本文对比了CenterNet、EfficientDet及两种配置的Cascade-RCNN在自定义数据集上的实际性能。测试涵盖AI服务器与Xavier板的识别速度，及694张图片的误识别与召回率，揭示各模型的优势与局限。
目标检测模型的发布论文一般给出了基于VOC或COCO等数据集的AP和AR等指标值，这个可以作为比较选择模型的一个参考，实际效果怎么样还是得自己动手实验了才知道真实效果是怎么样，最好采用需要在实际项目中应用的自己制作的同一数据集来训练和比较比较直观和有说服力。
近两个月来断断续续用一部分时间使用同一自有数据集(内有1个类别)完成了CenterNet、EfficientDet(backbone是adv EfficientNet b7)的训练、为加快进度，让同事同时完成了backbone分别采用ResNet101和HRNet的Cascade-RCNN的训练，最后我测试比较这四种训练出来的模型的效果如下：
1)EfficientDet的理论指标值:
2)CenterNet的理论指标值：
3）Cascade-RCNN(HRNet)的理论指标值：
4）Cascade-RCNN(ResNet101)的理论指标值:
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
