EfficientDet实验笔记

最新推荐文章于 2025-04-02 07:00:00 发布
最新推荐文章于 2025-04-02 07:00:00 发布
阅读量1.8k 收藏 10
点赞数 2
分类专栏： 实验 文章标签： 深度学习 目标检测 计算机视觉
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/m0_53232749/article/details/127623181
版权

一些自己对EfficientDet的理解、总结以及实验

目录

1.EfficientDet网络结构

1.1 主干网络

1.2 BiFPN

1.3 输出端

2.实验及分析

2.1 实验平台

2.2 数据集介绍

2.3 评价指标

2.4 实验结果

1.EfficientDet网络结构

        EfficientDet是在EfficientNet基础上提出来的目标检测模型，它将EfficientNet主干网络、级联的双向特征金字塔网络(bi-directional feature pyramid network,BiFPN)和联合缩放方法结合，可以快速高效完成目标检测，且检测准确率较高，同时网络参数量较之主流检测模型大幅减少，检测速度也得到了很大提升，是目前最先进的目标检测算法之一。EfficientDet是将EfficientNet的复合缩放思路进行延伸，把架构决策明确为了可拓展框架为不同的使用场景提供了D0-D7共8种模型，使用者可根据真实环境中软硬件的性价比与对精度和效率的实际需求，来对模型进行选择。EfficientDet D0-D7网络越来越深，输入分辨率也越来越大，精度越来越高的同时，计算量也越来越大。EfficientDet网络的整体架构如图1所示，是一个端到端的网络，以EfficientNet为主体网络，BiFPN作为特征网络接收来自主干网络的特征并对其进行双向特征融合，最后将融合特征送入分类和边框回归网络，输出目标的类别及位置信息实现目标检测。

图1 Efficientdet-d0算法网络结构图

1.1 主干网络

        骨干特征提取网络对输入图片通过不断的下采样的得到P1-P7的特征层，P1、P2只是简单的下采样，不具有较高的语义信息，不参与后面的加强特征提取网络。而P3-P7称之为有效层，继续传入后面的加强特征提取网络进行特征提取。以Efficientnet-b0为例，网络架构如表1所示，Stage1是一个卷积核大小为3×3的普通卷积层，其中包含批量标准化(batch normalization, BN)和Swish激活函数。Stage2~Stage8都是在重复堆叠MBConv结构。Stage9由一个普通的1×1的卷积层，一个平均池化层和一个全连接层组成。如图3所示，MBConv正是Efficientnet的核心部分，总体的设计思路是倒转残差结构(inverted residuals)，在3×3或者5×5深度可分离卷积结构前利用1×1卷积升维，在深度可分离卷积后增加了SENet（squeeze-and-excitation networks），最后利用1×1卷积降维后增加一个残差边。

