Faster RCNN源码_换backbone

最新推荐文章于 2024-05-09 20:01:13 发布
最新推荐文章于 2024-05-09 20:01:13 发布
阅读量271 收藏 5
点赞数 3
分类专栏： 深度学习相关 文章标签： pytorch 深度学习
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/weixin_45926697/article/details/136904499
版权

这里是记录如何更换backbone的笔记，是一个学习记录
内容来自于B站视频：霹雳吧啦Wz
主要包括两个部分，更换不带有FPN的backbone和更换带有FPN结构的backbone
更换backbone，不带FPN结构
难点：如何获取分类网络，中间某一个特征层的输出，在输出的基础上构建FasterRCNN
如下图的两个文件，要修改backbone，唯一不一样的地方就是creat_model
在这里插入图片描述
这里实现的方式主要是通过官网提供的create_feature_extractor，用这个函数提取模型中的中间层

在这里插入图片描述
在这里插入图片描述
下面是关于这个函数的解释，**根据所传入的return_nodes参数找到对应的输出节点，这个节点之前的网络保留，之后的部分给删除掉（仅仅保留截止到节点的特征图）**使用方法如下：
在这里插入图片描述
这个网络中的42对应着所需提取部分的卷积层的名称，为什么呢？
可以打印出来这个backbone如下：（如图所示是对应的关系）
那么新构建的backbone就是下图虚线前面的部分

在这里插入图片描述

然后，还需要看一下backbone输出特征矩阵的channel

在这里插入图片描述
后续设置的backbone.out_channels=512

在这里插入图片描述
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，
并且导入预训练权重
在这里插入图片描述
一般来说，并不需要完整的模型，只需要某部分层提取出来的特征层，如下图所示，可以看到Vgg16经过每一层特征尺寸和通道数的变化：

在这里插入图片描述
更换backbone，带FPN结构
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，难点在于要知道获取网络哪个部分的特征层，获取特征层对应哪个模块的输出

在这里插入图片描述

这里创建了一个键值对，每个值对应一个特征层，如下所示抽取了网络中的3个特征层，key对应抽取特征层的模块，value默认从0开始，一直递增
在这里插入图片描述
Mobilenetv3网络如下，抽取的3层特征层分别是下采样了8倍，16倍和32倍如下框内所示：
在这里插入图片描述

