网站没有ftp 怎么推广,外地人网站备案,网站建设项目报告,私人网站开发公司目录
综述与实践指南
SSD (Single Shot MultiBox Detector)
基本配置和使用代码
RetinaNet
基本配置和使用代码
Faster R-CNN
基本配置和使用代码
Mask R-CNN
基本配置和使用代码
Cascade R-CNN
基本配置和使用代码
总结 综述与实践指南
MMDetection是一个基于Py…目录
综述与实践指南
SSD (Single Shot MultiBox Detector)
基本配置和使用代码
RetinaNet
基本配置和使用代码
Faster R-CNN
基本配置和使用代码
Mask R-CNN
基本配置和使用代码
Cascade R-CNN
基本配置和使用代码
总结 综述与实践指南
MMDetection是一个基于PyTorch的开源框架是一个目标检测工具箱包含了丰富的目标检测、实例分割、全景分割算法以及相关的组件和模块支持多种经典和现代模型如ResNet、VGG、EfficientNet等。它还集成了单阶段和两阶段检测器如YOLO、SSD、Faster R-CNN等并提供了模块化设计简化了模型组合、调整和优化的流程。框架还包括数据处理、模型训练、验证和测试的集成解决方案并附有详细的文档和示例。MMDetection 由 7 个主要部分组成apis、structures、datasets、models、engine、evaluation 和 visualization。
MMDetection广泛应用于自动驾驶、安防监控等领域为研究者和开发者提供了一个强大的工具以促进深度学习目标检测的实践和创新。 模型算法下载
在Coovally AI Hub公众号后台回复「模型算法」即可获取下载链接 SSD (Single Shot MultiBox Detector)
SSD是一种单阶段目标检测器。其优点是原始的YOLO和Faster R-CNN在推理速度和精度之间取得了更好的平衡。SSD模型是由Wei Liu等人在使用卷积神经网络CNN进行目标检测的研究中提出的一种改进思路。
SSD用于图像分类、物体检测和语义分割等各种深度学习任务。相对于其他目标检测算法SSD模型有更高的精度而且速度也是非常快的。其主要思路是通过在CNN的最后几层添加多个预测层实现多尺度的目标检测然后通过一个过滤策略对每个检测框进行筛选最后输出最终的检测结果。
SSD模型结构分为两个部分一个是特征提取网络另一个是多尺度检测网络。SSD模型可以被应用在各种目标检测任务中比如人脸检测、车辆检测等。 基本配置和使用代码 # 配置文件路径
config_file configs/ssd/ssd300_coco.py# 模型权重路径
checkpoint_file ssd300_coco_20200307-b3c19318.pth# 创建模型
model init_detector(config_file, checkpoint_file, devicecuda:0)# 测试单张图片
img test.jpg # 测试图片路径
result inference_detector(model, img)
# 可视化结果
show_result_pyplot(model, img, result) 参考论文SSD: Single Shot MultiBox Detector 论文链接https://arxiv.org/pdf/1512.02325 RetinaNet
RetinaNet来自FAIR 论文Focal Loss for Dense Object Detection其简要概述为深入分析了极度不平衡的正负前景背景样本比例导致 one-stage 检测器精度低于 two-stage 检测器基于上述分析提出了一种简单但是非常实用的 Focal Loss 焦点损失函数并且 Loss 设计思想可以推广到其他领域同时针对目标检测领域特定问题设计了 RetinaNet 网络结合 Focal Loss 使得 one-stage 检测器在精度上能够达到乃至超过 two-stage 检测器。