表1 Efficientnet-b0的网络架构

最低0.47元/天 解锁文章
对比实验系列：Efficientdet环境配置及训练个人数据集
Yayisheng的博客
04-18 4042
可以通过下方链接下载Efficientdet源码。
EfficientDet
Focus
12-17 233
EfficientDet CVPR 2020 作者：谷歌大脑 论文：https://arxiv.org/pdf/1911.09070.pdf 代码（官方tensorflow）：https://github.com/google/automl/tree/master/efficientdet 代码（最强pytorch复现）：https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch 创新点： 提出了BiFPN，可更好地融合各个尺度的特征 和Eff
【目标检测】【BiFPN】EfficientDet：Scalable and Efficient Object Detection
weixin_44184852的博客
02-21 1303
模型效率在计算机视觉中变得越来越重要。在本文中，我们系统地研究了用于目标检测的神经网络架构设计选择，并提出了几项关键优化以提高效率。首先，我们提出了一种加权双向特征金字塔网络（BiFPN），它可以轻松快速地进行多尺度特征融合；其次，我们提出了一种复合缩放方法，可以同时统一缩放所有骨干网络、特征网络以及框/类别预测网络的分辨率、深度和宽度。基于这些优化和EfficientNet骨干网络，我们开发了一个新的目标检测器系列，称为EfficientDet，它在广泛的资源限制范围内始终比现有技术实现更高的效率。
efficiencydet ：（提供预训练的权重）EfficientDet：Signatrix GmbH实现可扩展且高效的对象检测
02-04
EfficientDet：可扩展且高效的对象检测 介绍 这是我们在EfficientDet：可伸缩和高效对象检测描述的模型的pytorch实现（注意：我们还提供了预先训练的权重，您可以在./trained_models中看到） 我们模型输出的一个例子。 数据集 数据集 班级 ＃火车图片 ＃验证图片 可可2017 80 118k 5千 在存储库下创建一个数据文件夹， cd {repo_root} mkdir data 可可：从下载可可图像和注释。 确保将文件放置为以下结构： COCO ├── annotations │ ├── instances_train2017.json │
EfficientDet阅读笔记
ComeTender的博客
11-28 2075
EfficientDetEfficientDetEfficientDet 阅读笔记 论文贡献： 1. 提出了一个加权的双向特征金字塔结构BiFPNBiFPNBiFPN ，用于快速的特征融合工作； 2. 提出了一个新的联合缩放方法，将backbone,feature network,head,image resolutionbackbone, feature\space netw...
《EfficientDet：Scalable and Efficient Object Detection》论文笔记
m_buddy的博客
01-12 1090
代码地址：EfficientDet.Pytorch 1. 概述 导读：这篇文章的总体思想上借鉴了EfficientNet的设计思路：使用缩放的思想按照需求的网络性能缩放网络大小，在性能与网络大小上获取权衡，可以看作是EfficientNet在检测领域的延伸。针对与检测领域这篇文章提出了两个改进的地方： 1）提出了BiFPN的特征融合结构，使用加权特征融合（特征的权值是可以学习的）的方式替换了原有...
EfficientDet（2019➕CVPR）
最新发布
朴实无华的研究生活
04-02 1165
本文研究了目标检测网络架构的设计选择，提出了两种关键优化来提升效率：一是加权双向特征金字塔网络（BiFPN），实现简单快速的多尺度特征融合；二是复合缩放方法，同时均匀调整主干网络、特征网络及边界框/类别预测网络的分辨率、深度和宽度。基于这些优化与更好的主干网络，作者开发了一种新的目标检测器系列EfficientDet，在各种资源限制下均表现出比现有技术更高的效率。
efficientdet-d0.h5
05-21
目前最优秀的目标检测算法之一，efficientdet-d0算法的keras权重下载，可以在github开源的算法中使用该权重直接完成训练和预测
目标检测相关笔记（四）—— EfficientDet
CV小菜鸟的博客
08-01 1031
目标检测相关笔记（四）—— EfficientDet 最近抽时间把近期顶会上值得关注的目标检测论文简单浏览了一下，对于感兴趣的算法也会过一下代码，详细了解一下具体实现。借着周末有时间在这里简单整理一下，时间有限，能整理一篇是一篇。 论文链接：https://arxiv.org/abs/1911.09070 官方源码：https://github.com/google/automl/tree/master/efficientdet pytorch版复现代码：https://github.com/zylo117
目标检测之EfficientDet: Scalable and Efficient Object Detection
coplin
02-10 1016
EfficientDet: Scalable and Efficient Object Detection 论文：https://arxiv.org/abs/1911.09070 代码（非官方）：https://github.com/toandaominh1997/EfficientDet.Pytorch#datasets 专有名词 Object Detection：目标检测 parameters...