这3个层在网络中，对应的名称可以把网络打印出来，可以找到这3层
从表中可以知道，输出的通道对应40,112和960
在这里插入图片描述
在这里插入图片描述

人间烟火_0528
关注
  • 3
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
fasterrcnn_resnet50_fpn_coco-258fb6c6.pth
09-01
fasterrcnn_resnet50_fpn_coco-258fb6c6.pth fasterrcnn_resnet50_fpn_coco-258fb6c6.pthfasterrcnn_resnet50_fpn_coco-258fb6c6.pthfasterrcnn_resnet50_fpn_coco-258fb6c6.pth
faster rcnn接口_源码解析faster rcnn （mask rcnn）全过程
weixin_33711871的博客
02-01 1110
1. 总领过程--官方faster cnnn 调用过程import torchvision, torch# 导入官方faster rcnn 模型model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=False)# For training# 生成随机训练数据，用于测试模型跑通boxes = torch.ran...
fasterrcnn_resnet50_fpn 对于源码的个人理解
qq_35326529的博客
11-18 2539
fasterrcnn_resnet50_fpn 对于源码的个人理解
faster rcnn接口_目标检测网络Faster RCNN详解(一)
weixin_32210881的博客
02-01 464
在RCNN，Fast RCNN之后，Ross B. Girshick在2016年提出Faster RCNN，将特征提取(feature extraction)，proposal提取，目标定位location，目标分类classification整合到了一个网络中，性能大幅提升。作为Two-stage的代表，相比于yolo，ssd等one-stage检测方法，Faster RCNN的检测精度更高，速...
Faster-RCNN源码分析
蓝鲸鱼的博客
01-22 716
code paper 参考文献：Faster R-CNN理解、讨论 一、FasterRCNN类 class FasterRCNN(GeneralizedRCNN): """ 模型的输入应为张量列表，每个张量为[C，H，W]形状，每个图像张量为1张，且范围应为0-1。不同的图像可以具有不同的大小。 模型的行为会根据其处于训练或评估模式而变化。 在train期间，模型期望输入张量以及目标（字典列表）都包含： -框（FloatTensor [N，4]）：格式为[
人工智能学习07--pytorch18--目标检测：Faster RCNN源码解析(pytorch)
AMWICD的博客
05-22 1274
先略，等我听懂之后再写参考pytorch样例。
Faster-RCNN网络backbone主干网络源码解析
吉米_王
03-30 3575
声明：今天我们解析的Faster-RCNN网络底层源码的backbone主干网络是由ResNet和FPN构成，以前也见过VGG的backbone主干网络构成的Faster-RCNN网络，相关论文我之前也草草的过了一遍，作者原文使用的是VGG构建的主干网络。今天的源码解析均依据，手中现有代码实现。 Faster-RCNN网络结构介绍 我们今天就按照这个顺序来简单分析一下Faster-RCNN网络底层源码： backbone主干网络 参数可控的ResNet50 or ResNet101网络 残差.
FasterRCNN pytorch官方源码学习
看艾薇的熊猫的博客
11-13 1648
基类 GeneralizedRCNN class GeneralizedRCNN(nn.Module): def __init__(self, backbone, rpn, roi_heads, transform): super(GeneralizedRCNN, self).__init__() self.transform = transform self.backbone = backbone self.rpn = rpn
Faster RCNN 中的Anchor
陶将的博客
03-03 2096
本篇文章详细介绍Faster RCNN 中的Anchor计算
Faster RCNN 代码解析
YWRTH的博客
01-05 976
本文主要是对 Faster RCNN 流程和代码进行解析
faster_rcnn.rar_RCNN_faster_faster rcnn 程序_faster-rcnn_测试工程
09-21
windows下faster_RCNN 方法用训练好的model进行目标检测的测试工程
faster_rcnn_model百度云下载.txt
03-24
官网下载会下载不成功，资源提供百度云下载链接，包含faster_rcnn_models.tgz（VGG16_faster_rcnn_final.caffemodel,ZF_faster_rcnn_final.caffemodel），imagenet_models.tgz和selective_search_data.tgz，亲测可以...
faster_rcnn_RCNN_RCNN神经网络_卷积神经网络_
09-29
卷积神经网络，用了一个红酒的事例，是自己的课程设计，
Fast R-CNN_RCNN_FastRCNN实现_faster-rcnn_CNN_fasterRCNN_
10-02
faser rcnn 详细的论文描述，完整的介绍了faster rcnn的实现
【Pytorch】1.读取训练数据集
Elephant_King的博客
05-06 242
class MyData(Dataset): # 创建一个MyData类，同时继承Dataset类def __init__(self, root_dir, label_dir): # 类似于c++的构造函数# root_dir 一般设置为训练集文件夹的地址(train)# label_dir 一般设置为分类文件夹的地址(ants)self.path = os.path.join(root_dir, label_dir) # 这个函数的作用是将root_dir的地址与label_dir的地址拼接起来。
每日Attention学习6——Context Aggregation Module
最新发布
xiongxyowo的博客
05-09 193
为了将多层次的融合特征整合到伪装物体预测中，我们设计了一个上下文聚合模块（CAM）来挖掘上下文语义，以增强物体检测，如图5所示。不同于BBSNet中的全局上下文模块不考虑各分支之间的语义关联，CAM考虑到跨尺度交互作用以增强特征表示。
unsqueeze() 方法与squeeze() 方法
wwwwzm的博客
05-07 221
unsqueeze() 方法在 PyTorch 中用于在指定的维度位置插入一个维度大小为 1 的新维度。tips:()内指定维度位置，‘0’表示第一个维度位置，以此类推‘1’ ‘2’ ‘3’.......
faster rcnn fpn_TensorFlow Eager 复现 FPN
05-22
好的，我可以为您提供一些关于复现 FPN 的建议。 首先，您需要先了解 Faster R-CNN 和 FPN 的原理和结构。Faster R-CNN 是一个目标检测算法，它使用深度神经网络来检测图像中的目标，而 FPN 则是一种用于图像特征金字塔的网络结构，用于提取不同尺度的特征。 接下来，您可以使用 TensorFlow Eager 来构建和训练您的模型。TensorFlow Eager 是 TensorFlow 的一个动态图执行引擎，它允许您在 Python 中直接编写和运行 TensorFlow 代码，使得模型构建和调试更加方便。 在构建模型时，您可以使用 TensorFlow 提供的一些预训练模型，例如 ResNet 和 Inception 等，作为模型的特征提取器。然后，您可以在这个基础上添加 Faster R-CNN 和 FPN 的结构进行目标检测。 最后，您需要选择合适的数据集进行训练和测试。常用的数据集包括 COCO、PASCAL VOC 等。您可以使用 TensorFlow 提供的数据加载和预处理 API 进行数据的读取和处理。 需要注意的是，复现 FPN 需要一定的深度学习知识和编程经验。如果您是初学者，建议先学习深度学习和 TensorFlow 的基础知识，再尝试复现 FPN。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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