总的来说RetinaNet 有两个大创新1.Focal Loss2.RetinaNet网络。Focal Loss 几乎已经成为 one-stage 算法的标配而 RetinaNet 网络结构也是目前主流的目标检测网络结构其变体不计其数。
RetinaNet网络主要由ResNet作为主干网络、FPN特征金字塔网络作为 neck、以及分类和边框回归子网络作为head组成。RetinaNet模型的特点是它是一种单阶段目标检测器与传统的两阶段检测器如Faster R-CNN相比它更为简洁和高效。RetinaNet的结构主要包括三个部分Backbone、Neck和Head。Backbone通常采用深度卷积神经网络来提取特征Neck部分用于收集不同尺度的特征图而Head则负责生成最终的检测结果。 标准的 RetinaNet 骨架网络采用的是 ResNet 系列。由于骨架本身没有限制MMDetection 中目前提供的预训练权重所涉及的骨架网络包括ResNet50-Caffe、ResNet50-Pytorch、ResNet101-Caffe、ResNet101-Pytorch、ResNeXt101非常丰富。
MMDetection RetinaNet包括了详细的配置和参数设置这使得用户可以根据自己的需求灵活地调整模型。例如用户可以自定义Backbone网络、调整锚点生成策略、选择不同的损失函数等。
基本配置和使用代码 # 配置文件路径
config_file configs/retinanet/retinanet_r50_fpn_1x_coco.py
# 模型权重路径
checkpoint_file retinanet_r50_fpn_1x_coco_20200130-c2398f9e.pth# 创建模型
model init_detector(config_file, checkpoint_file, devicecuda:0)# 测试单张图片
img test.jpg # 测试图片路径
result inference_detector(model, img)
# 可视化结果
show_result_pyplot(model, img, result) 参考论文Focal Loss for Dense Object Detection 论文链接https://arxiv.org/abs/1708.02002 Faster R-CNN
Faster R-CNN是目标检测领域最为经典的方法之一通过 RPN(Region Proposal Networks) 区域提取网络和 R-CNN 网络联合训练实现高效目标检测。其简要发展历程为R-CNN➡Fast R-CNN➡Faster R-CNN。
Faster R-CNN是在Fast R-CNN基础上引入了RPNFaster R-CNN 的出现改变了整个目标检测算法的发展历程。之所以叫做 two-stage 检测器原因是其包括一个区域提取网络 RPN 和 RoI Refine 网络 R-CNN同时为了将 RPN 提取的不同大小的 RoI 特征图组成 batch 输入到后面的 R-CNN 中在两者中间还插入了一个 RoI Pooling 层可以保证任意大小特征图输入都可以变成指定大小输出。简要结构图如下所示 由于 Faster R-CNN 是后续各个算法的 baseline 且用途非常广泛OpenMMLab 提供了非常多的模型配置供研究或者不同任务 fintune 用几乎覆盖了所有常用配置如下所示 1x、2x 和 3x 的模型配置和权重 多尺度训练配置和权重 不同骨架的配置和权重 PyTorch 和 Caffe style 的配置和权重 各种 loss 对比配置和权重 不包含 FPN 的 Faster R-CNN 配置和权重 常用类别例如 person 的配置和权重可作为下游任务例如行人检测的预训练权重性能极佳。 基本配置和使用代码
# 测试单张图片
img path/to/test/image.jpg # 图片路径
result inference_detector(model, img)# 可视化结果
show_result_pyplot(model, img, result)# 如果你需要批量处理图片可以使用以下代码
# images [path/to/image1.jpg, path/to/image2.jpg, ...]
# for img in images:
# result inference_detector(model, img)
# show_result_pyplot(model, img, result) 参考论文Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 论文链接https://arxiv.org/pdf/1506.01497 Mask R-CNN
在 FPN 提出后Kaiming He 等进一步对其进行任务扩展提出了 Mask R-CNN通过新增 mask 掩码分支实现实例分割任务其最大特点是任务扩展性强通过新增不同分支就可以实现不同的扩展任务。例如可以将 mask 分支替换为关键点分支即可实现多人姿态估计。除此之外为解决特征图与原始图像上的 RoI 不对准的问题提出了 ROIAlign 模块。
Mask R-CNN 和 Faster R-CNN 的区别主要包括两个方面 R-CNN 中额外引入 Mask Head从而可以实现实例分割任务 针对特征图与原始图像上的 RoI 不对准问题提出了 RoIPool 的改进版本 RoIAlign 。 Mask R-CNN 易于推广到其他任务例如我们可以在同一框架内实现多人姿态估计。我们在 COCO 整套挑战赛的所有三个赛道上都取得了优异成绩包括实例分割、边界框对象检测和人物关键点检测。在没有任何附加功能的情况下Mask R-CNN 在每项任务中的表现都优于所有现有的单一模型参赛者包括 COCO 2016 挑战赛的获奖者。我们希望我们简单有效的方法能成为一个坚实的基线并为未来的实例级识别研究提供帮助。 基本配置和使用代码 # 配置文件路径
config_file configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py
# 模型权重路径
checkpoint_file mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth# 创建模型
model init_detector(config_file, checkpoint_file, devicecuda:0)# 测试单张图片
img test.jpg # 测试图片路径
result inference_detector(model, img)
# 可视化结果
show_result_pyplot(model, img, result) 参考论文Mask R-CNN 论文链接https://arxiv.org/pdf/1703.06870 Cascade R-CNN
Cascade R-CNN即级联区域卷积神经网络是一种高效的目标检测算法。它的出现解决了传统R-CNN系列算法在处理小目标、重叠目标和背景混杂等复杂场景时的困扰。Cascade R-CNN通过多阶段精细化的检测过程克服了单阶段处理器在处理复杂场景时的不足显著提升了目标检测的性能。
在目标检测中需要使用IoU阈值来区分正负样本。一个使用低IoU阈值比如0.5训练的目标检测器往往会产生噪声检测结果。但是增加IoU阈值往往又会导致检测性能下降。这主要是由于两个原因①在训练过程中正样本数目呈指数级减少而导致过拟合②推理过程中训练检测器时的IoU和预测结果时的IoU不匹配mismatch这一点后面会具体解释。针对这些问题论文中提出了一种多阶段目标检测结构Cascade R-CNN。它由一系列随着IoU阈值增加训练而成的检测器组成对close false positives具有更高的选择性。这个算法是分阶段训练的每个阶段的检测器的输出都会获得一个更好的分布从而以该输出作为新的输入来训练下一个更高质量的检测器。通过逐步改进预测输出结果的重采样可以保证所有检测器在训练时都有一个大小相当的正样本集从而减少了过拟合问题。在推理阶段会采用相同的级联过程使得每个阶段的hypotheses和detector quality更加匹配。Cascade R-CNN在COCO数据集上的表现超过了所有单阶段目标检测模型。实验表明Cascade R-CNN适用于不同的检测器结构并且取得了一致性的提升。
Cascade R-CNN与Faster R-CNN流程对比图如下图所示。 论文中提出了多阶段多阈值的cascade rcnn网络主要目的就是通过级联的、逐渐提升iou阈值的head有选择性的抑制很相近的假阳样本(close false positives), 尤其是“close but not correct” bounding boxes从而提升整体检测效果。该网络结构清晰效果显著并且能简单移植到其它detector中带来2-4%的性能提升。 基本配置和使用代码 # 配置文件路径
config_file configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py
# 模型权重路径
checkpoint_file cascade_rcnn_r50_fpn_1x_coco_20200316-3dc56deb.pth# 创建模型
model init_detector(config_file, checkpoint_file, devicecuda:0)# 测试单张图片
img test.jpg # 测试图片路径
result inference_detector(model, img)
# 可视化结果
show_result_pyplot(model, img, result) 参考论文Cascade R-CNN: High Quality Object Detection and Instance Segmentation 论文链接https://arxiv.org/pdf/1906.09756 总结
MMDetection计算机视觉系列模型在目标检测领域不断刷新纪录从精度到效率均取得了显著成就推动了多个领域的AI发展。
值得一提的是Coovally模型训练平台涵盖了国内外开源社区1000模型算法本期文章中的SSD、Faster R-CNN等热门算法全部包含用户可一键进行下载。
