EfficientDet：可扩展且高效的对象检测

介绍

这是在EfficientDet：可伸缩和有效对象检测一 文中描述的模型的pytorch实现（注意：还提供了预训练的权重，可以在./trained_models中看到）

模型输出的一个例子

https://github.com/signatrix/efficientdet

数据集

在存储库下创建一个数据文件夹

cd {repo_root}
mkdir data

COCO：从coco网站下载coco图像和注释。确保将文件放置为以下结构：

http://cocodataset.org/#download

coco
├── annotations
│   ├── instances_train2017.json
│   └── instances_val2017.json
│── images
    ├── train2017
    └── val2017

如何使用代码

使用代码可以：

• 通过运行python train.py 训练模型
• 通过运行python mAP_evaluation.py 评估COCO数据集的mAP
• 通过运行python test_dataset.py --pretrained_model path / to / trained_model 测试COCO数据集的模型
• 通过运行python test_video.py --pretrained_model path / to / trained_model --input path / to / input / file --output path / to / output / file 测试视频模型

实验

使用3个NVIDIA GTX 1080Ti训练了模型。以下是COCO val2017数据集的mAP（平均平均精度）

结果

一些预测如下所示：

要求

• python 3.6
• pytorch 1.2
• opencv（cv2）
• Tensorboard
• tensorboardX（如果不使用SummaryWriter，则可以跳过此库）
• pycocotools
• efficiencynet_pytorch

参考文献

• 谭明兴，庞若鸣，Quoc V. Le。“ EfficientDet：可扩展且高效的对象检测。” EfficientDet。

https://arxiv.org/abs/1911.09070

• 我们的实现借鉴了RetinaNet.Pytorch的某些部分

https://github.com/yhenon/pytorch-retinanet

引文

@article{EfficientDetSignatrix,
    Author = {Signatrix GmbH},
    Title = {A Pytorch Implementation of EfficientDet Object Detection},
    Journal = {https://github.com/signatrix/efficientdet},
    Year = {2020}
}