【slowfast修改阈值检测小目标】修改slowfast种调用detectron2种的faster rcnn的阈值，以增加小目标的检测数量

CSPhD-winston-杨帆

已于 2025-03-15 00:34:10 修改

阅读量19

点赞数

分类专栏： slowfast 计算机视觉实践文章标签： slowfast detectron2 faster rcnn python 深度学习

于 2021-04-23 17:15:07 首次发布

本文链接：https://blog.youkuaiyun.com/WhiffeYF/article/details/116063191

版权

计算机视觉实践同时被 2 个专栏收录

55 篇文章

订阅专栏

slowfast

10 篇文章

订阅专栏

前言

在slowfast中，是先调用faster rcnn，框出人的位置，再把这些人丢进行slowfast的网络，但是再slowfast调用faster rcnn中，官方默认的阈值为0.9，也就是说，检测为人的概率为90%，才能丢进slowfast。这样就导致当画面中人比较多，比较小的时候，只有少数人能被框出来，那么调整阈值，以让更多的人被检测出来。

代码修改

在目录：SlowFast-master/slowfast/visualization/predictor.py：
修改如下：

#self.cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = cfg.DEMO.DETECTRON2_THRESH
self.cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.7

在这里插入图片描述

检测结果对比

下面是官方默认效果
在这里插入图片描述

下面是修改阈值后的结果
在这里插入图片描述

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

CSPhD-winston-杨帆

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

fasterRCNN模型实现飞机类目标检测

09-16

2263

使用预训练模型进行微调：项目加载了一个预训练的 Faster R-CNN 模型，特别是基于 ResNet50 的骨干网络，并利用 COCO 数据集的权重进行微调。这种方法能够加快训练过程，减少对大型数据集的依赖，并确保模型能够在新任务中快速收敛，特别是在较小的训练集上，这是一种常见且有效的策略。自定义数据增强：通过代码中的配置，项目特别引入了数据增强机制，比如图像翻转（），有效提升了模型的泛化能力。这种增强不仅扩大了数据的多样性，还能帮助模型更好地适应实际应用场景中的变化，如不同视角的飞机图像。

基于注意力机制的faster-rcnn算法的目标检测（源码+pytorch框架）

hasakie的博客

12-17

690

基于注意力机制的faster-rcnn算法的目标检测（源码+pytorch框架）

参与评论您还未登录，请先登录后发表或查看评论

faster RCNN实现细节

kkkkkkkkq的博客

01-16

1493

http://blog.youkuaiyun.com/hunterlew/article/details/71075925 部分说的很好。 RPN训练设置：根据ANCHOR_SCALES和ANCHOR_RATIOS得到 (1)width/RPN_FEAT_STRIDE*height/RPN_FEAT_STRIDE*len(ANCHOR_SCALES)*len(ANCHOR_RATIOS)个anch

SlowFast神经网络！github克隆到运行成功全过程实战篇

j18423532754的博客

10-12

6979

前言上次更新了SlowFast，虽然没得好多人看，但是还是想把他更新完，为什么呢，其实我开始拿到SlowFast这个facebook写得项目的时候，很头疼。中国这边介绍slowfast的少之又少，搜来搜去的没有一点结果，那我就抛开了那些，认认真真的去读官方的手册和翻墙去和外面的人讨论，最后也确实帮我提升了不少，相信用slowfast跑项目的我们这边的人，我们确实是一种缘分。也希望，这种比较好的项目能在我们中国也能讨论起来，借鉴学习一下。回顾上一次写的文章告诉大家要从我们上次项目结构中的1、2

detectron2和slowfast的安装与使用

leimingxiao的博客

03-07

4751

1.首先在github上下载slowfast和detectron2的代码，然后放到自己想放的位置，我是把detecron2放在slowfast文件夹里面，因为slowfast的使用要用到detectron2.（注：很多教程都是用git+http链接，外网网速不好的朋友会一直报错，最好复制Git后面的链接直接到官网下载zip包） 2.配置各种依赖项配置依赖项时，由于我之前配置YOLOv5时新建的yolov5环境中已经安装了cuda11和torch1.7，opencv等依赖，其实只要安装fvcore等这种d

slowfast检测结果获取

mmm_morning的博客

10-10

965

slowfast检测结果获取在成功运行完示例之后，想要根据检测结果进行后续工作，一个必不可少的数据便是模型的检测结果。在slowfast项目中，我暂时没找到官方提供的可用接口可以直接使用，在github中有看到类似信息，根据他的提示，改写部分代码，成功获取模型检测的分类结果。在slowfast官方项目中找到video_visualizer.py文件,slowfast->slowfast->visualization->video_visualizer.py 2.在该文件中找到dr

