目标检测：Retinanet

最新推荐文章于 2024-08-11 09:35:58 发布
原创 最新推荐文章于 2024-08-11 09:35:58 发布 · 3.8k 阅读 · 13 ·
CC 4.0 BY-SA版权
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。

本文详细介绍如何将自定义数据集转换为VOC2007格式并进一步转化为CSV文件，以便于使用Retinanet模型进行目标检测。文章提供转换步骤的详细链接，并附上Retinanet模型的GitHub地址，同时探讨了模型原理、与YOLO及Faster-rcnn的对比，以及调参技巧。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.数据生成参考如下博客（经验证ok）：

制作自己的数据集：首先将自己的数据集转换成VOC2007格式，再把VOC2007转化成CSV格式。

首先将自己的数据集转换成VOC2007格式的数据集：https://blog.youkuaiyun.com/u012426298/article/details/80334292

再将VOC2007格式的数据集转化为CSV：https://blog.youkuaiyun.com/u012426298/article/details/80343500

2.Retinanet模型地址：https://github.com/fizyr/keras-retinanet

3.模型原理和意义

https://blog.youkuaiyun.com/JNingWei/article/details/80038594

4.Retinanet与YOLO，Faster-rcnn对比

https://www.jiqizhixin.com/articles/2018-03-27-5

4.如何调参？

第97步 深度学习图像目标检测：RetinaNet建模
Jet4505的博客
11-24 908
第97步 深度学习图像目标检测：RetinaNet建模
实时目标检测框架对比：YOLO vs SSD vs RetinaNet
最新发布
AI架构师小马
07-03 813
在如今的计算机视觉领域，实时目标检测是一项非常重要的任务。它就像我们人类的眼睛，能够在图像或者视频中快速准确地找到我们感兴趣的目标，比如在监控视频中找到小偷，在自动驾驶中识别道路上的车辆和行人等。我们这篇文章的目的就是要对比三个非常流行的实时目标检测框架：YOLO、SSD 和 RetinaNet，看看它们各自的优缺点，适用场景是什么，这样大家在实际应用中就能根据自己的需求做出更好的选择啦。我们的范围主要集中在这三个框架的原理、性能、应用等方面。接下来，我们会按照下面的结构来详细介绍这三个框架。
PytTorch实现的RetinaNet目标检测
08-11
Pytorch implementation of RetinaNet object detection.
目标检测模型学习（1）：retinanet-pytorch（1）
qiyu_00的博客
09-11 341
一、pytorch环境的搭建 1.Anaconda3下的pytorch-gpu的安装 搭建pytorch的环境，首先我们需要安装好Anaconda来辅助我们安装环境，具体教程可以看作者的这篇文章：深度学习入门笔记--1（Windows10下Anaconda3+Cuda+cuDNN的安装）_qiyu_00的博客-优快云博客 现在相信各位都已经下载并配置好了Anaconda3，现在我们来打开Anaconda Prompt： base代表的就是默认环境，现在让我们来创建一个自己的环境来搭建pyto.
目标检测（2）RetinaNet解读
HouLei
08-14 590
1.核心： one-stage方法：速度快，但有大量候选区，只有少部分为真实标记的，导致计算loss的时候正负样本不平衡。 two-stage方法：可以得到高的精确度，却不能保障速度要求。 思考： 能不能找到一种方法，既保证精确度，又保障速度。 2.解决: Focal Loss的提出就是在one-stage的基础上解决accurary的问题。 one-stage精确度底的本质：类别不平衡导致，导致计算loss时，以类别多的为主导地位。 提出Focal loss:不是解决异常值问题，而是通过控制样本分类难以
目标检测：RetinaNet算法细节以及代码部分
m0_49100031的博客
03-08 6859
一、背景 目标检测算法一般分为单阶段算法和多阶段算法。 多阶段算法特点是：精度高，但速度慢。（Faster-RCNN） 单阶段算法特点是：速度快，但精度不如前者。(SSD,RetinaNet，以及后面的FCOS等等) 精度低的关键原因就在于：正负样本极度不平衡。 那么Faster-RCNN为什么没有这个困扰？ 因为在Faster-RCNN的RPN阶段已经对锚框进行了一个IOU匹配，做了一个筛选。 在SSD中，采用了难负样本挖掘来解决这个问题，但是还是有很多缺陷，主要有一下两个问题。 ① 样本利用不充分：只使
目标检测——RetinaNet（十）
散修炼丹师手记
11-03 704
简介： 这篇paper《RetinaNet：Focal Loss for Dense Object Detection》获得了ICCV 2017的Best，创新点就是Focal Loss了，其主要贡献就是解决了one-stage算法中正负样本的比例严重失衡的问题，不需要改变网络结构，只需要改变损失函数就可以获得很好的效果。 原论文地址：https://arxiv.org/pdf/1708.02002.pdf 网络结构： 由上图可以看出结构比较简单，基础网络使用的是Resnet，然后在不同尺度的featur
Retinanet-Pytorch:Retinanet目标检测算法(简单,明了,易用,全中文注释,单机多卡训练,视频检测)(based on pytorch,Simple, Clear, Mutil GPU)
05-05
目标检测算法pytorch实现, 本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues） 由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型. 但项目代码验证...
train_retinanet目标检测_RetinaNet_目标检测_keras_tensrflow_
10-01
