mmdetectionv2学习----魔改nms（个人学习存档）

于 2024-06-28 15:56:31 发布
阅读量194 收藏
点赞数 1
文章标签： 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/sinat_56727392/article/details/140045690
版权
_我的旺仔呢_
关注
mmdetection改进优化（自己改进步骤）
酸菜鱼Cc的博客
03-28 702
SwinTransformer系列特征提取网络，有三个版本：Large、Small、Tiny。SwinTransformer_large训练的模型精度最优，但是模型太大，用实验室的单GPU跑不起来。
YOLO算法改进指南【初阶改进篇】：2.改进DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS
“365天深度学习训练营”报名进行中～
04-17 1150
非极大值抑制（Non-maximum Suppression (NMS)）的作用简单说就是模型检测出了很多框，我应该留哪些。本篇将演示如何修改：NMS、Merge-NMS、Soft-NMS、CIoU-NMS、DIoU-NMS、GIoU-NMS、EIoU-NMS、SIoU-NMS。
【mmdetection】— 可视化 NMS 前后的预测框
weixin_46600060的博客
06-23 3999
NMS(Non-Maximum Suppression)，即非极大值抑制，是 anchor based 目标检测算法中必不可少的一步，其目的是**抑制掉指向同一个目标的其他得分较低的预测框，只保留得分最高的预测框。简单来说，就是筛选出一定区域内属于同一种类的得分最大的框。 如上图所示，右下图到左下图，即分别为 NMS 前、后的预测结果图片。（图片来源于网络）（1）对目标的种类进行循环，依次对每一个类分别进行非极大值抑制； （2）对于某一类别，根据 score 得分进行从大到小排序。 （3）每次取出得分最大
mmdetection技术报告解读
pprp的博客
11-10 2768
前言：让我惊艳的几个库： ultralytics的yolov3，在一众yolov3的pytorch版本实现算法中脱颖而出，收到开发人员的欢迎，比别的库明显好的点在于，与darknet相似度达到极高的水平，支持自定义cfg文件的加载，简直完美。 michuanhaohao的reid-strong-baseline, 这个库很严谨的将代码划分为几个部分，每个部分只做一小部分的工作，其中使用到了ig...
MMDetection3d | projects魔改笔记
usernameisnotexist的博客
05-24 544
``ignored_instances``（InstanceData）：在训练/测试期间要忽略的实例。-`pred_instances _3d``（InstanceData）：模型的3d实例预测。-`gt_instances_3d``（InstanceData）：3d实例的gt注释。-`proposal``（InstanceData）：在两阶段中使用的区域建议探测器。-`gt_instances``（InstanceData）：2D实例的gt注释。
【OpenMMLab AI实战营第二期】MMDetection安装与使用
JeffDing
06-08 863
MMDetection 是一个目标检测工具箱，包含了丰富的目标检测、实例分割、全景分割算法以及相关的组件和模块，下面是它的整体框架：MMDetection 由 7 个主要部分组成，apis、structures、datasets、models、engine、evaluation 和 visualization。apis 为模型推理提供高级 API。structures 提供 bbox、mask 和 DetDataSample 等数据结构。
MMDetection网络结构讲解
故乡的云和星星
11-19 3067
前言 MMDetection2中大部分模型都是通过配置4个基础的组件来构造的，本篇博客主要是介绍MMDetection中的配置文件，主要内容是按照MMDetection文档进行中文翻译的，有兴趣的话建议去看原版的英文文档。 一、配置文件结构 在config/_base_文件夹下面总共有4个基础的组件，它们分别是：dataset、model、schedule、default_runtime。 许多的方法都可以被这些基础组件轻松的构造，我们将由_base_中的组件构成的配置称之为primitive。
YOLOv5/7 更换 DIoU-NMS / CIoU-NMS / EIoU-NMS/ GIoU-NMS / SIoU-NMS/ Soft-NMS
YOLOv8项目贡献者
06-14 4404
YOLOv5/7 更换 DIoU-NMS
activemq-nms-amqp：Apache ActiveMQ NMS.AMQP客户端的镜像
02-05
阿帕奇-NMS-AMQP 建立状态 操作系统 状态 Linux 视窗 安装Apache NMS AMQP 您可以安装 ： Install-Package Apache.NMS.AMQP 或通过.NET Core命令行界面： dotnet add package Apache.NMS.AMQP 从程序包管理器...
nms-aware-onos：支持NMS的ONOS实施
02-05
ONOS：开放网络操作系统 什么是ONOS？ ONOS是一种新的SDN网络操作系统，旨在实现高可用性，高性能和横向扩展。 顶级功能 通过集群和分布式状态管理实现高可用性。 通过群集和网络设备控制分片的可伸缩性。...
YOLOv8 更换NMS：DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS详解
最新发布
走向CTO的路上...
