FasterRCNN学习——修改backbone

于 2024-08-19 17:09:41 发布
阅读量247 收藏
点赞数 3
文章标签： 学习 深度学习 人工智能
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/141329927
版权

——感谢b站霹雳大佬 视频13-换backbone（不带FPN）_哔哩哔哩_bilibili

backbone = Mybackbone()  # 自定义的backbone

# 获取backbone的输出通道数
out=backbone(torch.rand(1,3,224,224))  
print(out["0"].shape) # eg为128

# 设置输出通道数
backbone.out_channels = 128

捋一捋pytorch官方的FasterRCNN代码
qq_45583898的博客
08-29 698
原文：https://zhuanlan.zhihu.com/p/145842317参考：http://t.csdn.cn/idjzU。
Faster RCNN源码_换backbone
weixin_45926697的博客
03-21 479
这里的网络不需要自己搭建了，直接调用torchvision库实现的网络框架，如下图直接导入torchvision里models中的vgg16_bn，直接使用官方提供的网络，如下图的两个文件，要修改backbone，唯一不一样的地方就是creat_model。首先需要了解所需要的输出特征层，在所需要的特征层上面构建FPN结构，FPN结构如下，这里是记录如何更换backbone的笔记，是一个学习记录。那么新构建的backbone就是下图虚线前面的部分。一般来说，并不需要完整的模型，这里实现的方式主要是通过。
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN 的基础网络，ckpt 文件
Faster R-CNN backbone - VGG16.zip
05-19
Faster R-CNN 的基础网络，ckpt 文件
faster-rcnn构建backbone（fpn结构）
weixin_45103604的博客
05-12 2039
torch 1.10以上 对应torch vision 不含fpn结构（一个预测特征层） 修改train文件更改create_model 导入包 import os import datetime import torch import transforms from network_files import FasterRCNN, AnchorsGenerator from my_dataset import VOCDataSet from train_utils import GroupedB
FasterRCNN
qq_37497304的博客
08-30 2838
论文：“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”
目标检测网络 -- FasterRCNN
bywl_zts的博客
05-08 2818
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 FasterRCNN知识点一、ROI Pooling 一、ROI Pooling roi是在原图中的感兴趣区域：可以理解为region of interest。将原图进行特征提取时得到feature map，那么相应的ROI就会在feature map上有映射，这个映射过程就是roipooling的一部分，一般ROI的步骤会继续进行max pooling，进而得到我们需要的feature map，送入后面继续计算。 ...
FasterRCNN模型损失——pytorch实现
Peach_____的博客
01-20 970
【代码】FasterRCNN模型损失——pytorch实现。
目标检测——Faster RCNN
fortune_cookie的博客
10-09 3646
Faster RCNN是由 R-CNN、Fast R-CNN 改进而来，是非常经典的目标检测的两阶段网络。Faster R-CNN 第一步要使用在图片分类任务 (例如，ImageNet) 上预训练好的卷积神经网络，使用该网络得到的中间层特征的输出。Conv layers 包含了 conv，pooling，relu 三种层。一个 MxN 大小的矩阵经过 Conv layers 固定变为 (M/16)x(N/16) ，这样 Conv layers 生成的 feature map 中都可以和原图对应起来。
FasterRCNN源码解析（一）-——跑通代码
prague6695的博客
03-22 5009
FasterRCNN源码解析（一）-——跑通代码 这个系列是对哔哩哔哩up主霹雳吧啦Wz所出的FasterRCNN源码解析的视频进行一个记录以及加上自己理解（可能没有多少，更多的是对数据类型怎么变换的进行一个记录），首先学习源码的第一步就是先跑通目标代码 这里附上霹雳吧啦Wz的github链接：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing 课程中的代码都在git中，大家可以自行下载 文章目录FasterRCNN源码解析（一）
Pytorch faster rcnn模型调用和调整
Libaididi的博客
05-16 3335
