复现 Oriented R-CNN for Object Detection

最新推荐文章于 2023-12-25 14:12:37 发布
最新推荐文章于 2023-12-25 14:12:37 发布
阅读量1.8k 收藏 15
点赞数 4
文章标签： cnn 目标检测 深度学习
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/weixin_58481552/article/details/128773390
版权
本文详细介绍了如何在Linux环境下复现Oriented R-CNN的目标检测模型。从创建合适的Python和PyTorch版本的环境，到安装BboxToolkit、mmcv和修改过的mmdet，解决ModuleNotFound问题，再到运行demo和训练模型，最后进行测试。文章提供了一步步的指导，包括处理可能出现的问题和配置数据集。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、一些链接

论文：2108.05699v1.pdf (arxiv.org)

github代码地址：https://github.com/jbwang1997/OBBDetection.git

或者使用：https://github.com/open-mmlab/mmrotate.git 

我使用的是原作者的代码进行的复现(即上方第二个链接)，目前 OrientedRCNN已经添加到mmrotate中了，所以也可以使用mmrotate中的模型进行复现(即上方第三个链接)。

二、新建环境 

首先一定是linux，windows嘛，自己体会。

我是在恒源云平台上租用的gpu，恒源云平台上的镜像比较丰富并且价格实惠，对学生党很友好，这里贴一个恒源云平台的链接：

恒源云_GPUSHARE-恒源智享云

最低0.47元/天 解锁文章
CreepingZhong
关注
目标检测：End-to-End Object Detection with Transformers【方法解读】
sinat_39783664的博客
07-14 591
End-to-End Object Detection with Transformers论文中方法的详细解读
Oriented R-CNN for Object Detection(定向R-CNN的目标检测)
左右-HPU
05-17 1661
图1为，生成定向提案的不同方案的比较。(a)旋转RPN密集放置不同尺度、比例、角度的旋转锚。(b) RoI Transformer+从水平RoI中学习定向提案。它包括RPN、RoI对齐和回归。(c)我们以建议为导向的RPN以几乎没有成本的方式产生高质量的建议。定向RPN的参数数约为RoI Transformer+的1/3000，旋转RPN的1/15。它在每个位置放置54个不同角度、尺度和宽高比(3个scales×3 ratios×6角度)的锚点。
复现 Oriented R-CNN RTX3080ti
pinfan12138的博客
07-15 3048
复现 Oriented R-CNN RTX3080ti
复现Oriented R-CNN for Object Detection(orientedRcnn)
左右-HPU
05-29 1546
2.更改configs文件下调用的hrsc.py文件中，①data_root的路径为你的HRSC2016数据集的路径，②训练和测试的imgset、ann_file、img_prefix的路径。4.更改configs文件下调用的default_runtime.py文件，根据自己的需要更改部分参数。部分可能用到的参数说明：①--gpus 要使用的gpu数量②--gpu-ids 要使用的gpu的id.1.更改调用的configs文件下的pretrained的路径为你下载的预训练权重的路径。
17:Oriented R-CNN for Object Detection
qq_41887799的博客
03-08 3668
1.介绍 不同方案生成定向proposals的比较。(a)旋转RPN密集放置不同尺度、比例和角度的旋转锚点。(b)水平RoI的RoI Transformer+学习型方案。它包括RPN、RoI对齐和回归。(c)我们建议的面向RPN以几乎零成本的方式产生高质量的建议。定向RPN的参数数约为RoI Transformer+的1/3000和旋转RPN的1/15。 目前最先进的两级detector通过耗时的方案产生定向proposals。这降低了detector的速度，成为面向先进目标检测系统的.
Oriented R-CNN完整复现HRSC2016以及训练自己的HBB数据集(DIOR)
yxk666的博客
07-20 4574
Oriented R-CNN完整复现HRSC2016以及训练自己的HBB数据集(DIOR)
复现Oriented R-CNN RTX 2080Ti
weixin_44298961的博客
04-05 4741
复现Oriented R-CNN RTX 2080 Ti
【论文阅读】【三维目标检测】Multi-Task Multi-Sensor Fusion for 3D Object Detection
麒麒哈尔的博客
09-23 6178
目录网络点云分支图像分支Point-wise FusionLoss实验部分我的思考 文章 Multi-Task Multi-Sensor Fusion for 3D Object Detection 2019CVPR 该文章使用了相机和激光雷达传感器融合方法检测3D Object，使用了一个网络解决多任务，并且多个子任务是为了3D Object Detection服务的。 网络 网络结构图如下，主...
【CVPR2022文章翻译】Oriented RepPoints for Aerial Object Detection全文翻译
m0_53232749的博客
04-05 6330
Oriented RepPoints for Aerial Object Detection全文翻译。CVPR2022，针对旋转目标检测的最新方案！
【论文阅读】Oriented R-CNN for Object Detection
糯米丸子TAT的博客
12-17 3592
oriented-RPN用于生成高质量的带方向的候选框，oriented R-CNN head用于优化oriented RoIs并对其进行识别
PyTorch faster_rcnn之一—复现代码-附件资源
03-02
PyTorch faster_rcnn之一—复现代码-附件资源
文献翻译1：Oriented R-CNN for Object Detection
qq_37444533的博客
12-24 1556
当前的SOTA两阶段检测器生成旋转候选框很费时。本文提出Oriented RCNN(oRPN)，实现具有高效率和良好精度的旋转检测。 具体来说，第一阶段中提出了oRPN，可以几乎不费时地生成oriented proposals；第二阶段oriented RoI。
复现Oriented RCNN在HRSC2016数据集L2,L3任务
meiko667的博客
04-21 1158
现在OBBDetection中创建data子目录，在data目录中创建hrsc子目录，在hrsc目录中创建FullDataSet和ImageSets两个子目录，在FullDataSet目录中创建AllImages、Annotations、LandMask、Segmentations子目录，把数据传入对应的目录即可。2.修改configs/obb/oriented_rcnn/faster_rcnn_orpn_r50_fpn_3x_hrsc.py。mmcv的版本一定要和pytorch对应，不然会很麻烦。
RCNN代码复现
最新发布
m0_51619560的博客
12-25 357
RCNN复现代码
Oriented R-CNN for Object Detection 论文解读
weixin_43179892的博客
09-03 5720
论文基本信息 标题：Oriented R-CNN for Object Detection 作者：Xingxing Xie Gong Cheng* Jiabao Wang Xiwen Yao Junwei Han 机构：School of Automation, Northwestern Ploytechnical University, Xi’an, China 来源：ICCV 时间：2021 链接：https://arxiv.org/abs/2108.05699 代码：https://github.c
代码复现之：RCNN（1）分类任务构建 + 模型训练
qq_42902997的博客
12-20 3233
但我个人更喜欢把数据和函数封装成模块，所以我重写了这个部分的代码。但如果一个矩形框是绿色框体的情况：很显然他与图中任意一个。看成是正例，把其他的东西看成是反例。也就是说我下面这张图的标签有资格给成。，都需要训练一个二分类器。，我们也看到这里面确实包含了一部分。对于任何一个 class，例如。利用刚才第三步生成的数据构造。红框框出的部分是我重写的部分。因此他很有可能成为一个。这个步骤的代码，作者在。文件中实现的这个步骤。我还是重写了这部分代码。
RCNN网络源码复现（Ⅵ） --- 非极大值抑制及测试模型（完结撒花）
qq_41694024的博客
12-18 827
RCNN网络源码复现（Ⅵ） --- 非极大值抑制及测试模型（完结撒花）
评论 6
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