随笔分类 -  目标检测

目标检测比赛入门
摘要：[toc] 目标检测入门 比赛规则分析 评测指标 mAP， pascal voc， 和 coco，mmdetection有两者格式的eval，详细的也可以参考https://github.com/rafaelpadilla/Object Detection Metrics acc+mAP F1 sc 阅读全文
posted @ 2020-03-23 14:47 骏腾
目标检测比赛提高mAP的方法
摘要：数据预处理 分析数据集中标注框的性质 主要是分析bbox的area和高宽比的分布，根据area和aspect_ratio来设置anchor generator的参数。 另外，当aspect ratio分布比较分散时，可以考虑使用Deform conv 分析类别均衡问题 统计数据集中各类别实例的比例， 阅读全文
posted @ 2020-03-23 09:20 骏腾
coco与voc数据集下载与准备
摘要：coco与voc数据集下载 在远程服务器上测试目标检测算法需要用到测试集，最常用的是coco2014/2017和voc07/12数据集。 coco数据集的地址为http://cocodataset.org/ download voc和coco的镜像为https://pjreddie.com/proj 阅读全文
posted @ 2020-02-18 12:25 骏腾 阅读(6283) 评论(0) 推荐(0)
关于bn与relu的顺序的问题
摘要：关于bn和relu的相对顺序网上的见解不一致，但在resnet、mobilenetv2、detectron2、maskrcnn_benchmark见到的都是conv+bn+relu的顺序，没见过conv+relu+bn的顺序，遂感到很疑惑，于是上网上查了一下。 从 "数据饱和区" 的角度讲有比较好的 阅读全文
posted @ 2020-02-11 16:22 骏腾 阅读(6702) 评论(0) 推荐(0)
目标检测框架阅读步骤
摘要：总结一下最近一年来阅读目标检测框架的一些经验，主要是基于facebook的maskrcnn_benchmark和Detectron2。 组件 目标检测的框架需要包含： |组件|功能| |: |: | |config | 所有参数设置 | |structures| 数据容器，image， box， l 阅读全文
posted @ 2020-02-11 10:18 骏腾 阅读(357) 评论(0) 推荐(0)
torch 数组按顺序进行编号，用在hard negative mining
摘要：在hard negative mining中，要负样本的得分进行排序，选取得分最高的参与训练。这就涉及到选取top k个负样本或掩膜，因此要对数组按顺序进行编号。 在pytorch中, 函数可以返回排序好的数组和元素的索引，用两次 函数即可以得到数组元素的编号。 附上一段 "hard example 阅读全文
posted @ 2020-02-10 20:31 骏腾 阅读(928) 评论(0) 推荐(0)
xavier detectron2 安装笔记
摘要：首先按照官方教程给xavier刷上系统和cuda，cudnn等。注意在用host端使用sdkmanger刷OS时，要先创建好账户后在安装cuda，cudnn等。 然后给apt换清华源，装上python3.6（忘了是不是本来就带python3.6），然后装上pip3，给pip换上清华源。 detect 阅读全文
posted @ 2019-11-02 09:28 骏腾 阅读(1503) 评论(0) 推荐(0)
focal loss 两点理解
摘要："博客" 给出了三个算例。 可以看出，focal loss 对可很好分类的样本赋予了较小的权重，但是对分错和不易分的样本添加了较大的权重。 对于类别不平衡，使用了$\alpha_t$进行加权，文章中提到较好的值是0.25，说明在训练过程中仍然需要对正样本进行降权。 正常的理解是训练过程中负样本的数量 阅读全文
posted @ 2018-11-15 21:27 骏腾 阅读(830) 评论(0) 推荐(0)
pytorch 目标检测 图像预处理
摘要：Faster RCNN 和Retinanet在将图像数据输送到网络之前，要对图像数据进行预处理。大致上与 "博客" 提到的相同。 事实上还可以采取第三步，将图片的宽和高扩展为32的整倍数，正如在Retinanet使用的。下面是一个简单的Pytorch数据预处理模块： 阅读全文
posted @ 2018-11-15 20:11 骏腾 阅读(3058) 评论(0) 推荐(0)