【论文阅读】【2D目标检测】EfficientNet和EfficientDet

最新推荐文章于 2025-09-26 18:40:23 发布
原创 最新推荐文章于 2025-09-26 18:40:23 发布 · 805 阅读 · 2 ·
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：

#目标检测 #EfficientNet

本文介绍了EfficientNet和EfficientDet两种2D目标检测算法，探讨了如何在有限计算资源下提升网络性能。EfficientNet通过compound scaling method综合调整深度、宽度和分辨率。EfficientDet利用EfficientNet作为backbone，结合BiFPN进行特征融合，实现高效的目标检测。尽管超参数较多，但实验结果显示两者性能强大。

文章目录

EfficientNet和EfficientDet是2020年新出来的图像分类和目标检测算法，抽出空来读了一下，这里做一下记录。

EfficientNet

论文全称：EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
发表刊物：2019ICML

核心问题

本文解决的一个核心问题是：给定计算资源的前提下，在不变动网络结构的情况下，如何最大化的提升网络的能力。首先文章给出了几种提升网络能力的方法，如下图：
在这里插入图片描述
(a) \text{(a)} (a)baseline，确定网络的结构
(b) \text{(b)} (b)增加卷积核的channel数，也就是增加每个feature map的channel数
(c) \text{(c)} (c)增加网络的深度，增加卷积层的数量，可以扩大感受野，更好地提取高级特征
(d) \text{(d)} (d)提高输入的分辨率，也就增加每个feature map的大小
(e) \text{(e)} (e)本文提出融合 (b)(c)(d) \text{(b)(c)(d)} (b)(c)(d)方法

