目标检测算法对比_目标检测算法工程落地

复盘一下在实现检测算法落地过程中所经历的一个流程；

列出几点重点说明一下：

1、网络的选取和调参是关键；

网络选取：考虑到实际情况的实时性、硬件性能，需考虑参数量较小的检测网络，更倾向于单阶段式的网络；基于yolossd等的多个变体网络；其次基础特征提取网络backbone的替换，传统都是vgg的特征提取，现在mobilenet、v2v3都可以大幅提速；进一步的提速办法还有初始化、蒸馏以及去掉某些基础特征层以裁剪模型，都可以提升速度；当然前提是精度损失较小的前提下。

调参：这里主要根据数据集来决定；最终的检测效果跟样本数量有关，也跟训练网络的部分参数设置有关；如小物体检测和常规的车辆、行人检测候选框大小差异很大，可以适当修改训练网络的anchor值可以大幅提升检测精度、以及修改损失函数的权重等；

2、工程化

将PC端的目标检测算法移植到嵌入式控制器中，不同控制器开发难度可能不一样，带gpu的控制器最好不过，目前来看Nvidia的还是最好用，但它的相机调用很不友好，官方声明不建议使用opencv，用它自带的NVmedia工具，纳尼？Nvidia也想搞技术壁垒？ 相机接口调用这些相机提供商应该能提供驱动，核心在于目标检测算法C++接口开发，以及联调工作将得到的检测结果发送给上层；大量的在线实测工作，再进行反馈修改。是物体的漏检误检则需要从网络端修改，要么继续调参，要么继续增大数据集提升精度；或者是发送或需增加一些新的功能，则是在工程化代码里修改。

是不是感觉落地实现目标检测算法不是很难，有一台好的GPU控制器，精度速度达到平衡的小型化目标检测算法，基本ok了；

不要加追踪算法？？？？不要加测距算法？？？？？