PolarMask，GitHub标星8k

nn.Conv2d(in_channels=in_channels,out_channels=out_channels,kernel_size=3,stride=1,padding=1),

nn.ReLU6(inplace=True)

)

def locLayer(in_channels,out_channels):

return nn.Sequential(

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=3, stride=1, padding=1),

)

def conf_centernessLayer(in_channels,out_channels):

return nn.Sequential(

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

Conv3x3ReLU(in_channels=in_channels, out_channels=in_channels),

nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=3, stride=1, padding=1),

)

class PolarMask(nn.Module):

def init(self, num_classes=21):

super(PolarMask, self).init()

self.num_classes = num_classes

resnet = torchvision.models.resnet50()

layers = list(resnet.children())

self.layer1 = nn.Sequential(*layers[:5])

self.layer2 = nn.Sequential(*layers[5])

self.layer3 = nn.Sequential(*layers[6])

self.layer4 = nn.Sequential(*layers[7])

self.lateral5 = nn.Conv2d(in_channels=2048, out_channels=256, kernel_size=1)

self.lateral4 = nn.Conv2d(in_channels=1024, out_channels=256, kernel_size=1)

self.lateral3 = nn.Conv2d(in_channels=512, out_channels=256, kernel_size=1)

self.upsample4 = nn.ConvTranspose2d(in_channels=256, out_channels=256, kernel_size=4, stride=2, padding=1)

self.upsample3 = nn.ConvTranspose2d(in_channels=256, out_channels=256, kernel_size=4, stride=2, padding=1)

self.downsample6 = nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, stride=2, padding=1)

self.downsample5 = nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, stride=2, padding=1)

self.loc_layer3 = locLayer(in_channels=256,out_channels=36)

self.conf_centerness_layer3 = conf_centernessLayer(in_channels=256,out_channels=self.num_classes)

self.loc_layer4 = locLayer(in_channels=256, out_channels=36)

self.conf_centerness_layer4 = conf_centernessLayer(in_channels=256, out_channels=self.num_classes)

self.loc_layer5 = locLayer(in_channels=256, out_channels=36)

self.conf_centerness_layer5 = conf_centernessLayer(in_channels=256, out_channels=self.num_classes)

self.loc_layer6 = locLayer(in_channels=256, out_channels=36)

self.conf_centerness_layer6 = conf_centernessLayer(in_channels=256, out_channels=self.num_classes)

self.loc_layer7 = locLayer(in_channels=256, out_channels=36)

self.conf_centerness_layer7 = conf_centernessLayer(in_channels=256, out_channels=self.num_classes)

self.init_params()

def init_params(self):

for m in self.modules():

if isinstance(m, nn.Conv2d):

nn.init.kaiming_normal_(m.weight, mode=‘fan_out’, nonlinearity=‘relu’)

elif isinstance(m, nn.BatchNorm2d):

nn.init.constant_(m.weight, 1)

nn.init.constant_(m.bias, 0)

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）

自学提升又不知道该从何学起的朋友，同时减轻大家的负担。**

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）
[外链图片转存中…(img-CMyAqbd6-1711192211410)]