05-20 1737
非最大值抑制（Non-Maximum Suppression，NMS）是目标检测算法中常用的后处理操作，用于消除预测框中的冗余和重叠，只保留最具代表性的预测框。传统的NMS算法基于IoU（Intersection over Union）度量进行计算，但IoU存在一些局限性，例如对尺度和形状敏感，难以区分正负样本等。为了克服IoU的局限性，研究人员提出了多种改进型NMS算法，例如DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS等。
mmdetection目标检测模型最强优化
dnty00的博客
08-14 5221
本文用SwinTransformer作为Backbone，FPN作为Neck，TOOD模型作为Bbox_head，并加入一系列的模型调优策略，得到目前单GPU最优精度模型。
【mmdetection】参数解析
mjiansun的专栏
06-19 8361
图片输入大小解析 1.单尺度输入： train_pipeline = [ ...... dict( type='Resize', img_scale=(1333, 800), keep_ratio=True), ...... dict(type='Pad', size_divisor=32), ] 实际输入缩放计算方式： max_long_edge = max(img_scale) max_short_edge =
MMDetection 简单教程之配置文件（MMDetection3D也可从此开始学习）
weixin_45657478的博客
09-01 3423
MMDetection 简单教程之配置文件（MMDetection3D也可从此开始学习）
mmdetection(v1.0rc0)-关于一些nms、bbox-gt等细节
baidu_40840693的博客
11-05 3828
简介： http://aiuai.cn/aifarm1216.html 参考： https://www.jianshu.com/p/ab1ebddf58b1 https://zhuanlan.zhihu.com/p/64723237 测试mask-rcnn 程序会从tools/test.py运行： def single_gpu_test(model, data_loader, sh...
配置MMdetection踩过的坑：RuntimeError: nms is not compiled with GPU support
03-01 6133
配置MMdetection踩过的坑：RuntimeError: nms is not compiled with GPU support 这个坑查阅了很多博客一般都说是pytorch版本和mmcv版本不兼容导致，因此我在配置过程中更换了很多版本的pytorch版本，仍然没有用，最终发现是mmcv下build文件夹没有删除，尤其是从同事或同学拷贝过来的代码，一定要先删除该文件夹，然后再进行环境配置。 ...
使用mmdetection检测并存储结果
Allen__Iverson的博客
04-17 7161
使用mmdetection检测并存储结果使用voc格式样本训练检测并保存结果(添加nms) 使用voc格式样本训练 修改mmdet/datasets/voc.py文件中类别，注意格式别出错 CLASSES = ('bird-nest',) 然后修改配置文件，其中img_scale是你输入图片的宽高，num_classes=数据集类别数+1(背景)，其他超参按照官网教程修改即可。 如果要做精度评价...
小白科研笔记：深入理解mmDetection框架——总起篇
Niuip的博客
05-20 4051
1. 前言 开源目标检测框架mmdetection在2D/3D的目标检测上受到越来越多使用者的青睐。作为一个半商业半学术的开源框架，它的很多内部细节是值得学习和借鉴的。同时，没有一个框架是绝对完美的，但是站在巨人的肩膀上无疑会看的更远。小白我认识mmdetection框架是源于对检测算法SA-SSD的研究。在使用和调试SA-SSD和领略mmdetection框架的便捷高效之后，我打算认真分析mmdetection的架构。这是我将要写作的系列博客的核心原因。考虑到我主要做3D目标检测之一块，所以代码的阅读也是
mmdetection安装与测试
热门推荐
洪流之源
06-19 1万+
如下是mmdetection的github地址： https://github.com/open-mmlab/mmdetection 在github中的INSTALL.md文件中，对mmdetection的安装已经有详细的说明，但个人感觉还是有些坑，下面是个人总结的安装与测试步骤： 安装： 1. 安装依赖，我的机器上安装的python3.5、cuda9.0、pytorch1.1，注意pyt...
用mmdetection改进FCOS
05-13
FCOS (Fully Convolutional One-Stage Object Detection) 是一种基于全卷积网络的单阶段目标检测算法，相较于传统的两阶段检测算法，具有速度快，精度高，设计简单等优点。而 mmdetection 是一个基于 PyTorch 的目标检测框架，提供了多种经典的目标检测算法和模型，可以方便地进行模型训练和测试。 为了改进 FCOS 算法，可以考虑在 mmdetection 框架下进行实现，具体流程如下： 1. 数据集准备：按照 mmdetection 的要求，将数据集转化为 COCO 格式，并生成对应的数据集文件。 2. 模型配置：在 mmdetection 中，FCOS 的模型配置文件为 fcos_r50_caffe_fpn_gn_1x.py，可以基于该模型文件进行修改，例如增加网络深度，增加模型通道数，调整超参数等。 3. 模型训练：使用 mmdetection 提供的训练接口，进行模型训练，可以选择使用单机、多机或分布式训练方式。 4. 模型测试：使用 mmdetection 提供的测试接口，对训练好的模型进行测试，得到目标检测的结果。 5. 模型优化：根据测试结果，对模型进行优化，例如增加数据增强、调整模型结构等。 需要注意的是，FCOS 算法相对于传统的两阶段检测算法，有着更强的实时性能和更少的计算量，但在一些复杂场景下的精度可能会有所下降，因此需要在实际应用中进行针对性的优化和调整。
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