昇思训练营day25学习心得-SSD目标检测

模型简介

SSD是单阶段的目标检测算法，通过卷积神经网络进行特征提取，取不同的特征层进行检测输出 。SSD采用了多尺度检测方法，浅层用于检测小目标，深层用于检测大目标。

SSD目标检测主流算法分成可以两个类型：

1.two-stage方法：RCNN系列

2.one-stage方法：YOLO和SSD

模型特点

多尺度检测，采用卷积进行检测，预设anchor

环境准备

确保安装了MindSpore及其必要的依赖库，如mindspore、download、pycocotools、opencv-python。

数据准备与处理

数据集：COCO数据集转换成MindRecord格式。

数据采样：为了使模型对于各种输入对象大小和形状更加鲁棒，通过随机采样不同大小和长宽比的区域，并进行交并比（IoU）过滤和随机翻转等操作来增强数据。

数据集创建

模型构建

SSD网络结构包括特征提取层、多尺度检测层以及预设的anchor框。

损失函数

SSD算法的目标函数分为两部分：计算相应的预选框与目标类别的置信度误差以及相应的位置误差。

位置损失函数：使用Smooth L1 Loss，针对正样本的encode后的位置信息。

置信度损失函数：多类置信度上的softmax损失，用于分类预测。

训练过程

（1）先验框匹配

（2）损失函数

（3）数据增强

评估

使用自定义的eval_net()类进行评估，通过SsdInferWithDecoder类获取预测的坐标和标签。