目标检测模型学习（1）：retinanet-pytorch（1）

最新推荐文章于 2024-08-11 09:35:58 发布

原创

最新推荐文章于 2024-08-11 09:35:58 发布 · 336 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #神经网络

一、pytorch环境的搭建

1.Anaconda3下的pytorch-gpu的安装

搭建pytorch的环境，首先我们需要安装好Anaconda来辅助我们安装环境，具体教程可以看作者的这篇文章：深度学习入门笔记--1（Windows10下Anaconda3+Cuda+cuDNN的安装）_qiyu_00的博客-优快云博客

现在相信各位都已经下载并配置好了Anaconda3，现在我们来打开Anaconda Prompt：

base代表的就是默认环境，现在让我们来创建一个自己的环境来搭建pytorch，我们使用下面这个命令

conda create -n pth python==3.7

这里pth指的是我们创建的环境的名字，这个变量可以自定义，后面的python==3.7用来指定环境中安装的python版本，作者用3.7目前没有遇到什么问题，输入代码后运行，得到下面的结果：

输入y，开始

最低0.47元/天解锁文章

200万优质内容无限畅学

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

SevenRain_NTAC

关注关注

1
点赞
踩
2

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
举报

举报

目标检测模型学习（1）：retinanet-pytorch（2）

qiyu_00的博客

09-19

311

二、Visual Studio从GitHub拷贝并实现代码 1、代码的拷贝：在Visual Studio中内置的有与GitHub关联的接口，我们可以直接从GitHub上拷贝其他作者开源的项目下来，这里retinanet算法的代码，我们也是直接从GitHub上拷贝下来的。源码地址：GitHub - bubbliiiing/retinanet-pytorch: 这是一个retinanet-pytorch的源码，可以用于训练自己的模型。具体克隆步骤：（1）：启动Visual Studio并选择克

Python-在PyTorch中实现RetinaNet

08-11

在PyTorch中实现RetinaNet

参与评论您还未登录，请先登录后发表或查看评论

RetinaNet-PyTorch：精准高效的物体检测框架解析与应用

gitblog_00006的博客

03-30

1026

RetinaNet-PyTorch：精准高效的物体检测框架解析与应用在计算机视觉领域，物体检测是关键任务之一，而RetinaNet（Retinal Network）是一个在该领域取得显著成果的模型。提供了一个基于PyTorch实现的高效、易用的RetinaNet框架，让开发者和研究者能够快速部署和实验。项目简介 RetinaNet-PyTorch 是对原生RetinaNet的Python和Py...

目标检测：Retinanet

AIBAIKE的博客

09-28

3832

1.数据生成参考如下博客（经验证ok）：制作自己的数据集：首先将自己的数据集转换成VOC2007格式，再把VOC2007转化成CSV格式。首先将自己的数据集转换成VOC2007格式的数据集：https://blog.youkuaiyun.com/u012426298/article/details/80334292 再将VOC2007格式的数据集转化为CSV：https://blog.csdn.ne...

目标检测——RetinaNet（十）

散修炼丹师手记

11-03

697

简介：这篇paper《RetinaNet：Focal Loss for Dense Object Detection》获得了ICCV 2017的Best，创新点就是Focal Loss了，其主要贡献就是解决了one-stage算法中正负样本的比例严重失衡的问题，不需要改变网络结构，只需要改变损失函数就可以获得很好的效果。原论文地址：https://arxiv.org/pdf/1708.02002.pdf 网络结构：由上图可以看出结构比较简单，基础网络使用的是Resnet，然后在不同尺度的featur

retinanet-pytorch:这是一个retinanet-pytorch的源码，可以用于训练自己的模型

05-12

Retinanet：目标检测模型在Pytorch当中的实现目录性能情况训练数据集权值文件名称测试数据集输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 600x600 - 81.56 所需环境 torch==1.2.0 文件下载训练所...

Retinanet-Pytorch:Retinanet目标检测算法(简单,明了,易用,全中文注释,单机多卡训练,视频检测)(based on pytorch,Simple, Clear, Mutil GPU)

05-05

目标检测算法pytorch实现, 本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues）由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型. 但项目代码验证...

目标检测模型-RetinaNet模型-Pytorch版本

05-14

RetinaNet是在YOLO V2之后、YOLO V3之前的一个目标检测模型。它通过引入Focal Loss损失函数，解决了传统单阶段目标检测模型中前景（positive）和背景（negative）类别不平衡的问题。Focal Loss能够减少容易分类的负...