【slowfast 代码解析输出检测数据】

CSPhD-winston的博客

05-07

6404

前言 slowfast可以做很好的视频的行为检测，但是，最后呈现出来的结果只是人的视觉层面看到。我们要拿到检测的数据，检测的人在那个位置，在做什么，这一时刻，其他人都在做什么，我们都要拿到这些数据，然后对其进行数据分析。代码跟踪在之前的博客写了slowfast的复现过程【SlowFast复现】SlowFast Networks for Video Recognition复现代码使用自己的视频进行demo检测下面这个就是代码的运行命令： python tools/run_net.py --cfg d

基于OpenCV-DNN的Faster-RCNN目标检测实现

需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号

05-05

1051

Faster-RCNN，将目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）统一到一个深度网络框架之内。Faster-RCNN在多个数据集上表现优秀，且容易进行迁移，对数据集中的目标类进行更改就可以很好的改变测试模型。本次实验使用OpenCV的DNN模块，使用根据COCO数据集训练好的模型的权重，对test.jpg图片进行目标检测。

面试真题总结：Faster Rcnn，目标检测，卷积，梯度消失，Adam算法

柏拉图工作室-AI学科

01-19

2万+

目标检测可以分为两大类，分别是什么，他们的优缺点是什么呢？答案：目标检测算法分为单阶段和双阶段两大类。单阶段目标验测算法（one-stage），代表算法有 yolo 系列，SSD 系列；直接对图像进行计算生成检测结果，检测速度快，但检测精度低。双阶段目标验测算法（two-stage），代表算法 RCNN 系列；先对图像提取候选框，然后基于候选区域做二次修正得到检测点结果，检测精度较高，但检测速度较慢。【单阶段偏应用,因为在精度没有差很多的情况下，速度很快，就会选择单阶段目标检测算法；双阶段偏比赛，只注重精

opencv的dnn模块做faster-rcnn目标检测python源码+模型+说明.zip

05-02

在这个“opencv的dnn模块做faster-rcnn目标检测python源码+模型+说明.zip”压缩包中，包含了使用OpenCV的DNN模块实现Faster R-CNN（快速区域卷积神经网络）目标检测算法的完整流程，包括Python源代码、预训练模型...

slowfast解读：用于计算机视觉视频理解的双模CNN

weixin_34087301的博客

12-28

1998

检测并归类图像中的物体是最广为人知的一个计算机视觉任务，随着ImageNet数据集挑战而更加流行。不过还有一个令人恼火的问题有待解决：视频理解。视频理解指的是对视频片段进行分析并进行解读。虽然有一些最新的进展，现代算法还远远达不到人类的理解层次。 Facebook的AI研究团队新发表的一篇论文，SlowFast，提出了一种新颖的方法来分析视频片段的内容，可以在两个应用最广的视频理解基准测试中获得了...

【slowfast 训练自己的数据集】自定义动作，制作自己的数据集，使用预训练模型进行训练，并检测其结果

热门推荐

CSPhD-winston的博客

04-11

3万+

前言终于到了这一步了，看了很久很久的slowfast，这次终于用slowfast训练了自己的数据集（只是用了个非常小的，非常小的数据集跑了一下）在看这篇训练自己的数据集博客之前，我觉得有必要了解一下之前我写一些博客：的slowfast的训练，slowfast的减少数据集 1：【SlowFast复现】SlowFast Networks for Video Recognition复现代码使用自己的视频进行demo检测 2:【Faster RCNN & detectron2】detectron2实

【mmaction2 slowfast 行为分析(商用级别)】视频转图片帧，faster cnn检测图片并转化为via格式

CSPhD-winston的博客

08-24

2805

【mmaction2 slowfast 行为分析(商用级别)】总目录一，ffmpeg视频转图片帧二，faster cnn检测图片并转化为via格式三，via中的json格式来自：Structure of VIA Project JSON File { "project": { # ["project"] contains all metadata associated with this VIA project "pid": "__VIA_PR

faster-rcnn（pytorch）参数配置修改

frothmoon

03-31

4000

修改模型配置文件 train.prototxt文件 input-data层的num_class数值由21改为类别数目； roi-data层的num_class数值由21改为类别数目； cls_score层的num_output数值由21改为类别数目； bbox_pred层的num_output数值由84改为类别数目*4； test.prototxt文件(c++dll调用的.prototxt也要改...

00【mmaction2 行为识别商用级别】快速搭建mmaction2 pytorch 1.6.0与 pytorch 1.8.0 版本，faster rcnn 与 slowfast

CSPhD-winston的博客

11-30

5241

github（新版）：https://github.com/Whiffe/mmaction2_YF 码云（新版）：https://gitee.com/YFwinston/mmaction2_YF.git github（老版本）：https://github.com/Whiffe/YF-OpenLib-mmaction2 码云（老版本）：https://gitee.com/YFwinston/YF-OpenLib-mmaction2.git 平台：极链AI b站：之前的mmaction2项目：【mmacti

py-faster-rcnn 训练参数修改

自动驾驶小白

06-28

3061

py-faster-rcnn 训练参数修改(转) https://www.cnblogs.com/bile/p/9110986.html faster rcnn默认有三种网络模型ZF（小）、VGG_CNN_M_1024（中）、VGG16 （大）训练图片大小为500*500，类别数1。一. 修改VGG_CNN_M_1024模型配置文件 1）train.prototxt文件 ...

