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~

Faster-RCNN(mmdetection)

2022-09-01 model:mmdetection-ubuntu18.04-cuda11.0-cudnn8-python3.8-pytorch1.7.0-new

模型标签
目标检测图像分类

模型简介

模型介绍:Faster R-CNN可以简单地看做“区域生成网络RPNs + Fast R-CNN”的系统,用区域生成网络代替FastR-CNN中的Selective Search方法。Faster R-CNN这篇论文着重解决了这个系统中的三个问题:1. 如何设计区域生成网络;2. 如何训练区域生成网络;3. 如何让区域生成网络和Fast RCNN网络共享特征提取网络。 《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》发表于2015年由Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun创作。官方论文:https://arxiv.org/abs/1506.01497v3


  1. 使用方法

  2. 模型来源


1. 使用方法

1.1. 模型推断

在终端,进入root/mmdetection(默认)路径下,运行以下命令:

cd ../..
cp -r modelsets/mmdetection/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth ../../../root/mmdetection/checkpoints
# 将复现所需的权重文件复制到对应路径下

cd root/mmdetection
python demo/image_demo.py demo/demo.jpg \
configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \
checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
--out-file demo/demo.jpg

1.2. 模型训练

在终端,进入root/mmdetection(默认)路径下,运行以下命令:

python tools/train.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py  --gpus 1

1.4. 模型测试

在终端,进入root/mmdetection(默认)路径下,运行以下命令:

python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py  checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth  --show-dir ./test_results

2. 模型来源

https://github.com/open-mmlab/mmdetection/tree/master/configs/faster_rcnn