【模型复现】目标检测模型——​EfficientDet 快速复现教程

最新推荐文章于 2023-06-30 11:00:09 发布
最新推荐文章于 2023-06-30 11:00:09 发布
阅读量3.8k 收藏 2
点赞数
分类专栏： 模型部署 文章标签： 深度学习 神经网络 人工智能 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_60673947/article/details/124301608
版权
本文是EfficientDet模型的复现教程，介绍了模型的详细信息，包括其复合缩放方法和在对象检测上的应用。此外，还提供了在极链AI云平台上的环境准备和使用步骤，包括模型的配置、推断、训练和评估。
摘要由CSDN通过智能技术生成

01 模型详情

模型简介：

《EfficientDet: Scalable and Efficient Object Detection》论文发表于2020年7月由Mingxing Tan, Ruoming Pang, Quoc V. Le三人完成，EfficientDet是一种对象检测模型，它利用了若干优化和主干调整，例如使用BiFPN，以及一种复合缩放方法，该方法同时均匀缩放所有主干、特征网络和盒/类预测网络的分辨率、深度和宽度。

关键词：对象检测、复合缩放

应用场景：图像分割、目标检测

结构：

最低0.47元/天 解锁文章
极链AI云
关注
专栏目录
目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究（中）
qq_36130719的博客
04-26 425
针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点，基于实时性 和准确性均衡的单阶段目标检测算法YOLOv5，本章提出了一种实时目标检测算 法YOLOv5sm+，力图解决其深度宽度不均衡、分类精度、实时性不足等问题。 首先为解决无人机图像目标尺度差异大、小目标检测率低的问题，分析了深度模 型中模型深度和宽度对无人机图像检测的性能增益，提出了可显著提高感受野的 混合残差空洞卷积模块，并结合无人机图像特点对YOLOv5s模型针对性改进， 设计了YOLOv5sm模型。其次为进一步优化改进模型的实时性与识别率，
目标检测YOLO实战应用案例100讲-基于深度学习的红外目标检测研究与应用
qq_36130719的博客
06-10 1396
计算机视觉是一门赋予机器视觉能力的科学。通过外围设备获得图像作为输入，以对环境信息的表达和理解为目标，模拟人类视觉系统对图像中的目标信息进行识别，进而对事件进行推断预测，给予解释的科学[1]。近年来，随着计算机视觉快速发展，目标检测作为计算机视觉领域的基础核心任务之一，为关键点检测、语义分割、目标跟踪等方向提供重要基础支撑。在目标检测领域，可见光图像在成像的过程中容易受到光照环境的影响，在光照不足或者有强光干扰的情况下，图像成像质量急剧下降，容易产生错检或者。
Efficientdet项目，Tensorflow版与Pytorch版复现指南
Rememberz的博客
07-15 1149
Efficientdet项目，Tensorflow版与Pytorch版实现指南 机器学习小白一枚，最近在实现Efficientdet项目，当然从源代码入手，我相信大部分的小白都是想着先让代码运行起来，再学(xiu)习(gai)代码细节，自己研究了半天，终于知道如何跑通项目了。项目分为tensorflow版(原作者发布的版本)和pytorch版(一位大神复现版)，这两个版本的源代码均在Github上： Tensorflow版：https://github.com/google/automl/tree/mast
Efficientdet的复现+训练自己的数据集
chenhaogu的博客
06-30 2292
efficientnet在工业检测展现出了极其强大的检测效果，与yolov3和yolov5为同一竞争赛道，曾连续霸版6个月以上，而已efficientnet为基础的其他改进模型在工业检测上也表征出适用性。官方源码的框架是基于tensortflow的，且复现的精度远远不及论文提及的精度。zylo117改进的pytorch代码在更容易复现，也更容易学习。复现源码：Yet-Another-EfficientDet-Pytorch/tutorial/train_logo.ipynb at master · zylo
EfficientDet Pytorch+colab复现
weixin_41772246的博客
05-07 916
EfficientDet Pytorch+colab复现 最近zylo大神复现了pytorch版本的EfficientDet，趁着热度我对大神的github项目进行了测试 大神的GitHub链接 我们用google colab来进行测试 1.首先打开colab链接 2.文件=>新建笔记本 3.依次执行下面的代码块 配置环境 !pip install pycocotools numpy==1....
[ 目标检测 ] 经典网络模型4——SSD 详解与复现
A_John 的博客
06-15 3084
[ 目标检测 ] 经典网络模型4——SSD 详解与复现 1、Single Shot Detector 2、SSD 详解 3、SSD 复现 SDD 是一种利用 单一深度神经网络 检测图像中的目标的方法 ； 它的一个关键特征是：使用 多尺度卷积边界框 输出 附加到网络顶部的多个特征图上 ； 它将边界框的输出空间离散化为一组默认框，每个特征图位置具有不同的纵横比和比例 ； 在预测时，网络会根据每个默认框中的对象类别生成分数，并对该框进行调整，以更好地匹配对象的形状 ；...............
Efficientdet
williamhyin的博客
08-31 1704