**RetinaNet目标检测技术详解** RetinaNet是一种在计算机视觉领域广泛应用的目标检测算法，它由Kaiming He、Ross Girshick、Kai Zhang和Michael torchvision在2017年提出。该算法解决了传统单阶段检测器如YOLO和SSD...
目标检测系列一：RetinaNet之anchor
何以解忧 唯有专注
03-22 5624
前言 自进入吉大，开始硕士生活之后，本人便很少有时间写一些blog，毕竟忙起来之后时间真的比较紧，不过细想想感觉自己也没忙出个什么。这次，导师给安排的项目是病变细胞检测的项目（Emmmmm，这是我的第三个项目，我研一），在深度学习领域上，属于目标检测的范畴。我主要采用的是RetinaNet，那么今天简单总结一下anchor的相关知识。 什么是Anchor 为什么会出现anchor、anchor处...
RetinaNet深入理解（损失函数详解）
12-28
RetinaNet深入理解（损失函数详解）,RetinaNet深入理解（损失函数详解）
目标检测算法——RetinaNet
weixin_43489950的博客
09-24 213
https://zhuanlan.zhihu.com/p/59910080
目标检测—7 RetinaNet
qq_35732321的博客
03-04 736
RetinaNet1 主干网络2 数据处理3 训练4 预测5 模型评价 1 主干网络 主干网络：RestNet50 + FPN + (cls,reg) RestNet50: 对Inputs用ConvBlock和IdentityBlock进行5次下采样，输出3个特征层 FPN: 对上一步输入的特征层上采样得到5个特征层。 cls , reg:根据上一步的结果分别进行回归和分类。 2 数据处理 把数据分为训练集、验证集、测试集 1.0 设置xml地址和处理数据的存放地址 2.1 得到所有的xml文件
目标检测（Object Detection）—— RetinaNet介绍
weixin_42075898的博客
10-14 1393
1 概述 主流目标检测框架可分成两类：①one-stage方法，以YOLO、SSD为代表；②two-stages方法，以RCNN系列为代表。前者检测速度快，但检测精度较低；后者检测速度慢，但是精度较高。 为什么one-stage方法不如two-stages方法？ 这是RetinaNet的作者提出的问题。作者对此做出的回答是：one-stage方法生成的proposals中正负样本极不均衡造成了o...
论文RetinaNet ：Focal Loss for Dense object Detection阅读笔记
lanpangzi33的博客
05-29 524
论文RetinaNet <>阅读笔记 1.摘要 迄今为止最高精度的对象检测器基于由R-CNN推广的 two-stage 方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的规则，密集采样上应用的 one-stage 探测器具有更快和更简单的可能性，但迄今为止已经落后于 two-stage 探测器的精度。在本文中，我们调查为什么会这样。我们发现在密集探测器训练过程中遇到的极端前景 - 背景类不平衡是其中心原因。我们提出通过重塑标准交叉熵损失来解决这种类不平衡问题，从而降低分配
深度学习之目标检测---RetinaNet网络结构详解
qq_52191127的博客
08-11 2264
无论是前景类还是背景类， p t p_t pt​ 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt​)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt​ 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt​ 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt​;γ \gamma γ 和 α t \alpha_t αt​ 的最优值是相互影响的，所以在评估准确度时需要把两者组合起来调节。
RetinaNet-单阶段目标检测模型
qq_36412570的博客
08-30 631
RetinaNet 动机 one stage的方法思路都得密集采样，然后基于base进行回归，那这个过程中采样出的fake anchor的数量中，正负样本是极端不平衡的，除了像SSD中那样在计算loss时通过score筛选下参与学习的bbox以保持正负样本比的方案，使用有权重的损失函数也会比较好的解决这个问题，这就是retina net中提出的Focal Loss. 方法概要 目的很简单，就是想让数量少的正样本anchor分量重一点，让数量极多的负样本分量轻一点。 先是分类时用到的交叉熵【这里p为预测
目标检测之RetinaNet
踏雪博客
12-19 8839
论文 地址：https://arxiv.org/pdf/1708.02002.pdf 思想 主要目的是解决易分类样本和难分类样本之间的均衡问题，不仅仅是解决样本不均衡的问题。也就是说使易分类样本对loss的贡献减小，使难分类样本对loss的贡献增大。论文最主要的贡献针对这个问题提出了一个loss函数：Focal loss。 Focal loss 是在交叉熵的基础上进行的改进，在损失函数之前增加...
RetinaNet算法笔记
chocv的博客
08-30 934
RetinaNet算法笔记1.核心思想1.1 focal loss损失1.2 简单的网络结构2.网络结构2.1 backbone网络2.2 FPN网络2.3 head网络2.3.1 分类子网络2.3.2 回归子网络3.损失函数计算3.1 anchor及正负样本分配3.1.1 anchor的基础尺寸、长宽比、尺度3.1.2 正负样本分配3.2 边界框回归损失函数3.3 focal loss分类损失3.3.1 standard binary cross entropy3.3.1.1 基本公式3.3.1.2 简单
PyTorch实现RetinaNet目标检测详细代码解析
标题和描述中提到的是使用PyTorch框架复现一个名为RetinaNet的目标检测模型。这个过程涉及到的知识点主要包括目标检测的基本概念、PyTorch框架、以及RetinaNet模型的架构和特点。下面我将详细阐述这些知识点。 目标...
评论 2
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