        | AP    | category | AP    |
+------------+-------+-----------------+-------+----------+-------+
| pedestrian | 0.089 | people          | 0.034 | bicycle  | 0.048 |
| car        | 0.422 | van             | 0.259 | truck    | 0.246 |
| tricycle   | 0.108 | awning-tricycle | 0.092 | bus      | 0.378 |
| motor      | 0.098 | None            | None  | None     | None  |
+------------+-------+-----------------+-------+----------+-------+
OrderedDict([('bbox_mAP', 0.1774), ('bbox_mAP_50', 0.3111), ('bbox_mAP_75', 0.1825), ('bbox_mAP_s', 0.08), ('bbox_mAP_m', 0.2817), ('bbox_mAP_l', 0.3953), ('bbox_mAP_copypaste', '0.1774 0.3111 0.1825 0.0800 0.2817 0.3953')])

Cascade_Rcnn epoch=50 img_scal=640*640

训练代码：mmdetection框架cascade_rcnn_r101_fpn_1x_coco.py

bash ./tools/dist_train.sh  configs/cascade_rcnn/cascade_rcnn_r101_fpn_1x_coco.py  4

分辨率：img_scale=(640,640)

测试集

命令：

python tools/test.py configs/cascade_rcnn/cascade_rcnn_r101_fpn_1x_coco.py work_dirs/cascade_rcnn_r101_fpn_1x_coco/best_bbox_mAP_epoch_16.pth --options "classwise=True" --eval bbox  --out test.pkl

结果：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.178                                                                                                         
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=1000 ] = 0.312                                                                                                        
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=1000 ] = 0.183                                                                                                        
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.080                                                                                                        
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.282                                                                                                        
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.398                                                                                                        
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.267                                                                                                         
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=300 ] = 0.267                                                                                                         
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=1000 ] = 0.267                                                                                                        
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.156                                                                                                        
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.411                                                                                                        
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.506                                                                                                        
                                                                                                                                                                                        