目标检测—7 RetinaNet

qq_35732321的博客

03-04

732

RetinaNet1 主干网络2 数据处理3 训练4 预测5 模型评价 1 主干网络主干网络：RestNet50 + FPN + (cls,reg) RestNet50: 对Inputs用ConvBlock和IdentityBlock进行5次下采样，输出3个特征层 FPN: 对上一步输入的特征层上采样得到5个特征层。 cls , reg:根据上一步的结果分别进行回归和分类。 2 数据处理把数据分为训练集、验证集、测试集 1.0 设置xml地址和处理数据的存放地址 2.1 得到所有的xml文件

目标检测：RetinaNet算法细节以及代码部分

m0_49100031的博客

03-08

6852

一、背景 目标检测算法一般分为单阶段算法和多阶段算法。多阶段算法特点是：精度高，但速度慢。（Faster-RCNN）单阶段算法特点是：速度快，但精度不如前者。(SSD,RetinaNet，以及后面的FCOS等等) 精度低的关键原因就在于：正负样本极度不平衡。那么Faster-RCNN为什么没有这个困扰？因为在Faster-RCNN的RPN阶段已经对锚框进行了一个IOU匹配，做了一个筛选。在SSD中，采用了难负样本挖掘来解决这个问题，但是还是有很多缺陷，主要有一下两个问题。 ① 样本利用不充分：只使

PytTorch实现的RetinaNet目标检测

08-11

Pytorch implementation of RetinaNet object detection.

pytorch-retinanet:RetinaNet对象检测的Pytorch实现

04-28

pytorch-视网膜网 RetinaNet对象检测的Pytorch实现，如林宗义，Priya Goyal，Ross Girshick，Kaiming He和PiotrDollár所描述的的所述。此实现的主要目的是易于阅读和修改。结果目前，此仓库使用Resnet-50主干网以600px的分辨率实现了33.5％的mAP。公布的结果是34.0％的mAP。差异可能是由于使用了Adam优化器而不是具有重量衰减的SGD。安装克隆此仓库安装所需的软件包： apt-get install tk-dev python-tk 安装python软件包： pip install pandas pip install pycocotools pip install opencv-python pip install requests 训练可以使用train.py脚本来训练网络。当前，有

目标检测算法——RetinaNet

weixin_43489950的博客

09-24

212

https://zhuanlan.zhihu.com/p/59910080

目标检测（Object Detection）—— RetinaNet介绍

weixin_42075898的博客

10-14

1384

1 概述主流目标检测框架可分成两类：①one-stage方法，以YOLO、SSD为代表；②two-stages方法，以RCNN系列为代表。前者检测速度快，但检测精度较低；后者检测速度慢，但是精度较高。为什么one-stage方法不如two-stages方法？这是RetinaNet的作者提出的问题。作者对此做出的回答是：one-stage方法生成的proposals中正负样本极不均衡造成了o...

论文RetinaNet ：Focal Loss for Dense object Detection阅读笔记

lanpangzi33的博客

05-29

519

论文RetinaNet <>阅读笔记 1.摘要迄今为止最高精度的对象检测器基于由R-CNN推广的 two-stage 方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的规则，密集采样上应用的 one-stage 探测器具有更快和更简单的可能性，但迄今为止已经落后于 two-stage 探测器的精度。在本文中，我们调查为什么会这样。我们发现在密集探测器训练过程中遇到的极端前景 - 背景类不平衡是其中心原因。我们提出通过重塑标准交叉熵损失来解决这种类不平衡问题，从而降低分配

深度学习之目标检测---RetinaNet网络结构详解

最新发布

qq_52191127的博客

08-11

2229

无论是前景类还是背景类， p t p_t pt 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt;γ \gamma γ 和 α t \alpha_t αt 的最优值是相互影响的，所以在评估准确度时需要把两者组合起来调节。

样本不均衡

cengjing12的博客

10-18

1724

这里主要介绍CV中的样本不均衡问题（部分方法也适用于ML中）。当前主流的物体检测算法，如Faster RCNN和SSD等，都是将物体检测当做分类问题来考虑，即先使用先验框或者RPN等生成感兴趣的区域，再对该区域进行分类与回归位置。这种基于分类思想的物体检测算法存在样本不均衡的问题，因而会降低模型的训练效率与检测精度。下面首先分析样本不均衡带来的问题，随后会讲解两种经典的缓解不均衡问题的方法。 1、不均衡问题分析在当前的物体检测算法中，由于检测算法各不相同，以及数据集之间的差异，可能会存在正负样本、难易样

目标检测（2）RetinaNet解读

HouLei

08-14

581

1.核心： one-stage方法：速度快，但有大量候选区，只有少部分为真实标记的，导致计算loss的时候正负样本不平衡。 two-stage方法：可以得到高的精确度，却不能保障速度要求。思考：能不能找到一种方法，既保证精确度，又保障速度。 2.解决: Focal Loss的提出就是在one-stage的基础上解决accurary的问题。 one-stage精确度底的本质：类别不平衡导致，导致计算loss时，以类别多的为主导地位。提出Focal loss:不是解决异常值问题，而是通过控制样本分类难以

Retinanet原理介绍和基于pytorch的实现

qq_43284847的博客

08-04

9326

Retinanet原理介绍和基于pytorch的实现前言Retinanet介绍ResNetFPNSubNetanchorIoURegressionFocal Lossone-stage 和 two stagefocal lossRetinanet基于pytorch的实现前言最近两天在学Retinanet，发现网上对于retinanet方面的介绍比较笼统，而且很多都是在重复。于是打算基于自己的理...

Retinanet-Pytorch: Pytorch实现的目标检测算法

通过这些知识点的说明，可以看出该项目为机器学习开发者提供了一个便于理解、操作和扩展的Retinanet目标检测实现，尽管它并不完全符合原论文的实现细节，但它依然可以作为一个实用的工具来训练目标检测模型。