最全的Detectron代码分析：从Faster R-CNN 到 Mask R-CNN

何进的博客

03-22

4026

原创地址：http://rowl1ng.com/tech/faster-rcnn.html Detectron（使用caffe2）是face book开源的的各种目标检测算法的打包（比如mask rcnn、FPN的）。本文mask rcnn的部分基于pytorch实现的一版Detectron：Detectron.pytorch（参考了Faster R-CNN的pytorch实现），需要安装...

用Java模拟打字：深入解析 java.awt.Robot 的键盘控制艺术

码觉客的博客

04-28

2368

通过，我们可以实现强大的键盘自动化功能。对于简单的字符（英文字母、数字、基础标点等），可以通过模拟单个按键的按下和释放（可能需要配合 Shift 等修饰键）来实现，这需要建立字符到键码的映射并注意按键时序和延迟。对于复杂字符、中文或长文本，由于Robot不理解输入法逻辑，最可靠和常用的方法是将文本复制到系统剪贴板，然后模拟按下系统的粘贴快捷键。无论使用哪种方法，理解Robot的工作原理（模拟物理按键），处理好窗口焦点，并加入适当的延迟，是确保模拟输入成功的关键。虽然Robot。

【记录】Python调用大模型（以Deepseek和Qwen为例）

最新发布

weixin_44194088的博客

04-29

309

预备（以BERTopic聚合主题为例）

detectron2目标检测过程

03-26

<think>好的，用户想了解如何使用Detectron2进行目标检测，需要示例代码和流程说明。首先，我需要回忆Detectron2的基本使用步骤。根据引用内容，安装Detectron2需要克隆仓库并用pip安装。然后，用户可能需要配置环境，比如安装PyTorch和其他依赖库。接下来是数据准备部分，Detectron2支持COCO格式的数据集，所以需要指导用户如何注册数据集。然后是模型配置和训练，这部分需要选择合适的配置文件，比如使用Faster R-CNN或Mask R-CNN的预训练模型。示例代码应该包括如何加载配置、模型，以及训练器。另外，推理部分也很重要，用户可能想知道如何加载训练好的模型进行预测和可视化结果。需要确保代码正确，使用正确的导入和函数调用，比如使用DefaultPredictor和Visualizer。可能还需要提醒用户注意版本兼容性，比如PyTorch和Detectron2的版本匹配。此外，数据路径的问题，用户需要正确设置数据集的路径，否则会报错。最后，生成相关问题时要覆盖安装、数据准备、模型选择、训练调优和应用场景，这样用户能全面了解Detectron2的使用。</think>以下为Detectron2进行目标检测的完整使用教程，包含关键步骤说明和示例代码： ### 一、环境安装与配置 1. 安装依赖库： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch python -m pip install pyyaml==5.1 opencv-python ``` 2. 安装Detectron2（通过源码安装）： ```bash git clone https://github.com/facebookresearch/detectron2.git python -m pip install -e detectron2 ``` 注意：需保持PyTorch与CUDA版本匹配[^2] ### 二、数据准备（以COCO格式为例） ```python from detectron2.data.datasets import register_coco_instances # 注册数据集 register_coco_instances( "my_dataset_train", {}, "/path/to/train/annotations.json", "/path/to/train/images" ) ``` ### 三、模型训练流程 ```python from detectron2.config import get_cfg from detectron2.engine import DefaultTrainer # 配置训练参数 cfg = get_cfg() cfg.merge_from_file("configs/COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml") cfg.DATASETS.TRAIN = ("my_dataset_train",) cfg.DATASETS.TEST = () cfg.DATALOADER.NUM_WORKERS = 4 cfg.MODEL.WEIGHTS = "detectron2://ImageNetPretrained/MSRA/R-50.pkl" cfg.SOLVER.IMS_PER_BATCH = 2 cfg.SOLVER.BASE_LR = 0.001 cfg.SOLVER.MAX_ITER = 1000 cfg.OUTPUT_DIR = "./output" # 启动训练 trainer = DefaultTrainer(cfg) trainer.resume_or_load(resume=False) trainer.train() ``` ### 四、推理与可视化 ```python from detectron2.engine import DefaultPredictor from detectron2.utils.visualizer import Visualizer from detectron2.data import MetadataCatalog # 加载训练好的模型 cfg.MODEL.WEIGHTS = os.path.join(cfg.OUTPUT_DIR, "model_final.pth") cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.5 # 设置检测阈值 predictor = DefaultPredictor(cfg) # 执行预测 im = cv2.imread("input.jpg") outputs = predictor(im) # 可视化结果 v = Visualizer(im[:, :, ::-1], MetadataCatalog.get(cfg.DATASETS.TRAIN[0])) out = v.draw_instance_predictions(outputs["instances"].to("cpu")) cv2.imwrite("output.jpg", out.get_image()[:, :, ::-1]) ```