一文读懂EfficientDet 今年年初Google Brain团队在 CVPR 2020 上发布了 EfficientDet目标检测模型, EfficientDet是一系列可扩展的高效的目标检测器的统称, 其精度与速度全面领先于YOLO V3, MaskRCNN, RentinaNet, NAS-FPN这些常见目标检测模型. EfficientDet-D7 的性能更是非常的惊人, 在 326B FLOPS, 参数量 52 M的情况下, COCO 2017 validation 数据集上取得了 51.0
目标检测相关笔记（四）—— EfficientDet
CV小菜鸟的博客
08-01 982
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
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（附matlab代码实现）
qq_36130719的博客
01-13 4213
现有的小目标定义方式主要分为以下两类，即基于相对尺度的定义与基于绝对尺度的定义。(1)基于相对尺度即从目标与图像的相对比例这一角度考虑来对小目标进行定义。Chen[1]等对小目标做了如下定义：同一类别中所有目标实例的相对面积，即边界框面积与图像面积之比的中位数在0.08%~0.58%之间。除此以外，较为常见的还有以下几种：①目标边界框的宽高与图像的宽高比例小于一定值，较为通用的比例值为0.1；②目标边界框面积与图像面积的比值开方小于一定值，较为通用的值为0.03；
efficientdet-d4.tar.gz
04-07
最新网络efficientdet的与训练模型，谷歌下载不下来的问题
efficientdet-pytorch_efficientdet算法_堆积物_图片识别_
10-01
基于yolo-v4模型算法和EfficientDet算法，提出一种以机器学习中的深度学习为基础，实现对于堆积物特别是河岸堆积物精确识别的算法模型架构方法，探讨及解决当前在河岸堆积物的识别检测方面缺少既成经验与模型方法的问题。本文并将通过对于两种模型算法的相互比较以进一步分析该如何继续提升识别速度与效率，实现速度与精度的有效结合，从而优化并得出更为准确、可靠的结果。
efficient net 算法流程图
05-13
efficient net 的流程图 Efficient Net的工作流程如图2所示。 1. 将图片经过第一个Conv3x3层转化为MBConv模块需要的输入维度； 2. 图片经过一系列的MBConv模块提取出特征图（feature map）；各个MBConv模块的参数进行了精细化调整以适应当前使用环境；组合式的尺度优化方法可以使网络获得更好的感受野； 3. 利用基于Fully-Convlutional-Neural-Network的特征图自适应连接方式。使用Conv1x1网络将能适应各种不同尺寸的特征图，并将其统一为我们需要的维度； 4. 最后通过输出的特征图完成图片的分类识别检测。
EfficientDet
qq_43152949的博客
11-30 1075
EfficientDet 1. Introduction 两个主要挑战： 挑战1：有效的多尺度特征融合：fpn已广泛用于多尺度特征融合，由于这些不同的输入特征在不同的分辨率下，我们发现它们对融合输出的特征的贡献往往是不相等的。为了解决这一问题，我们提出了一个简单而又高效的加权双向特征金字塔网络，它在反复应用自顶向下和自下而上的多尺度特征融合的同时，引入可学习权值来学习不同输入特征的重要性。 挑战2...
【人工智能笔记】第十九节 efficientdet 目标检测模型，官方源码分析系列，Backbone实现细节（一）
不定时更新AI技术tensorflow实现方式，欢迎关注，有问题请私信我。
10-20 1817
这次是根据官方源码，分析efficientdet模型实现细节。因官方代码基于谷歌的automl框架实现，有很多选项配置，该系列基于默认配置，只关注一些实现细节，一些简单的层会粗略带过，计划分为如下章节： Backbone实现细节分析 BiFPN实现细节分析 Box与Class回归细节分析 Loss计算分析 Optimizer梯度计算分析 efficientdet模型结构如下： 代码结构如下： 对应代码位于efficientdet/keras/efficientdet_keras.py：
EfficientDet 训练自己的数据集
gu891221的博客
04-27 7733
EfficientDet训练自己的数据集项目安装数据准别txt->XMLXML->coco.json训练 项目安装 参考代码：https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch 安装及环境配置可参考作者介绍或者其他博客 数据准别 训练时需要将数据集转换为coco格式的数据集，本人使用的数据集为visdrone数据集，转...
【人工智能笔记】第二十一节 efficientdet 目标检测模型，官方源码分析系列，Box与Class回归细节分析（三）
不定时更新AI技术tensorflow实现方式，欢迎关注，有问题请私信我。
10-27 426
本章继续分析Efficientdet模型，Box与Class回归网络部分。 Box与Class实现代码一样，共5层共用一个卷积层，然后链接单独的BN，接激活函数swish，drop_connect方法用于drop部分卷积。Box与Class主要区别是在最后一层通道数不同，Box通道数为num_anchors*4，Class通道数为num_anchors*(num_classes+1)，这里的1为背景。 结构图如下： 代码如下： class ClassNet(tf.keras.layers.La
efficientdet pytorch 复现
最新发布
01-11
EfficientDet是一种高效的目标检测算法，旨在提高目标检测的准确性和效率。它基于EfficientNet模型，通过在不同尺度的特征层上进行多尺度特征融合和级联特征筛选，有效地提高了检测性能。 要复现EfficientDet的...
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
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