随笔分类 - 目标检测
记录目标检测模型的结构以及实验结果
摘要：论文：还没发布 ultralytics官方测试的精度，与v5，v6比较 从官方给的精度看v8比v6在相同型号的模型下，v8比v6精度更高高，参数更少，计算量更少，例如S型号 整体框架 其中bbox loss 分支的卷积 中的self.reg_max=16表示区间[0-16],l,r,t,b除以str
阅读全文
摘要：论文：《A Single-Stage Object Detection Framework for Industrial Applications》 官方实现的各个配置 mmyolo实现的配置，精度比官方略低，但速度比官方更快，模型参数更少，计算量也较少 整体框架 下图是mmyolo给出的yolov
阅读全文
摘要：论文:《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors》2022.7 CVPR 整体框架 在本文复现的yolo7版本 下图是yolov7的网络结构图(来自一位b站up
阅读全文
摘要：论文:《YOLOX: Exceeding YOLO Series in 2021》,CVPR 整体框架 yolox官方的标准测试结果 在本文复现的是yolox-s的版本 下图是YOLOX-L网络结构（借鉴一位b站up的画的图）,同理s，m，l，x的网络整体结构哦都是一样的。因为它是基于YOLO v5
阅读全文
摘要：yolov4 论文:《YOLOv4: Optimal Speed and Accuracy of Object Detection》 yolov4整体框架 借鉴b站一位up的图： 相比于yolov3改进之处 网络结构: Backbone:DarkNet53 => CSPDarkNet53 Neck:
阅读全文
摘要：yolov5作者没有出论文，只放了代码，就根据代码简单看下。 yolov5整体框架图 yolov5总共有很多版本，看Pytorch官方给的不同类型模型的测试结果 在本文使用yolov5的v6.1版本，640分辨率，s模型,也就是上图正序的第二个 YOLOv5针对不同大小（n, s, m, l, x）
阅读全文
摘要：YOLOv3-spp框架图 采用b站一位up主的图 复现细节和结果 1 total param num 62,675,649,计算量：117.3 GFLOPS 2 backbone: Yolov3-spp 3 优化器：optimizer = torch.optim.SGD(params, lr=0.
阅读全文
摘要：复现内容 因为RetinaNet论文用的是coco数据集，而本人因为实验资源与有限，就使用PASCALVOC 2012 数据集作为复现 RetinaNet框架图 此图从论文中截取 复现细节和结果 训练设置的超参数 1 total param num 32，595，224 2 backbone: Re
阅读全文
摘要：实现细节 总共3个模型，第一个是以resnet50为backbone，并加上FPN结构的Faster R-CNN,一个是同样是使用resnet50为backbone，但没用fpn，最后一个是用mobilenetv3作为backbone，用fpn 1 # total param num 41,449,
阅读全文
摘要：复现内容 SSD论文在PASCAL VOC2007 test detection results的SSD300的前两行 不过在论文SSD用的是VGG作为backbone，而我所用代码的backbone则是resnet50，其他方便我尽量与论文一致 SSD框架结构 1 SSD代码采用resnet50(
阅读全文
摘要：目标检测环境以及数据集 环境 pyton:3.8 cuda:11.3,cudnn:8302 pytorch:1.12.1 torch:0.13.1 numpy matplotlib pycocotools lxml pillow wandb 数据集 PASCAL VOC 文件目录 ├── VOCde
阅读全文
浙公网安备 33010602011771号