EfficientDet: Scalable and Efficient Object Detection
chairon的博客
01-14 2417
1. 首先，我们提出了一种加权双向特征金字塔网络（BiFPN），它允许简单快速的进行多尺度特征融合。 2. 其次，我们提出了一种复合缩放方法，该方法可同时对所有主干网络，特征网络和box/class预测网络的分辨率，深度和宽度进行均匀缩放。
EfficientDet介绍
song4348101的博客
02-06 7370
EfficientDet: Scalable and Efficient Object Detection 一、摘要 本文系统地研究用于目标检测的神经网络体系结构设计选择，并提出一些关键的优化方法以提高效率。首先，我们提出了一种加权的双向金字塔网络 (BiFPN)，可以轻松快速地进行多种尺度特征融合；第二，我们针对所有的backbone，特征网络和框/分类预测网络提出了一种可以同时统一缩放分辨率、深度和宽度的复合缩放方法。基于这些优化方法和更好的backbone，我们开发了一个新的目标检测器系列—Effic
EfficientDet:Scalable and Efficient Object Detection
weixin_40573220的博客
03-22 2430
快速论文解读|CVPR2020|EfficientDet:Scalable and Efficient Object Detection1、背景描述2、本文方法2.1 BiFPN3、实验结果4、相关链接图片代码片列表表格中、居左、居右SmartyPant列表注脚注释数学公式新的甘特图功能图表流程图导出、导入出入 1、背景描述 在目标检测中，为了增强网络的特征表达能力，我们常用的Neck结构一般为FPN或者PAN，融合低层和高层特征，本文提出这两种方法存在一些不足之处： （1）常见的网络特征融合部分（FPN和
基于EfficientDet模型的实战
rzh554的博客
03-31 2469
基于EfficientDet模型的实战过程概要详解和遇到的一些问题
【目标检测】EfficientDet: Scalable and Efficient Object Detection
zhw864680355的博客
12-16 1933
论文:《EfficientDet: Scalable and Efficient Object Detection》 论文地址：https://arxiv.org/pdf/1911.09070.pdf 开源项目：https://github.com/xuannianz/EfficientDet 原文参考：https://www.cnblogs.com/mlj318/p/11996609.ht...
EfficientDet指标
01-20
### EfficientDet 性能指标和评估标准 #### 模型结构与特点 EfficientDet 是一种单阶段目标检测器，基于 EfficientNet 架构进行了改进。该模型通过复合缩放方法，在不同尺度上平衡网络宽度、深度以及分辨率，从而实现更高效的计算资源利用[^1]。 #### 参数配置 EfficientDet 提供了从 D0 到 D7 多种版本的选择，每种版本对应不同的参数量级和运算次数(FLOPs)，适用于各类硬件平台的需求。随着版本号增加，模型复杂度逐步提升，相应的检测能力也有所增强。 #### 评估标准 对于 EfficientDet 而言，常用的评价指标主要包括以下几个方面： - **mAP (mean Average Precision)**: 平均精度均值是最常用的目标检测性能衡量方式之一。它综合考虑了预测框的位置偏差(IoU交并比)及分类置信度得分等因素的影响。更高的 mAP 表明模型具有更好的定位能力和更低的误报率[^2]。 - **FPS (Frames Per Second)**: 即每秒处理帧数，反映了模型实时性的强弱程度。较高的 FPS 对于视频流分析等应用场景至关重要。 - **Loss 函数**: 训练过程中损失函数的变化趋势可以反映模型收敛情况的好坏。理想的状况是在训练初期快速下降，并最终稳定在一个较低水平附近波动[^3]。 - **Class Accuracy, No Object Accuracy 和 Object Accuracy**: 这些细粒度的准确度测量有助于理解模型在特定类别上的表现差异，尤其是在多标签或多实例场景下的适用性。 ```python import torch from efficientdet import EfficientDetModel model = EfficientDetModel(model_name='efficientdet_d0', num_classes=80) def evaluate_model(dataloader): model.eval() total_loss = 0. with torch.no_grad(): for images, targets in dataloader: outputs = model(images) loss = compute_loss(outputs, targets) total_loss += loss.item() avg_loss = total_loss / len(dataloader) return avg_loss ```
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

刘可乐呀

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