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~

SSD(mmdetection)

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

模型标签
文本分类文本匹配文本生成文本摘要

模型简介

ssd是2020年的论文《SSD:Single-Shot MultiBox Detector》,是一种one-stage的通用物体检测算法,在2016年被提出,另外一个常听到的one-stage算法为YOLO,只是SSD算法的性能与速度优于YOLO。SSD算法有以下特点:去掉了候选框的操作,采用了Anchor的机制。Anchor机制实际上是每一个点都做为候选区域的中心点。至于如何完成,一会再介绍 直接回归目标的类别和位置,在传统的目标检测算法中,想要获取目标区域的位置,一般都是候选框提取。从原始图片中不停的进行采样,找到目标区域。典型的为滑动窗口去采样。 不同尺度的特征图预测,这样可以完成对不同物体尺寸进行适应 论文地址:https://arxiv.org/abs/1512.02325


1. 使用方法

1.1. 准备数据集

进入终端中,在root/mmdetection(默认)路径下,输入:

mkdir data
cd data 
mkdir coco
# 新建存放数据集的文件夹
cd ../../..
# 进入根目录
cp -r datasets/coco2017/annotations ../../../root/mmdetection/data/coco
cp -r datasets/coco2017/train2017 ../../../root/mmdetection/data/coco
cp -r datasets/coco2017/val2017 ../../../root/mmdetection/data/coco
# 将所需数据集复制到相应路径下
cp -r modelsets/mmdetection/ssdlite_mobilenetv2_scratch_600e_coco_20210629_110627-974d9307.pth ../../../root/mmdetection/checkpoints
# 将所需权重文件复制到相应路径下

1.2. 模型推断

进入终端中,在root/mmdetection(默认)路径下,输入:

python demo/image_demo.py demo/demo.jpg \
configs/ssd/ssdlite_mobilenetv2_scratch_600e_coco.py \
checkpoints/ssdlite_mobilenetv2_scratch_600e_coco_20210629_110627-974d9307.pth \
--out-file demo/demo.jpg

1.3. 模型训练

进入终端中,在/root/mmdetection(默认)路径下,输入:

python tools/train.py configs/ssd/ssdlite_mobilenetv2_scratch_600e_coco.py  --gpus 1

1.4. 模型测试

进入终端中,在/root/mmdetection(默认)路径下,输入:

python tools/test.py configs/ssd/ssdlite_mobilenetv2_scratch_600e_coco.py  checkpoints/ssdlite_mobilenetv2_scratch_600e_coco_20210629_110627-974d9307.pth  --show-dir ./test_results

2. 模型来源

https://github.com/open-mmlab/mmdetection/blob/master/configs/ssd