m0_57173620的博客

PP-YOLO模型库Model GPU number images/GPU backbone input shape Box APval Box APtest V100 FP32(FPS) V100 TensorRT FP16(FPS) download config PP-YOLO 8 24 ResNet50vd 608 44.8 45.2 72.9 155.6 model c.

配置系统的大多数功能由ppdet.core.workspace模块提供register: 装饰器，将类注册为可配置模块；能够识别类定义中的一些特殊标注。__category__: 为便于组织，模块可以分为不同类别。__inject__: 如果模块由多个子模块组成，可以这些子模块实例作为构造函数的参数注入。对应的默认值及配置项可以是类名字符串，yaml序列化的对象，指向序列化对象的配置键值或者Python dict（构造函数需要对其作出处理，参见下面的例子）。__op__: 配合 __appen..

PaddleDetection的网络模型模块所有代码逻辑在ppdet/modeling/中，所有网络模型是以组件的形式进行定义与组合，网络模型模块的主要构成如下架构所示：ppdet/modeling/ ├── architectures # │ ├── faster_rcnn.py # Faster Rcnn模型 │ ├── ssd.py # SSD模型 │ ├── yolov3.py # YOLOv3模型 │ │ ...

Anchor Based方法当我们提到当前主流的目标检测算法时，无论是多阶段的各种RCNN和单阶段的SSD、YoloV3等等都是基于Anchor实现的。Anchor的本质是候选框，在设计了不同尺度和比例的候选框后，让深度神经网络对候选框做分类，对bbox做回归。但是这种基于Anchor box的目标检测方法存在一些明显的缺点，比如：检测表现效果对于Anchor box的尺寸、长宽比、数目非常敏感，因此Anchor box相关的超参数需要仔细的调节。 Anchor box的尺寸和长宽比是固定的，

PaddleDetection的数据处理模块是一个Python模块，所有代码逻辑在ppdet/data/中，数据处理模块用于加载数据并将其转换成适用于物体检测模型的训练、评估、推理所需要的格式。 数据处理模块的主要构成如下架构所示：ppdet/data/ ├── reader.py # 数据处理模块的总接口 ├── shared_queue # 共享内存管理模块 │ ├── queue.py # 定义共享内存队列 │ ├── sharedmemory.p

2021SC@SDUSC本周分析

2021SC@SDUSC本周分析

2021SC@SDUSC本周分析

2021SC@SDUSC本周分析

2021SC@SDUSC本周分析

2021SC@SDUSC本周分析