本文将上述目标，表示成的数学形式如下：
在这里插入图片描述

compound scaling method

数学形式可以表达如此：
在这里插入图片描述
上述表达的意义理解如下：

  1. ϕ = 0 \phi = 0 ϕ=0时， d = w = r = 1 d=w=r=1 d=
最低0.47元/天 解锁文章
特征融合篇 | YOLOv8 应用 BiFPN 结构 | 《 EfficientDet: 可扩展和高效的目标检测》
YOLOv8项目贡献者
05-12 1万+
YOLO8 引入 BiFPN
常见经典目标检测算法
runqu的博客
04-20 1246
目标检测是指在图像或视频中定位和识别出特定目标的任务。其主要原理是通过计算机视觉技术和机器学习方法，将输入的图像或视频中的目标物体进行定位并进行分类。图像预处理：对输入的图像进行预处理，包括调整图像大小、归一化、去噪等操作。候选区域生成：通过使用一些算法或模型，提取出可能包含目标物体的候选区域。常见的方法有滑动窗口、基于区域的CNN等。特征提取：对每个候选区域提取特征，常用的特征提取方法是使用卷积神经网络（CNN）将候选区域映射为固定长度的特征向量。
EfficientNet 和 EfficientDet
简国堂的博客
01-17 649
参考知乎 令人拍案叫绝的EfficientNet和EfficientDet EfficientNet (e)compound scaling 也就是 EfficientNet ，它是通过调节width，depth，resolution三个维度来缩放模型，具体缩放多少，是通过作者提出的***复合模型扩张方法结合神经结构搜索技术*** 获得的。 从直观上看，复合缩放方法是有意义的，因为如果输入的图像更大，那么网络就需要更多的层来增加接受域和更多的通道来在更大的图像上捕捉更细粒度的模式。 论文：Efficien
EfficientNet与EfficientDet的详解
weixin_43702653的博客
03-29 2224
EfficientNet与EfficientDet的详解
阅读分析论文EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
最新发布
GG697697697的博客
09-26 1011
EfficientNet提出了一种复合缩放方法，通过统一平衡网络深度、宽度和分辨率三个维度来提升模型性能。研究表明，单一维度缩放会导致精度收益递减，而协调缩放三个维度能更有效提升准确率。该模型基于NAS构建基础架构，通过复合系数优化缩放比例，在ImageNet上达到84.3%准确率，同时参数减少8.4倍且速度提升6.1倍。相比传统方法，EfficientNet实现了精度与效率的平衡，为卷积神经网络的发展提供了新思路。
CVPR2017 2D目标检测相关论文
burning_keyboard的博客
10-08 2885
CVPR2017 2D目标检测相关论文 梗概总结
令人拍案叫绝的EfficientNet和EfficientDet
wsq_zqfl的博客
02-17 1910
转载：https://zhuanlan.zhihu.com/p/96773680 本文介绍谷歌发表于 ICML 2019的 EfficientNet 和 最近挂在arXiv上的 EfficientDet, 第一作者为同一个人，来自谷歌大脑团队，纸面上体现出来的效果是非常好的。 先介绍第一篇文章—— EfficientNet 论文：EfficientNet: Rethinking Model...
目标检测之EfficientNet
AndyJ的学习之旅
08-13 1855
论文：EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks-ICML 2019 概要 这篇ICML2019的论文对目前分类网络的优化提出更加泛化的思想，认为目前常用的加宽网络、加深网络和增加分辨率这3种常用的提升网络指标的方式之间不应该是相互独立的。因此提出了compoun
目标检测论文阅读：EfficientDet算法笔记
qq_43631268的博客
01-04 821
模型效率在计算机视觉中正变得越来越重要。本文系统地研究了用于目标检测的神经网络结构设计选择，并提出了提高效率的几个关键优化点。首先，我们提出了一种加权双向特征融合金字塔网络（BiFPN）；其次，我们提出了一种复合缩放方法，可以对所有的主干网络、特征网络和边界框/类别预测网络同时进行分辨率、深度和宽度的统一缩放。基于上述优化和EfficientNet系列的backbone，我们提出了一个新的目标检测器系列，命名为EfficientDet。在不同的资源约束下，它的效率始终比现有的技术更好。
[论文阅读]PillarNeXt——基于LiDAR点云的3D目标检测网络设计
qq_53909832的博客
10-22 5672
PillarNeXt论文阅读
EfficientNet论文阅读笔记
tuntunmmd的博客
06-04 670
论文信息 链接：http://arxiv.org/pdf/1905.11946v2.pdf 发表时间：2019 来源：google 作者：Mingxing Tan 摘要 卷积神经网络（ConvNets）通常是在固定的资源预算下开发的，如果有更多的资源，则可以按比例放大以获得更高的准确性。在本文中，系统地研究了模型缩放并确定仔细地平衡网络深度，宽度和分辨率可以带来更好的性能。基于这一观察，提出了一种新的缩放方法，该方法使用简单但高效的复合系数均匀地缩放深度/宽度/分辨率的所有维度。证明了这种方法在
EfficientNet论文阅读: Rethinking Model Scaling for Convolutional Neural Networks
GracePro的博客
06-17 3009
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 作者 Mingxing Tan Quoc V. Le 原论文链接 原代码链接 Abstract摘要   卷积神经网络(ConvNets)通常是在固定的资源预算下开发的，如果有更多的资源可用，则会进行扩展（scaled up）以获得更高的精度。在本文中...
神经网络学习小记录26——Keras 利用efficientnet系列模型搭建yolov3目标检测平台
Bubbliiiing的学习小课堂
11-04 1万+
神经网络学习小记录26——EfficientNet模型的复现详解学习前言什么是EfficientNet模型EfficientNet模型的特点EfficientNet网络的结构MobileNetV2网络部分实现代码图片预测 学习前言 2019年，谷歌新出EfficientNet，在其它网络的基础上，大幅度的缩小了参数的同时提高了预测准确度，简直太强了，我这样的强者也要跟着做下去！ 什么是Effic...
2D目标检测论文大盘点（37篇）
YOLOv8项目贡献者
04-02 8638
本文浅谈37篇有代表性的基于深度学习的2D目标检测算法，包含一阶段、二阶段以及轻量化网络，并在不同角度分析相关算法的优劣。
【论文汇总】2D目标检测文章汇总，持续更新
Gorgeous_wxd
07-21 2219
记录自己比较感兴趣的2D目标检测文章。
EfficientNet论文解读
热门推荐
h__ang的博客
06-23 3万+
论文链接：https://arxiv.org/abs/1905.11946 代码链接：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet 第三方实现的PyTorch代码：https://github.com/lukemelas/EfficientNet-PyTorch ...
