NanoDet 源码解读（inference)

已于 2023-02-20 15:27:55 修改
阅读量1.2k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 源码解读2 文章标签： 深度学习 人工智能 python
于 2022-12-23 10:10:39 首次发布
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/level_code/article/details/128284396
本文深入解读NanoDet检测模型的源码，详细剖析ShuffleNetV2作为backbone的结构，以及GhostPAN模块的工作原理。从图片预处理到后处理，包括FPN的top down和bottom up流程，最后讨论NanoDetPlus head及批量非极大值抑制（batched NMS）在目标检测中的应用。
了解本专栏 订阅专栏 解锁全文 超级会员免费看
NanoDet ncnn源码解读
蓝羽飞鸟的博客
11-15 779
NanoDet ncnn源码解读
LLMs之ChatGLM-3：ChatGLM3源码解读(inference_hf.py)微调模型实现基于用户指定模型的目录和提示实现模型生成的响应——利用Typer和Transformers库构建了一
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
02-22 426
​ LLMs之ChatGLM3：ChatGLM3源码解读(inference_hf.py)微调模型实现基于用户指定模型的目录和提示实现模型生成的响应——利用Typer和Transformers库构建了一个命令行工具，可以方便地加载预训练的语言模型并进行对话生成 目录 ChatGLM3源码解读(inference_hf.py)微调模型实现基于用户指定模型的目录和提示实现模型生成的响应——利用Typer和Transformers库构建了一个命令行工具，可以方便地加载预训练的语言模型并进行对话生成 # 1、
NanoDet关键代码详解(首发)
Less is More
06-12 1932
更新中。。。 def target_assign_single_img(self, grid_cells, num_level_cells, gt_bboxes, gt_bboxes_ignore, .
Nanodet-train.py代码解读
jingyu_1的博客
01-14 526
Nanodet是一个轻量的目标检测网络，具有很多优点，当前很多网络都将它作为超越的对象。下面是本人对于train.py的代码注释，加入了部分个人的理解。
从零开始，带你用Nanodet目标检测模型完成自动捡球机器人
weixin_42754478的博客
04-24 6962
文章目录前言机械结构电控设计思路视觉思路小球的目标检测传统方法OR深度学习Nanodet目标检测算法训练与部署1.手动创建数据集2.数据标注3.数据增强4.xml转json5.配置config文件6.训练模型7.检测模型效果8.转换pth文件为onnx文件9.转换ONNX文件为IR模型（xml和bin）10.在Qt上用C++ 和 opencv部署Nanodet模型11.目标检测效果路径规划算法1.路径规划状态机2.选择最佳方向和前进距离2.1思路一、遍历每个小球看哪个小球周围的球的个数最多2.2思路二、基于
NanoDet代码逐行精读与修改（一）Backbone
HNU跃鹿战队的博客
03-05 2614
介绍nanodet中使用的backbone：ghost net
NanoDet代码逐行精读与修改（五.1）检测头的构造和前向传播
HNU跃鹿战队的博客
03-07 2699
介绍了nanodet检测头需要的初始化参数、层构造和前向推理
NanoDet代码逐行精读与修改（零）Architecture
HNU跃鹿战队的博客
03-05 6159
详细地介绍了nanodet的结构和方法，适合入门目标检测后的进阶学习
LLMs之llama_7b_qlora：源码解读inference.py(基于合并后的权重文件进行模型推理)将基于之前合并Lora模型权重后的hl_llama_7b模型进行文本生成(基于用户交互输入的
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-03 1595
​ LLMs之llama_7b_qlora：源码解读inference.py(基于合并后的权重文件进行模型推理)将基于之前合并Lora模型权重后的hl_llama_7b模型进行文本生成(基于用户交互输入的上下文生成新文本) 目录 利用inference.py(基于合并后的权重文件进行模型推理)将基于之前合并Lora模型权重后的hl_llama_7b模型进行文本生成(基于用户交互输入的上下文生成新文本) # 1、加载模型和tokenizer # 2、将模型放到cuda设备：将模型和tensor放
NanoDet-Plus及其代码解读
Mao_Jonah的博客
02-09 4706
NanoDet-Plus及其代码解读一、前言lossReference: code: Nanodet 一、前言 之前就有关注过NanoDet，在轻量级检测模型中，卓越的性能，引起了广泛讨论，正巧前端时间看到NanoDet作者更新了第二代模型NanoDet-Plus，同时最近在做一些知识蒸馏的工作，看到NanoDet-Plus也引入了LAD[2]的工作，于是研究了一下NanoDet-Plus代码并进行一些修改实验。关于NanoDet-Plus的实验原理等，直接见作者的文章[1]，写得很详细，写得非常棒。本文主
NanoDet-PyTorch:基于NanoDet项目进行小裁剪，专门用来实现PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测
05-11
