我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

EfficientDet

2022-04-19 efficientdet:ubuntu18.04-cuda10.1-cudnn7-python3.7-pytorch1.4.0

模型标签
目标检测图像分割图像分类

模型简介

《EfficientDet: Scalable and Efficient Object Detection》论文发表于2020年7月由Mingxing Tan, Ruoming Pang, Quoc V. Le三人完成,EfficientDet是一种对象检测模型,它利用了若干优化和主干调整,例如使用BiFPN,以及一种复合缩放方法,该方法同时均匀缩放所有主干、特征网络和盒/类预测网络的分辨率、深度和宽度。
论文官网:https://arxiv.org/abs/1911.09070



1. 使用方法

1.1. 环境配置

在root/Yet-Another-EfficientDet-Pytorch(默认)路径下,运行以下命令:

mkdir datasets
ln -s /datasets/coco2017 ../../root/Yet-Another-EfficientDet-Pytorch/datasets
# 先创建datasets文件夹后,然后将复现所需的公开数据集软链接到该文件夹下
# 需将root/Yet-Another-EfficientDet-Pytorch/datasets路径下的coco2017更名为coco

mkdir weights
ln -s /modelsets/EfficientDet/efficientdet-d2.pth ../../root/Yet-Another-EfficientDet-Pytorch/weights
# 先创建weights文件夹后,然后将复现所需的预训练权重文件软链接到该文件夹下
# 平台自带efficientdet-d0.pth至efficientdet-d7.pth共8个预训练权重文件,可按需选择

1.2. 模型推断

在终端中,在root/Yet-Another-EfficientDet-Pytorch(默认)路径下,运行以下命令:

python efficientdet_test.py

1.3. 模型训练

在终端中,在root/Yet-Another-EfficientDet-Pytorch(默认)路径下,运行以下命令:

python train.py  --batch_size 8 --lr 1e-3 --num_epochs 10 \
 --load_weights weights/efficientdet-d2.pth
# 需修改root/Yet-Another-EfficientDet-Pytorch/projects/coco.yml文件中的gpu数量
参数 说明
batch_size 数据大小
lr 学习率
num_epochs 批次数量
load_weights 预训练权重文件路径

1.3. 模型评估

在终端中,在root/Yet-Another-EfficientDet-Pytorch(默认)路径下,运行以下命令:

python coco_eval.py  -c 5 \
 -w weights/efficientdet-d2.pth
参数 说明
c 分类

2. 模型来源

https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch