基于mmdetection实现的目标检测任务

由于工作需要，目前开始学习一些目标检测的项目。将自己目前掌握的一些知识进行整理和总结。

目标识别任务：

• 分类（判断是否有目标，属于二分类）
• 定位（localization，判断目标的坐标）
• 检测（检测是什么）
• 分割（场景级/实例级分割）

算法分类

Two-stage: R-CNN系列（实时性低，mAP高，目前主要学习Cascade R-CNN，其余后续进行补充）
One-stage：Yolo系列（实时性高，但是mAP一般）

常用名词

- anchor

新手也能彻底搞懂的目标检测Anchor是什么？怎么科学设置？
【目标检测】anchor基础知识整理
根据这一篇文章终于看懂了anchor的作用，以及如何进行科学设置和anchor-based和anchor-free的区别。
anchor：与传统目标识别算法不同，不需要设定不同尺度大小的滑动窗对整张图像进行检测（耗时、耗费算力）。anchor是提前设定的预选框，判断该预选框中是否有目标，若有目标计算相对坐标偏移以及anchor的长宽比例。
需要注意的是，由实验结果表明，anchor的比例与目标比例越接近，让anchor与物体的IoU为正样本的概率更高，否则会造成许多漏检。
- IoU
交并比，一般设定交并比阈值为0.5，但是这样会出现很多错检。
- mAP
平均精确度（average precision）的平均值。

开源项目

根据这篇文章尝试跑Cascade R-CNN。
Cascade Rcnn 的简单理解
开源项目链接easy_detection，这个开源项目用CPU即可训练，但是速度较慢。
安装过程根据文档操作即可，中间可能会在tensorboard可视化中出现错误，这时可以将代码由

python3 preview.py --config configs/faster_rcnn_voc.yml
tensorboard --logdir logs/preview

改成

python preview.py --config configs/faster_rcnn_voc.yml
tensorboard --logdir logs/preview

下载了训练的faster-rcnn日志，对数据进行测试，验证模型的mAP指标。

代码理解

依据这篇文章进行学习理解：
保姆级 faster rcnn 源码逐行解读—概览

模型faster rcnn文件包含三部分。

faster rcnn包含frcnn、backbone和model三个部分：

• backbone这里使用vgg16，用于提取图像特征。
• frcnn中包含生成