Detection Head、Neck、Backbone是什么

最新推荐文章于 2024-07-18 23:36:29 发布
最新推荐文章于 2024-07-18 23:36:29 发布
阅读量1.3k 收藏 10
点赞数
CC 4.0 BY-SA版权
文章标签： 深度学习 计算机视觉 目标检测
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.youkuaiyun.com/Lc_001/article/details/129436685
本文介绍了基于深度学习的目标检测模型结构，包括Backbone（主干网络）用于特征提取，如ResNet、Darknet等；Neck作为连接Backbone和Detection Head的中间层，增强特征多样性与鲁棒性；Detection Head则负责利用提取的特征进行目标种类和位置的预测。此外，还提及了瓶颈层、全局平均池化和学习率预热等概念。

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

Tag： #深度学习 #目标检测 #Backbone
简而言之，基于深度学习的目标检测模型的结构可以概括为：输入->主干->脖子->头->输出
主干网络提取特征，脖子提取一些更复杂的特征，然后头部计算预测输出
在这里插入图片描述

Backbone

我们一般将Backbone译作骨干网络或主干网络，它主要指网络中用于特征提取的部分。一般采用已在大型数据集(例如ImageNet|COCO等)上完成预训练的模型，例如：ResNet-50、Darknet53、VGG等。

Neck

用在Backbone和Detection Head之间用来更好地融合和提取特征，进一步提升特征的多样性及鲁棒性。一些模型会添加一些用于收集不同阶段中特征图的网络层。

Detection Head

  • 获取网络输出，利用提取特征做出预测
  • 后续连接的网络层由于主要是服务于detection任务，因此称之为“Detection head”
  • Detection Head译作检测头是获取模型输出内容的网络，利用之前提取的特征做出预测，主要包括预测目标的种类和位置(bounding boxes)。