Pytorch Faster rcnn 模型调用和调整github上的项目太庞大了下载--打开--看到几十行import--关闭在kaggle上看到了一个大神的代码有两种调整方法1.接上面的代码 github上的项目太庞大了 最近我在做目标检测比赛，因为是小比赛并且对模型和训练时间有限制，所以我懒得在GitHub上下载faster-rcnn项目自己安装，调试，debug。有一说一，我确实在GitHub上下载了几个开源项目，但是它们太大了，我无从下手。 下载–打开–看到几十行import–关闭 GitHub上
更换目标检测的backbone（以Faster RCNN为例）_frozenbatchnorm2d
最新发布
2401_83974020的博客
04-14 1272
设定好return_layers之后,我们还需要指定下我们抽取的这几个特征层,他们对应的channels,通过上图中的表格可以看出这个层对应的channels,分别是[40,112,960], 如果不清楚chanel的话,我随机创建一个tensor,输入backbone,然后通过简单的循环打印抽取特征层名称和shape.它所存储的就是上图中对应索引0-16的17个模块,在源码中我们可以知道每搭建一层就会增加一个模块,所以对应的索引就是该模块所在位置.图中抽取的模块,对应的是。
更换目标检测的backbone（以Faster RCNN为例）
@bangbang的博客
06-11 7232
本博客以Faster RCNN为例，介绍如何更换目标检测的backbone。 对于更换目标检测backbone，主要难点是：如何获取分类网络中间某一个特征层的输出，在该特征层输出的基础上构建我们的目标检测模型。这里简单讲一下如何利用pytorch官方给的方法构建我们新的backbone,关于构建新的backbone，其实它的方法有很多。我们这讲一个比较简单的方法,对于该方法的前提是：torch>1.10 conda install pytorch==1.10.0 torchvision==0.11.0
fasterrcnn+fpn代码总结
qq_43238260的博客
09-23 6706
Fasterrcnn的backbone部分 以resnet50为backbone并且加入了fpn网络，关于fpn就是特征金字塔，简单来说就是融合不同尺度的特征进行检测，既加入底层卷积特征的位置信息对检测小目标很有用，又融合高层卷积特征的语义信息，关于具体实现过程可以看下面的代码分析。 transfrom部分 到这里就定义好了backbone部分。fasterrcnn再dataloader读入数据时仅仅做了to tensor转为张量的操作，因此读入的图像尺寸都是不一样的，在送入网络之前还要进行transf
换FasterRcnn模型backbone
m0_49534117的博客
11-05 1107
因为VGG16模型的self.features对应第一张图上的虚线部分，因为到虚线时已经下采样32倍，一一般目标检测时下采样16倍即可（下采样倍数太大不容易提取小目标信息），所以采用VGG16第二张虚线的部分，也就是去掉了maxpooling.3.换backbone为EfficientNet（其实EfficientNet的主干部分MBCONV就是MobileNetv3的block,这篇论文提出的网络主要是研究深度宽度和输入分辨率共同的影响）
Faster RCNN中Backbone（ResNet50+FPN）
weixin_44422920的博客
03-30 3467
Backbone 这部分展示了使用ResNet50+FPN作为Faster RCNN的特征提取部分 import os from collections import OrderedDict import torch import torch.nn as nn import torch.nn.functional as F class IntermediateLayerGetter(nn.ModuleDict): def __init__(self, model, return_layers):
Faster RCNN训练
weixin_44422920的博客
03-30 2191
训练 其余均为通用的训练流程，Faster RCNN源码上的train、predict均可使用。 import os import datetime import torch import transforms from FastRCNN_model import FasterRCNN, FastRCNNPredictor from ResNet50_FPN import ResNet50_FPN_backbone from Dataset_FasterRcnn import VOCDataset fr
Faster R-CNN 与 RPN
yiran103的专栏
08-01 5089
Fast R-CNN 实现了候选框的特征图共享，大幅提高了训练及部署的效率。然而，网络输入仍然依赖 Selective Search 等方法，在整个系统中耗时占比较高且优化空间有限。 Faster R-CNN 使用 RPN 网络生成候选区域。RPN 与第2阶段的 Fast R-CNN 共享特征图，使得效率再次跃升。 Faster R-CNN 的整体框架如下图所示。 RPN 告诉检测器需要看哪...
model = FasterRCNN(backbone=backbone, num_classes=91)
05-26
这是一个使用 Faster R-CNN 算法进行目标检测的模型的定义。其中 backbone 是指用于提取图像特征的主干网络，num_classes 是指需要检测的目标类别数量。在这个模型中，使用了预训练好的 backbone 网络作为特征提取器...
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
>