Yolov3与CenterNet速度和精度对比

最新推荐文章于 2024-04-18 22:04:00 发布
最新推荐文章于 2024-04-18 22:04:00 发布
阅读量1.5k 收藏 1
点赞数
分类专栏： 机器学习
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/qq_41082953/article/details/118542934
版权

实验环境：
系统：Ubuntu 20.04.2 LTS
GPU: GeForce RTX 2080 Ti
CPU：Intel® Xeon® Silver 4110 CPU @ 2.10GHz

在这里插入图片描述
DONE (t=13.52s).
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.374
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.551
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.408
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.206
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.420
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.506
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.317
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.521
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.551
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.336
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.594
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.737

yolov3
在这里插入图片描述

Evaluating pycocotools mAP… saving runs/test/exp2/yolov3-spp_predictions.json…
loading annotations into memory…
Done (t=1.05s)
creating index…
index created!
Loading and preparing results…
DONE (t=5.14s)
creating index…
index created!
Running per image evaluation…
Evaluate annotation type bbox
DONE (t=76.22s).
Accumulating evaluation results…
DONE (t=11.70s).
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.442
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.648
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.476
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.274
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.488
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.563
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.350
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.580
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.632
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.456
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.680
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.772
Results saved to runs/test/exp2

dandeseed
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
浅析目标检测入门算法：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4
专注“目标检测”领域技术分享
09-07 3875
本文致力于让读者对以下这些模型的创新点和设计思想有一个大体的认识，从而知晓YOLOv1到YOLOv4的发展源流和历史演进，进而对目标检测技术有更为宏观和深入的认知。本文讲解的模型包括：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4。
[神经网络]Anchor_Free网络(YoloX,CenterNet)
就随便写写....
07-09 1997
Anchor Free的目标检测网络（CenterNet,YoloX）
YOLC~
whaosoft143ai的博客
04-18 267
值得注意的是，作者提出的YOLC显著提高了小目标的检测性能，而中大型目标的改进并不明显。首先，它是一个无监督的模块，这意味着它可以无缝地集成到任何基于关键点的检测器中，而无需额外的簇 Proposal 网络。现有的基于裁剪的方法，如DMNet，产生许多裁剪或使用额外的网络，如ClusDet，导致检测速度低且模型参数增加。此外，尽管上述方法生成了簇区域，但某些簇中的目标分布是稀疏的，对最终性能的贡献很小。具体来说，作者将原始的损失替换为GWD损失，并尝试了基于IoU的损失，如GIoU，DIoU和CIoU。
目标检测：使用mmdetection对比centernet与yolov3的性能
zhengmingzhang的博客
08-22 3154
前情概要 上一篇博客，我通过mmdetection实现的源码解释了centernet的原理，并分析了该算法的一些优缺点，本篇博客我将讲解如何通过mmdetection运行centernet，并基于一个x光数据集对比centernet与yolov3的性能。 本文使用数据集介绍 本文使用的数据集是安检x光的数据集，数据集大小为3600张图片和对应标注，样例图片如下 而需要检测的物体label有10个：knife、scissors、lighter、zippooil、pressure、slingshot、han
基于DAMO-YOLO的RepGFPN多尺度特征融合的YOLOv5、YOLOv7、Faster RCNN、FCOS、CenterNet等目标检测器改进
weixin_44782087的博客
10-10 3988
基于DAMO-YOLO的RepGFPN多尺度特征融合的YOLOv5、YOLOv7、Faster RCNN等目标检测器改进