【ICML论文阅读】EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
二十二画生
09-03 670
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 前言 我们在设计一个网络的时候会考虑到网络的深度、宽度、输入图片的分辨率，人们常常将网络加深和加宽，或者是增加输入图片的分辨率来改进准确度。如ResNet can be scaled up from ResNet-18 to ResNet-200 by ...
睿智的目标检测33——Keras搭建Efficientdet目标检测平台
Bubbliiiing的学习小课堂
06-14 1万+
睿智的目标检测32—Keras搭建Efficientdet目标检测平台学习前言什么是Efficientdet目标检测算法源码下载Efficientdet实现思路一、预测部分1、主干网络介绍2、BiFPN加强特征提取3、从特征获取预测结果4、预测结果的解码5、在原图上进行绘制二、训练部分1、真实框的处理2、利用处理完的真实框与对应图片的预测结果计算loss训练自己的Efficientdet模型 学习前言 一起来看看Efficientdet的keras实现吧，顺便训练一下自己的数据。 什么是Efficient
目标检测—5 EfficientDet
qq_35732321的博客
03-04 1074
Efficient1 主干网络2 预测3 训练4 评价 1 主干网络 efficientdet = EfficientDet() EfficientNetB0 1.1 EfficientNet() # 初步提取特征 1.2 fpn_features = build_wBiFPN(fpn_features, fpn_num_filters[phi], i, freeze_bn=freeze_bn) # 进一步提取特征 1.3.1 classification = [class_net.call([fea
efficientnet用于目标检测yongfa
03-30
<think>好的，用户想知道如何使用EfficientNet进行目标检测。首先，我需要回忆一下EfficientNet的基本知识。EfficientNet主要是通过复合缩放方法在深度、宽度和分辨率上均衡调整，以达到更好的准确率和效率。目标检测通常需要主干网络提取特征，然后加上检测头。所以，用户的问题应该是如何将EfficientNet作为主干网络整合到目标检测模型中，比如YOLO或其他框架。 接下来，我需要考虑具体的步骤。首先，可能需要替换现有模型的主干网络为EfficientNet。例如，在YOLO中，原本的Darknet53可以被替换成EfficientNet的不同版本。然后，需要调整特征层的输出，确保检测头能够接收到合适尺寸的特征图。此外，预训练权重的重要性，使用ImageNet上预训练的EfficientNet可以提升性能和加快收敛。 还要注意不同EfficientNet变种的选择，比如EfficientNet-Lite可能更适合边缘设备，因为它优化了推理速度。另外，特征金字塔网络（FPN）或者BiFPN的结构可能需要结合，以处理多尺度目标检测的问题。这部分可能需要参考相关论文，比如EfficientDet，它结合了EfficientNet和BiFPN。 然后，代码实现方面，用户可能需要加载预训练的EfficientNet模型，修改其顶层结构，添加检测头。例如在PyTorch中，可以截取EfficientNet的部分层作为特征提取器，然后连接自定义的检测模块。需要确保梯度是否正确传播，以及参数是否冻结等。 可能遇到的问题包括特征图尺寸不匹配，计算量过大，或者训练时的超参数调整。这时候需要参考现有的教程或代码库，比如用户提供的引用中的YOLO改进项目，可能已经实现了这样的替换，用户可以借鉴其中的方法。 最后，验证和测试部分，使用常见的目标检测数据集进行训练，评估指标如mAP，同时考虑推理速度是否满足需求。可能还需要进行模型微调，比如数据增强、学习率调整等优化策略。 总结一下，步骤包括：选择EfficientNet作为主干，调整模型结构，加载预训练权重，添加检测头，训练和优化。同时参考现有的实现和论文，确保方法正确有效。</think>### 如何使用 EfficientNet 实现目标检测 #### 1. **EfficientNet 主干网络选择** EfficientNet 通过复合缩放（深度、宽度、分辨率）优化模型效率，其变种如 $B0-B7$ 或轻量版 $Lite$ 可根据需求选择[^2]。目标检测通常采用预训练的 EfficientNet 作为主干网络（Backbone），例如替换 YOLO 的默认主干。 #### 2. **模型架构设计** - **特征提取层**：使用 EfficientNet 的中间层输出多尺度特征图（如 $C3, C4, C5$）。 - **检测头（Head）**：在主干后添加检测模块（如 YOLO 的 Head），负责预测边界框和类别。例如： $$ \text{输出} = \text{卷积层}(\text{EfficientNet特征图}) $$ - **特征融合**：引入 FPN（Feature Pyramid Network）或 BiFPN（EfficientDet 提出）融合多尺度特征。 #### 3. **代码实现示例（PyTorch）** ```python import torch from torch import nn from gen_efficientnet import efficientnet_b0 # 引用[1]中的预训练模型 class EfficientNetDetector(nn.Module): def __init__(self, num_classes): super().__init__() self.backbone = efficientnet_b0(pretrained=True) # 加载预训练主干[^1] self.fpn = nn.Sequential(...) # 自定义特征金字塔 self.head = nn.Conv2d(256, num_classes + 5, kernel_size=1) # 检测头（5: x,y,w,h,置信度） def forward(self, x): features = self.backbone.extract_features(x) # 提取多尺度特征 fused_features = self.fpn(features) return self.head(fused_features) ``` #### 4. **训练与优化** - **冻结主干**：初始训练时可冻结 EfficientNet 的底层参数，仅训练检测头。 - **数据增强**：使用 Mosaic 增强或 MixUp 提升小目标检测能力。 - **损失函数**：结合分类损失（交叉熵）和回归损失（CIoU Loss）。 #### 5. **性能评估** 在 COCO 或 VOC 数据集上测试 mAP（平均精度）和 FPS（帧率），平衡精度与速度。例如，EfficientNet-B3 + YOLOv5 的 mAP@0.5 可达 45% 以上[^2]。 ---
评论 1
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