最低0.47元/天 解锁文章

200万优质内容无限畅学
Jager_416
关注
以Deformable Detection Transformer为例实现mmdetection中backbone、neck、head的特征可视化
认真努力，做一只会飞的毛毛虫。
10-27 8654
对mmdetection熟练使用后，接下来就要为论文等做准备了，同时如果自己的精度不够好，那么就需要可视化模型提取的特征以便做进一步的修改，以下内容包含mmd的完整可视化流程： 步骤一：请确认你的模型是one-stage or two-stage。请先在目录：mmd2.17\mmdet\models\detectors中查看你所训练的detectors是基于哪个基类来实现的，比如以新出的Deformable DETR基于transform的网络结构为例，打开其检测器文件显示如下： 接着找到其包含模块de
【mmdetection系列】mmdetection之neck讲解
聿默的博客
12-10 882
mmdetection之neck讲解。configs、具体实现以及调用是如何的？
5.2.3 检测头设计(计算预测框位置和类别)
我亦无他，唯手熟尔
07-17 1151
将P0[t,0:12,i,j]与输入的第t张图片上小方块区域(i,j)第1个预测框所需要的12个预测值对应，P0[t,12:24,i,j]与输入的第t张图片上小方块区域(i,j)第2个预测框所需要的12个预测值对应，P0[t,24:36,i,j]与输入的第t张图片上小方块区域(i,j)第3个预测框所需要的12个预测值对应。P0[t,0:4,i,j]与输入的第tt张图片上小方块区域(i,j)第1个预测框的位置对应，P0[t,12:16,i,j]与第2个预测框的位置对应，依此类推，则使用下面的程序可以。
HeadDetect:唯一的头部
03-18
头部检测 仅选中“头部检测”，然后检测到您的头部。只是它。
目标检测 Backbone、Neck、Detection head
TEDDY的博客
04-19 838
backbone:提取基础特征网络 head:分类+定位 neck:提出一个好的结构或模块，更好适应feature 补充backbone： 尽管现在学术界已经知道了不用那些在ImageNet上预训练的模型作为backbone，而是自己搭建backbone网络或者使用分类网络，但不会加载预训练模型，也能够达到同样的效果，但是这样的代价就是需要花更多的实践来训练，如何对数据进行预处理也是要注意的，换句话说，给调参带来了更多的压力。关于这一点，感兴趣的读者可以阅读Kaming He的《Rethinking
yolov8检测头
fool996的博客
03-03 1万+
分别通过2个3x3的卷积和一个1x1的卷积来提取信息，最后分别结算Bbox.loss和CLs.loss。可以发现，3层卷积之后有一个for循环，来遍历所有的通道数（3通道），这也是大大加大计算量的原因。cv3: 一个 nn.ModuleList 对象，包含多个卷积层，用于预测每个锚点的类别信息；stride: 一个形状为(nl,）的张量，表示每个检测层的步长（stride）；yolov8中的检测头是yolov8中检测目标的关键，它几乎占了计算量的1/5。nl: 整数，表示检测模型中使用的检测层数；
Context-aware CNNs for person head detection
cv_family_z的博客
12-03 4121
ICCV 2015 Matlab code available http://www.di.ens.fr/willow/research/headdetection/本文使用 CNN 进行 人头检测，包含三个子模型，结构示意图如下： Global model： 主要是给出一个多尺度热量图，越热的地方含有人头的概率越大。使用整幅图像的信息来定位物体，使用 CNN模型 Local model
【mmdetection系列】mmdetection之backbone讲解
聿默的博客
12-10 1406
如果是自己来写这部分代码的话，真的是很容易，如果这个框架中有自带的backbone结构的话，那可以从其他地方找到对应的pytorch版本实现，或者自己写。
mmdetection2.28修改backbone不使用预训练参数、从头训练
weixin_45055622的博客
06-27 828
mmdetection设置backbone从头训练
目标检测算法中的Backbone、Neck和Head（转载）
qq_43781887的博客
04-13 2942
基于深度学习的现在目标检测算法中有三个组件：Backbone、Neck和Head，乍一看很让人不理解： Backbone, 译作骨干网络，主要指用于特征提取的，已在大型数据集(例如ImageNet|COCO等)上完成预训练，拥有预训练参数的卷积神经网络，例如：ResNet-50、Darknet53等 Head，译作检测头，主要用于预测目标的种类和位置(bounding boxes) 在Backone和Head之间，会添加一些用于收集不同阶段中特征图的网络层，通常称为Neck。 简而言之，基于深度学习的
YOLOV8的Detect head 逐行解读
Qiming的博客
07-04 2725
YOLOV8从不同的特征层，得到不同大小的特征图，然后预测每个特征图的每个格子anchor的类别概率，以及每个格子中物体的边框，即相对于中心点上下左右的偏移量box。
mmdetection——anchor_head解读
silence2015的专栏
03-29 3396
mmdet中anchor_head为预测分支的基类，包含了_inti_layers, init_weights, forward_single,forward, get_anchors, loss，get_bboxes这些功能，囊括了训练用到的loss计算以及预测用到的get_bboxes方法。 1、forward_single and forward 单尺度预测，得出分类，边框预测 def fo...
YOLOv5的detect/head层图解
qq_62761504的博客
11-23 922
看了很多YOLOv5的detect/head层详解，但要么太繁杂要么不清晰。所以我画了一个流程图，来帮助自己理解这一部分的数据变化过程。
详解目标检测中的Neck
最新发布
m0_49133355的博客
07-18 919
Neck的主要目的是生成特征金字塔，以便捕捉不同尺度的信息，从而提高检测性能。Neck模块在现代目标检测架构中扮演了重要角色，通过生成多尺度的特征金字塔，帮助网络更好地捕捉不同大小和形状的目标。下采样和上采样：Neck模块通常会进行特征图的下采样和上采样操作，以便更好地捕捉不同尺度的信息。提高特征表示能力：通过Neck模块，可以增强特征的表达能力，特别是对于小目标和复杂场景的检测。多尺度特征融合：Neck模块通过融合来自不同层次的特征，帮助网络更好地检测不同尺度的目标。目标检测中的典型架构。
DeepLearing—CV系列（十五）——目标检测中的Data Augmentation、Backbone、Head、Neck、Loss Function的汇总
wa1tzy的博客
06-27 1067
文章目录一、数据增强方式二、解决数据不均衡三、常用backbone四、常用Head4.1 Dense Prediction (one-stage):4.2 Sparse Prediction (two-stage):五、常用neck5.1 Additional blocks:5.2 Path-aggregation blocks:六、Skip-connections七、常用激活函数和loss7.1 激活函数：7.2 loss：八、正则化和BN方式8.1 正则化：8.2 BN：九、训练技巧 一、数据增强方式
万字详解YOLOv8网络结构Backbone/neck/head以及Conv、Bottleneck、C2f、SPPF、Detect等模块
热门推荐
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-26 9万+
YOLOv8是由Ultralytics开发的最先进的目标检测模型，推升了速度、准确性和用户友好性的界限。YOLO这一缩写代表“你只看一次”（You Only Look Once），通过在一次网络传递中同时预测所有边界框，提升了算法的效率和实时处理能力。相比之下，其他一些目标检测技术需要经过多个阶段或过程来完成检测。YOLOv8在流行的YOLOv5架构上进行了扩展，在多个方面提供了改进。
【YOLOv5】Backbone、Neck、Head各模块详解
qq_44878985的博客
03-01 9万+
详解Yolov5原理及backbone、neck、head三个模块的作用及结构。
目标检测算法的大体框架-------backbone、head、neck
微信号：Custom-Software
10-19 1787
一般翻译成“瓶颈”或是“脖子”，这个翻译总感觉有些问题，此结构主要是将backbone上的多个层级的特征图进行融合加工，增强网络的表达能力，同时，neck决定了head的数量，决定了不同尺度的样本如何分配到不同的head；骨干网络也称为主干网络，主要用于特征提取，提取不同尺度、不同感受野下、不同类别的目标特征，以满足目标检测；SPP、ASPP、RFB、FPN、NAS-FPN、Fully-connected FPN、BiFPN等；检测头，主要用于预测目标的种类和位置(bounding boxes)；
mmdetection换neck
09-03
您好！对于mmdetection模型中的neck部分进行更换，您可以按照以下步骤进行操作： 1. 首先，选择一个新的neck模块或者设计自己的neck结构。neck部分通常位于backbone和head之间，用于进一步提取特征并增加感受野。 2. 在mmdetection代码中，neck通常定义在`mmdet/models/necks`目录下。您可以选择一个现有的neck模块进行替换，或者在该目录下创建一个新的文件来定义您自己的neck结构。 3. 如果您选择替换现有的neck模块，可以参考该模块的定义并进行相应修改。确保新的neck模块与原来的neck模块具有相同的输入输出接口，以便能够与backbone和head部分兼容。 4. 在模型配置文件中，通过修改`model.neck`的值来指定新的neck模块。具体来说，您需要修改`config`文件（通常是yml或py文件），找到`model`部分，并在其中指定新的neck模块。 这样，您就可以将新的neck模块成功应用到mmdetection模型中了。请注意，在更换neck模块后，您可能需要重新训练或微调模型以适应新的结构和参数。
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