NanoDet-PyTorch 说明：NanoDet作者开源代码地址： （致敬） 该代码基于NanoDet项目进行小裁剪，专门用来实现Python语言、PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测。 YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备； 轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。 NanoDet 是一种 FCOS 式的单阶段 anchor-free 目标检测模型，它使用 ATSS 进行目标采样，使用 Generalized Focal Loss 损失函数执行分类和边框回归（box regression） 模型性能 Model Resolut
nanodet:NanoDet对象检测模型转换为TFJS并在JavaScript中实现
03-25
用于TFJS的NanoDet /model-tfjs-graph-*中包含的模型已从原始存储库转换为TFJS Graph模型格式为了便于阅读，还额外解析了模型描述符 nanodet.js中的实际模型解析实现未遵循原始nanodet.js 并完全自定义并针对JavaScript执行进行了优化 转换说明 资料来源： : 要求： pip install torch onnx onnx-tf onnx-simplifier tensorflowjs 修正： 转换时出错： pytorch_half_pixel 编辑export.py到set opset_version=10力量onnx出口，而不是使用大小调整运年长高档其中 转换： 从PyTorch到ONNX到TensorFlow保存的模型到TensorFlow / JS Graph模型 python export.py --cfg_pa
nanodet-main.zip
11-24
项目NanoDet，目标检测模型文件仅 1.8 MB 特点： 超轻量级：模型文件只有1.8 MB 超快速：在移动 ARM CPU 上达到 97fps(10.23ms) 训练友好：训练占用内存少。可设置Batch-size=80，在 GTX1060 6G上也可以训练。 易部署：作者提供了基于 ncnn 推理的 C++ 实现和安卓部署 demo。
jetson-inference完成的源码
11-08
jetson-inference完成的源码，直接使用代码下拉，没有办法下载完全，编译不过，这个是完全的源码 nvidia公司出品，配合jetson nano自带的GPU加速，非常适合低成本的AI入门学习（图像分类，物体识别，语义分割、...
NanoDet代码逐行精读与修改（四）动态软标签分配：dynamic soft label assigner
HNU跃鹿战队的博客
03-06 6172
介绍了Nanodet-plus中的软标签分配模块，和一些动态标签匹配的知识，非常详细！（封面图源Megavii：OTA）
轻量级目标检测模型：NanoDet-PyTorch实战指南
最新发布
weixin_30838971的博客
07-24 1000
NanoDet代表了一个在边缘计算领域具有革命性进展的目标检测模型。它的起源可以追溯到深度学习技术在移动和边缘设备上应用的需求日益增长的背景下。传统的目标检测模型如Faster R-CNN和YOLO系列尽管性能优异，但往往需要较高的计算资源和复杂的网络结构，这在资源受限的设备上造成了瓶颈。NanoDet模型的核心创新点在于其轻量级和高效的设计理念。
[NanoDet]超轻量目标检测模型训练与测试
weixin_44031703的博客
06-29 1170
1.下载代码 NanoDet作者开源代码地址：https://github.com/RangiLyu/nanodet 2.准备自己的数据，按照voc格式，ann文件夹内存放自己的xml标注文件 3.修改yml文件 （1）修改训练结果的保存路径，我的是piglet文件夹 （2）修改类别数，num_classes和class_names，我的num_classes=1，class_names = ['piglet'] (3)修改训练集和验证集的文件夹路径,我的： img_path:...
NanoDet-Plus辅助模块加速收敛，大幅提升精度
m0_61899108的博客
03-01 1263
导言 作者提出 NanoDet-Plus，总结了上一代模型在标签分配、模型结构以及训练策略上的不足，提出了AGM和DSLA以及Ghost-PAN模块，并全面改进了训练策略，更加易于训练！同时也全面修改了模型部署时的输出方式，简化了结构，并提供了ncnn、MNN、OpenVINO以及安卓端的Demo，每个demo下都有非常详细的教程指导大家上手。 转载自丨RangiLyu@知乎 链接丨超简单辅助模块加速训练收敛，精度大幅提升！移动端实时的NanoDet升级版NanoDet-Plus来了！ - 知乎 .
目标检测6--NanodetPlus算法分析
机器人视觉感知
10-27 3634
NanoDet是上海人工智能实验室的RangiLyu于2020年10月份开源的轻量级检测项目，取得了很好的效果，广受关注。2021年12月份，作者又更新发布了NanoDetPlus，在coco val上的map提升了7个百分点。虽然作者将模型最终的输出concat为了一个输出，从下图可以看到有四个输出头，对应的stride分别为。
PaddleDetection源码解读与实践
3. 预测脚本（Inference Scripts）：提供了用于加载预训练模型并对输入数据进行预测的脚本。 4. 数据集处理（Dataset Handling）：包含了数据集的下载、加载、预处理等相关代码，以及数据增强技术，确保模型训练和...
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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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