【OpenMMLab AI训练营第二期】Class6:目标检测与MMDetection

原创 已于 2023-06-12 23:20:27 修改 · 301 阅读 · 0 ·
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。
文章标签：

#人工智能 #目标检测 #计算机视觉

于 2023-06-10 18:20:16 首次发布
目标检测是识别图像中的物体并给出边界框的过程，涉及R-CNN、YOLO、SSD等算法。文章介绍了从滑窗方法到基于CNN和Transformer的演进，以及IoU在处理框间关系中的作用。此外，还讨论了现代框架如FocalLoss和FCOS，以及未来对OpenVocabularyDetection的研究方向。

目标检测与MMDetection

视频链接：目标检测与MMDetection

目标检测的基本范式

什么是目标检测

目标检测是在给定的图片中用矩形框框出所有感兴趣物体同时预测物体类别的过程。

  • 图像分类和目标检测的异同
    在这里插入图片描述
    目标检测在生活中有非常广泛的应用，例如人脸识别、智慧城市、自动驾驶等。也可作为其他下游视觉任务的基础，例如OCR、姿态识别等等。

发展

在这里插入图片描述
早期是传统方法DPM，在进入深度学习阶段之后就有了更多算法。

  • 根据算法阶段来划分。 首先出现的是两阶段算法，以R-CNN和Faster R-CNN为代表；此后是单阶段算法，以YOLO和SSD为代表。
  • 根据是否使用Transformer。 2020年左右，涌现了诸多基于Transformer的方法，例如DETR、ViT等等。
  • 如今基于CNN和TR的方法日趋成熟，学术界开始在探讨Open Vocabulary Detection，希望目标检测算法能够不局限在有标注的数据集中。

目标检测技术的演进

在这里插入图片描述

基础知识

框

在这里插入图片描述
是横平竖直的框，如果是旋转的是旋转目标检测这一小类。

交并比IoU

如果存在多个框，那么就需要考虑框之间的关系。最常用的方法就是交并比。
在这里插入图片描述
IoU是介于[0,1]的数值。后续也有很多新的IoU方式，例如CIoU、DIoU等等