『深度应用』对CenterNet的一些思考与质疑·对比与U版YoloV3速度与精度
简明AI工作室
07-21 6139
0.引子 笔者很喜欢CenterNet极简的网络结构，CenterNet只通过FCN（全卷积）的方法实现了对于目标的检测与分类，无需anchor与nms等复杂的操作高效的同时精度也不差。同时也可以很将此结构简单的修改就可以应用到人体姿态估计与三维目标检测之中。 后面一些针对CenterNet结构应用于其他任务，也取得不错的效果，比如人脸检测CenterFace以及目标追踪CenterTrack与FairMot。这些内容后面等笔者研习过后再补充，后面应该会做一个类CenterNet结构总结对比，感兴.
PyQt5+yolov5+unet+centernet
08-27
集yolov5、centernet、unet算法的pyqt5界面，可实现图片目标检测和语义分割
基于Yolov5、centernet、unet算法的pyqt5界面，可实现图片目标检测和语义分割+源代码+文档说明+模型
最新发布
06-19
基于Yolov5、centernet、unet算法的pyqt5界面，可实现图片目标检测和语义分割+源代码+文档说明+模型，个人大三学期的期末大作业、经导师指导并认可通过的高分大作业设计项目，评审分98分。主要针对计算机相关专业的...
基于Yolov5、centernet、unet算法的pyqt5界面，可实现图片目标检测和语义分割+源代码+文档说明+模型.zip
05-16
基于Yolov5、centernet、unet算法的pyqt5界面，可实现图片目标检测和语义分割+源代码+文档说明+模型.zip环境配置 python Python>=3.6.0，可以用anconda创建python虚拟环境 conda create -n your_env_name python=x....
集yolov5、centernet、unet算法的pyqt5界面，可实现图片目标检测和语义分割
05-22
【作品名称】：集yolov5、centernet、unet算法的pyqt5界面，可实现图片目标检测和语义分割 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目...
视觉检测模型对比RetinaNet-YOLO-CenterNet-FCOS-DCN-稀疏化剪枝-DIOU、CIOU、LOSS
人生得意须尽欢
12-15 6244
YOLOV3 YOLOV4 CenterNet 笔记本 thikpad 960max() X1 台式机 YOLOV3和YOLOV4对比: onnx的输入size trt的输入size必须一样 thindpad GTX 940max int8 yolov4 31ms yolov3 20ms fp16 yolov4 52ms yolov3 47ms fp32 yolov4 53ms yolov3 20ms YOLOV4和 CenterNet对比: centerNet网
56.4 AP！超越YOLOv4，更快更强的CenterNet2来了！
阿木寺的博客
03-17 1346
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文转载自：AI人工智能初学者Probabilistic two-stage detection代码：https://g...
基于anchor-free的目标检测算法CenterNet研究
Gavinmiaoc的博客
04-20 2062
2020.04.18 小记 近期一直在MOT算法研究，目前SOTA算法核心还是基于CenterTrack网络，而CenterTrack又是基于anchor-free式的CenterNet网络，CenterNet是继YOLO目标检测算法以来新创的目标检测派系，yolo系列都是anchor-based算法，因此着重研究了下CenterNet，其在相同速度下，CenterNet的精度比YOLOv3提高...
CenterNet2：CenterNet再升级，原作者提出基于概率解释的两阶段目标检测
热门推荐
AI数据工厂
03-17 1万+
CenterNet（Objects as Points）原作者的又一力作，超过YOLOv4。其在两阶段目标检测框架中引入概率解释：第一阶段推断出目标vs背景的似然性，第二阶段得到具体类别的分类得分。
CenterNet: object as points分析
如果想成为中心，那么就到中心去吧。
06-27 997
文章目录前言网络结构数据加载器损失函数目标中心的损失目标中心的偏置损失目标大小的损失Reference 前言 anchor-free目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，使得检测速度和精度相比于one-stage和two-stage的框架都有不小的提高，尤其是与YOLOv3作比较，在相同速度的条件下，CenterNet的精度比YOLOv3提高了4个左右的点。 CenterNet不仅可以用于目标检测，还可以用于其他的一些任务，如肢体识别或者3D目标检测等等，但这
目标检测 pytorch复现CenterNet目标检测项目
guoqingru0311的博客
05-10 1365
目标检测 pytorch复现CenterNet目标检测项目
CenterNet目标检测模型及CenterFusion融合目标检测模型
BIT_Legend的博客
07-12 5121
CenterNet是一种基于free-anchor的目标检测模型，其继承自CornerNet目标检测模型，可以很容易迁移到例如3D目标检测和人体关键点检测等任务。 CenterFusion是一种通过融合毫米波雷达数据和可见光相机数据进行3D目标检测模型，该模型属于中端融合模型..........................................
CenterNet
weixin_37958272的博客
07-22 726
Objects as Points 大多数成功的目标检测器都会列出一个几乎详尽的潜在目标位置列表，并对每个位置进行分类。这是浪费，效率低下，需要额外的后处理。在本文中，我们采取了不同的方法。我们将一个对象建模为一个点，即其边界框的中心点。我们的检测器使用关键点估计来找到中心点，并回归到所有其他对象属性，如尺寸、三维位置、方向甚至姿势。我们的基于中心点的方法，CenterNet，是端到端的，比相应的基于bounding box的检测器更简单、更快速、更准确。CenterNet在MSCOCO数据集上实现了最佳的
YOLOV3/ YOLOV4/Centernet 指标比较
05-28 4816
COCO数据集合，1080Ti： yolov3 yolo4 centernet fps ap fps ap fps ap 20 33 43 43 28 41 yolov4：自己数据集合测试结果：5000 valid数据，其中包括BDD80%，自采数据20%。 class_id = 0, name = car, ap = 70.56% (TP = 31806, FP = 12...
yolov8和centernet
09-07
很抱歉，目前我无法提供关于yolov8和centernet的具体信息，因为在提供的引用内容中没有包含关于yolov8和centernet的相关信息。如果您有其他问题，我将非常乐意为您提供帮助。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>
评论 1
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