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

  • 1.2. 模型推断

  • 1.3. 模型训练

• 2. 模型来源

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

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

2. 模型来源

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