目标检测的基本思路

滑窗

在这里插入图片描述
在这里插入图片描述

最低0.47元/天 解锁文章
AI辅助软件测试用例生成：覆盖率与有效性
AI天才研究院
12-30 1834
AI辅助软件测试用例生成：覆盖率与有效性 关键词：AI辅助测试、测试用例生成、覆盖率、有效性 摘要：本文深入探讨了AI辅助软件测试用例生成技术，重点关注测试用例的覆盖率与有效性。文章首先介绍了AI辅助软件测试的背景和重要性，接着详
OpenMMLab AI 实战训练营 CLASS5 MMDetection教学
m0_74046692的博客
02-08 137
在 OpenMMLab 项目中，所有这些项目都涵盖在一个配置文件中，一个配置文件定义了一个完整的训练 过程。− 训练策略 梯度下降算法、学习率参数、batch_size、训练总轮次、学习率变化策略等等。− 数据集 用什么数据训练模型：数据集划分、数据文件路径、数据增强策略等等。− 一些辅助功能 如打印日志、定时保存checkpoint等等。− optimizer、lr_config 等字段定义训练策略。− load_from 字段定义与训练模型的参数文件。− 模型结构 模型有几层、每层多少通道数等等。
[论文翻译]Detecting Everything in the Open World: Towards Universal Object Detection
Javier.Lin_HUST的博客
07-04 2202
在本文中，我们正式提出了通用目标检测，其目的是检测每个场景并预测每个类别。对人工标注的依赖、有限的视觉信息以及开放世界中新奇的类别严重制约了传统检测器的普适性。我们提出了UniDetector，一个通用的物体检测器，它具有识别开放世界中大量类别的能力。UniDetector通用性的关键点在于：1 )通过图像和文本空间的对齐，利用多源异构标签空间的图像进行训练，保证了通用表示的充足信息。2 )由于视觉和语言模态都提供了丰富的信息，它可以很容易地泛化到开放的世界，同时保持可见类和不可见类之间的平衡。
基于MMRotate训练自定义数据集 做旋转目标检测 2022-3-30
热门推荐
qq_43581224的博客
03-30 2万+
本文目录简述1.MMrotate下载2.环境安装3.自定义数据集制作3.1 roLabelImg 打标签3.2 生成DOTA数据集格式的标签3.3 数据集裁剪（split）4.修改配置文件5.训练并测试 简述 MMRotate 是一款基于 PyTorch 的旋转框检测的开源工具箱，是 OpenMMLab 项目的成员之一。里面包含了rcnn、faster rcnn、r3det等各种旋转目标的检测模型，适合于遥感图像领域的目标检测。 1.MMrotate下载 MMrotate包下载：下载链接 目录结构如下
阿里云实践训练营第七天——Class6 NAS快速搭建个人网盘
weiliaaaaaa的博客
06-28 669
NAS快速搭建个人网盘 一.安装Owncloud 执行以下命令，添加一个新的软件源。 rpm --import https://download.owncloud.org/download/repositories/10.0/CentOS_7/repodata/repomd.xml.key wget http://download.owncloud.org/download/repositories/10.0/CentOS_7/ce:10.0.repo -O /etc/yum.repos.d/ce:10
如何使用YOLOv5来训练一个模型进行SAR图像的目标检测,训练合成孔径雷达检测数据集的权重 识别boat船、airplane灰机、桥梁、tank、汽车、港口
2401_86822270的博客
02-24 464
如何使用YOLOv5来训练一个模型进行SAR图像的目标检测,训练合成孔径雷达检测数据集的权重 识别boat船、airplane灰机、桥梁、tank、汽车、港口
SSD目标检测训练自己的数据集：计算数据集当中每一个类别的框的数量
游戏引擎研发进阶之路
10-23 3780
我在看有个同行的博客，发现他把SSD的训练总结的非常好，我用他的训练方法，使用VOC2007数据集进行训练跑通了代码。环境是WINDOWS10+tensorflow-gpu1.9版本。但是这个大兄弟的最终的类别框的计算代码有问题。这里把我写的代码与诸位分享一下。针对的是VOC2007的20分类数据集，最初发现我的输出结果与那个仁兄的训练数据对不上，我仔细检查了areoplane类别的计算结果，发现...
Class6：初学数据库之MySQL基础操作
liuxiao0320的博客
06-01 263
数据库的集中控制优点： 1、 减少重复性 2、 数据一致性 3、 数据共享 4、 可建立数据库标准：不重复、有效、方便管理 5、 便于维护数据完整性 6、 数据安全性 发展史 1、 萌芽：文件系统 磁盘 2、 初级阶段：第一代数据库 层次模型、网状模型 3、 中级阶段：第二代数据库 关系型数据库（目前大部门公司使用）、结构化查询语言 4、 高级阶段：新一代数据库 “关系-对象”型数据库 关系型数据库 关系模型：以二维表来保存数据，以关系（用外键来体现）来描述表和表之间的联系和一种数据库设计模型。 DBS（数
阿里云ECS训练营Class6
辞吴
03-27 161
阿里云ECS训练营Class6 快速搭建LAMP环境 教学链接： https://developer.aliyun.com/adc/scenario/6869de098ad44fc8a1560a1836a7c5f2 点击体验 创建资源和连接ECS服务器前面已经讲过了，大家也可以按照教学练习 安装Apache服务 Apache是世界使用排名第一的Web服务器软件。它可以运行在几乎所有广泛使用的计算机平台上，由于其跨平台和安全性被广泛使用，是最流行的Web服务器端软件之一。 执行如下命令，安装Apache服
通信与网络中的宇瞻推出microSDHC class6 4GB/8GB手机内存卡
11-25
随着新一代手机标榜体积小巧、容易携带以及更多领先技术功能的同时，原本的microSD内存卡仅至2GB容量已无法满足影片、音乐及多媒体储存之需求，为此宇瞻(Apacer)新推出microSDHC class6 4GB/8GB容量内存卡，以符合高...
大模型学习基础（五） 强化学习（Reinforcement Learning，RL）初步
qq_56095294的博客
12-13 338
前面的文章简单介绍过，传统的监督学习所使用的数据集是（特征，标签），有“标签”即明确的知晓正确的输出应该是什么。而实际的情况是，环境的状态S是由多个Si构成的，每训练一组S-a即训练一个多分类问题，把这些问题的损失函数（交叉熵）加在一起，即可训练出在不同的状态下应该使用什么动作。模型在选择一个动作之后，这个动作实际是对Environment发生，相应的Environment会给模型一个回馈Reward，然后再给模型一个新的Observation，模型继续选择新的动作，循环此过程。
数据分析Agent白皮书：揭秘Data x AI的底层逻辑与未来关键
最新发布
LyAGent的博客
12-18 335
《2025数据分析Agent白皮书》指出，数据分析Agent正成为AI落地的核心形态，实现从"人人分析"到"人人消费"的转变。白皮书系统解析了其技术架构（包括Query/Document/DeepAnalyze三大Agent能力）、行业实践（能源/制造/零售等领域）及落地路径，强调需突破数据准度、分析深度与消费广度三大挑战。未来，数据分析Agent将深度融入业务流程，推动"洞察即行动"的自动化决策模式。该技术有望彻底改变企业数据消费方式，使数据智能
以太联的自愈功能与看门狗机制解析
suzhou_speeder的博客
12-15 1091
看门狗(Watchdog)是一种硬件或软件实现的定时器机制，其核心功能是监控系统或程序的运行状态，防止程序跑飞或陷入死循环。案例：车载以太网交换机通过硬件看门狗实时监测链路状态，若检测到链路中断(如3ms内未收到心跳包)，立即启用备用路径，确保刹车、转向等关键系统永不掉线。案例：某智能工厂的PLC(可编程逻辑控制器)采用软件看门狗，若主程序因干扰死机，看门狗机制自动重启PLC，恢复生产流程。三者协同工作，实现“设备-交换机-网络”三级自愈，显著提升网络可靠性、降低运维成本，并为企业数字化转型提供坚实基础。
多模态赋能情绪理解：Qwen3-VL+LLaMA-Factory 的人脸情绪识别实战
Lab4AI的博客
12-17 499
本项目依托Lab4AI平台，基于LLaMA-Factory成功对Qwen3-VL进行了完整的微调流程。我们将传统的人脸情绪识别任务与多模态大语言模型（MLLM）相结合，探索了MLLM在视觉情绪理解中的应用。通过微调Qwen3-VL，我们成功将传统的分类任务转化为多模态推理任务，显著提升了模型在复杂场景下的鲁棒性和准确率。这一方案不仅在人脸情绪识别上取得了显著提升，还为其他视觉任务的多模态大模型应用提供了新的思路，具有广泛的应用前景。
Transformer架构的原理是什么？
SACKings的博客
12-15 712
对于“Thinking”这个词，它的输出向量可能包含了90%它自己的信息和10%“Machines”的信息。而对于“Machines”，它的输出可能包含了70%它自己的信息和30%“Thinking”的信息。Transformer 架构的原理是理解现代大模型（如 GPT、BERT、T5 等）的基石。正是因为这些原理上的优势，Transformer才取代了RNN和CNN，成为了当今AI大模型时代的统治性架构。的（打乱输入顺序，输出可能不变），它没有内置的位置概念。Q·K 然后Softmax。
AIDD-人工智能药物设计-扩散模型热力学：从 AI 提取物理能量
itwangyang520的博客
12-14 1112
扩散模型的核心是加噪与去噪。这对业界的启示是，要实现精准医疗，特别是针对耐药突变的药物设计，不能仅依赖大语言模型（Large Language Model, LLM）处理序列。他们从文献和数据库中挖掘了过去被忽略的细节：氨基酸的替换、插入、缺失，以及关键的磷酸化修饰，最终整理出 4032 对新的激酶 - 配体数据。GeneGPT 曾展示了大语言模型（LLM）在生物医药领域的潜力，而 OpenBioLLM 提出了不同于 GeneGPT 单体（Monolithic）架构的方案：组建由「专家」构成的团队。
神经网络基础
m0_54291751的博客
12-17 494
归回问题用的最多的损失函数: **Smooth L1;**+ 分类问题用的最多的损失函数： ****(也可以用于二分类);```python# 1. 加载csv文件数据集.data = pd.read_csv('data/手机价格预测.csv')# print(data.head()) # 查看前五行数据# data.info() # 查看数据是否有缺失值# 2. 获取x特征列 和 y标签列.# 3. 把特征列转成浮点型.
最新上传：DAGM2007工业缺陷检测数据集类别class4至class6
工业缺陷检测是质量控制中的一个关键环节，其目标是自动识别产品表面的缺陷和异常，以保证产品质量并减少不合格品流入市场的风险。缺陷检测广泛应用于制造行业，包括汽车、电子、纺织品等领域。随着计算机视觉技术的...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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