                                                                                                                                                                                        
+------------+-------+-----------------+-------+----------+-------+                                                                                                                     
| category   | AP    | category        | AP    | category | AP    |                                                                                                                     
+------------+-------+-----------------+-------+----------+-------+                                                                                                                     
| pedestrian | 0.089 | people          | 0.034 | bicycle  | 0.051 |                                                                                                                     
| car        | 0.421 | van             | 0.258 | truck    | 0.249 |                                                                                                                     
| tricycle   | 0.107 | awning-tricycle | 0.092 | bus      | 0.379 |                                                                                                                     
| motor      | 0.099 | None            | None  | None     | None  |                                                                                                                     
+------------+-------+-----------------+-------+----------+-------+
少吃蛋糕的倒霉蛋
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
DL：关于深度学习常用数据集中训练好的权重文件(Deeplab v3、MobileNet、InceptionV3、VGG系列、ResNet、Mask R-CNN )下载地址集合(持续更新)
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
03-31 5900
DL：关于深度学习常用数据集中训练好的权重文件(densenet、NASNet、MobileNet、InceptionV3、VGG16/19、ResNet、Mask R-CNN )下载地址集合 目录 deep-learning-models下载地址 Mask_RCNN系列下载地址 deep-learning-models下载地址 地址：https://github.com/fchollet/deep-learning-models/releases densenet121_wei
从模糊到清晰的检测:基于yolov5的空中物体检测与超分辨率
最新发布
sybh的博客
05-22 803
随着无人机和卫星技术的广泛使用，航空图像中精确 目标检测的需求激增。传统的目标检测模型，在偏向于大目标 的数据集上训练，很难在小的、密集聚集的目标普遍存在的空 中场景中表现最佳。为了应对这一挑战，我们提出了一种创新 的方法，将超分辨率和经过调整的轻量级YOLOv5架构相结合。采用了一系列数据集，包括VisDrone-2023、SeaDroneSee、 VEDAI和NWPU VHR-10，来评估我们的模型的性能。
【mmdetection】使用cascade-rcnn、faster-rcnn训练自定义的coco数据集
qq_41627396的博客
05-06 1万+
开始 这篇文章主要是记录我第一次使用mmdetection工具包里面的cascade-rcnn训练自己模型的经过 训练环境 本次是使用的系统是linux的ubuntu20.04 cuda=10.2 cudnn=7.6.5 anaconda=3（用于创建虚拟环境，后续的训练、测试模型也在这个虚拟环境中） (以上软件安装可以参考其他博客) pytroch=1.5.0 torchvision=0.6.0 cudatoolkit=10.2.89 mmcv-full=1.3.1 mmdetection=v2.11
pytorch mmdetection2.0安装训练测试(coco训练集)
cp1314971的博客
06-24 3465
摘要 我是使用google的服务器colab来进行安装使用的，很方便，开vpn就能免费使用k80显卡，冲个会员就能使用p100，基本很稳定，能够满足训练需求。如果是自己的电脑注意我安装包的版本，pytorch1.5 torchvision0.6 cuda是10.1版本 安装mmdetection2.0 服务器自带很多的安装包，十分方便， 注意看我colab的整体布局，你下载文件要下载到drive My Drive下才可以保存，这个下载的东西会挂载到云盘上。然后在右边就开始输入命令即可 %cd drive/
【目标检测】VisDrone数据集介绍
wzk4869的博客
11-23 7807
【目标检测】VisDrone数据集介绍
Cascade R-CNN训练自己的数据
m_buddy的博客
03-07 7522
1. 前言 Cascade RCNN是目标检测非常不错的一种方法，没有过分强调主干网络，而是采用层叠的方式提高IOU阈值来提纯样本，对不同的主干网络都能取得2~4个点的提升。这里使用的是Cascade RCNN example下的vgg-9s-600-rpn-cascade模型，这里的9s代表的是有9个anchor，600代表短边的尺寸，这里记录在使用这个代码训练自己的数据的过程，这里需要的目标检...
【VisDrone数据集】Cascade_RCNN训练VisDrone数据集步骤与结果
Gorgeous_wxd
08-13 489
Cascade_RCNN训练VisDrone数据集步骤与结果
数据集【NO.7】无人机航拍数据集——VisDrone2019数据集
m0_70388905的博客
04-11 8452
该数据集还是很不错的供研究的数据集，如果研究无人机视角的图像检测同学可以用该数据集进行研究。小目标、目标重叠、复杂背景等舰船难点，导致检测的mAP会较低，很有研究价值。
ppyoloe实战之VisDrone2019无人机数据
m0_63642362的博客
04-28 7462
转自AI Studio，原文链接：https://aistudio.baidu.com/aistudio/projectdetail/3742987 1. 简介 PaddleDetection最近更新了最新的自研检测算法ppyoloe，在速度和精度上取得了更好的平衡，效果炸裂，得到了很多关注，也有了很多解读和应用。 github: https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe pape
【模型训练】YOLOv7训练visdrone数据集
weixin_51154380的博客
10-17 2569
YOLOv7训练visdrone数据集
【目标检测】YOLOv6理论解读+实践测试VisDrone数据集
兴趣使然的创作者
07-26 4256
YOLOv6是否好用？
TPH-YOLOv5: （中文翻译）
weixin_42182534的博客
03-14 1万+
Abstract 无人机捕获场景下的目标检测是一个最近流行的任务。由于无人机总是在不同的高度进行导航，目标尺度变化剧烈，给网络优化带来负担。此外，在高速低空飞行过程中，由于物体密度较大，会产生运动模糊，给物体识别带来很大挑战。针对上述两个问题，我们提出了TPH-YOLOv5。在YOLOv5的基础上，我们增加了一个预测头来检测不同尺度的物体。然后将原预测头替换为变压器预测头(Transformer prediction heads, TPH)，探索具有自我注意机制的预测潜力。此外，我们还集成...
数据集（1）:从0了解visdrone
qq_34885993的博客
04-21 1万+
VisDrone2018-DET-tookit-master 这是用于图像中对象检测（Object detection）的VisDrone2018-DET工具包。 该文件夹包括有三个文件，如下： 其中，evalDET.m是用于评估检测器的主要功能-请修改数据集路径和结果路径-使用“ isImgDisplay”显示地面真实情况和检测结果 为什么将数据集划分成三个集合： https://blog.csdn.net/weixin_42137700/article/details/9...
深度学习目标检测数据VisDrone2019（to yolo / voc / coco）---MMDetection数据篇
热门推荐
qq_41627642的博客
05-11 3万+
1、VisDrone2019数据集介绍 配备摄像头的无人机(或通用无人机)已被快速部署到广泛的应用领域，包括农业、航空摄影、快速交付和监视。因此，从这些平台上收集的视觉数据的自动理解要求越来越高，这使得计算机视觉与无人机的关系越来越密切。我们很高兴为各种重要的计算机视觉任务展示一个大型基准，并仔细注释了地面真相，命名为VisDrone，使视觉与无人机相遇。VisDrone2019数据集由天津大学机器学习和数据挖掘实验室AISKYEYE团队收集。基准数据集包括288个视频片段，由261908帧和10209幅静
【VisDrone】VisDrone-DET2018数据集介绍
Gorgeous_wxd
05-28 1531
Object detection results on the VisDrone-DET2018testingse The tracking speed (in FPS), GPUs for training, backbone network The APIoU=0.50:0.05:0.95scores on the VisDrone2018testingset of eachobject category
【Visdrone数据集】Vsidrone+Yolov5结果记录
lxslxslxsllll的博客
02-05 3677
visdrone+yolov5s训练结果记录
【目标检测】YOLOR理论简介+实践测试VisDrone数据集
兴趣使然的创作者
07-28 2274
YOLOR的论文不容易啃，因为其在里面写了大篇幅的数学推导概念，我不做深入推导研究，仅对其思想进行简单复述。YOLOR的核心思想也是借鉴了人脑生理学结构。人类可以通过正常的感官和经验来进行主动学习，这部分学习到的知识被称为显性知识，与此同时，人类也可以通过潜意识来进行学习，这部分学习到的知识被成为隐性知识。在传统的神经网络模型中，往往提取了神经元特征而丢弃了隐式知识的学习运用，作者将直接可观察的知识定义为显式知识，隐藏在神经网络中且无法观察的知识定义为隐式知识。...
【VisDrone】VisDrone-DET2019数据集介绍
Gorgeous_wxd
05-28 4493
The descriptions of the submitted algorithms in the VisDrone-DET2019 Challenge Object detection results on the VisDrone-DET2019testingset The AP scores on the VisDrone-DET2019testingset of each object category.
[数据集]|无人机视角
qq_35608277的博客
06-08 1536
VisDrone2019数据集是ICCV 2019 VisDrone 挑战赛发布的数据集，包含train、val、test、test-challeng四部分。 https://github.com/VisDrone/VisDrone-Dataset train：6471张 val：548 张 test：1610张 size: 1360×765、1400×1050、2000×1500 classes：‘0’: ‘ignored regions’, ‘1’: ‘pedestrian’, ‘2’: ‘people
haarcascade_car_plate
04-29
Haarcascade_car_plate需要使用大量的训练样本，并利用机器学习算法对这些数据进行学习和分类。通过合适的参数设置和训练，可以提高Haarcascade_car_plate的精度和鲁棒性。Haarcascade_car_plate的应用非常广泛，...

“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 2
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