EfficientDet：可扩展且高效的目标检测

简介

这是我们对论文《EfficientDet：可扩展且高效的目标检测》中描述的模型的 PyTorch 实现论文链接（注意：我们还提供了预训练权重，可以在 ./trained_models 中查看）

我们模型输出的示例。

数据集

数据集	类别数	训练图像数量	验证图像数量
COCO2017	80	118k	5k

在仓库下创建一个数据文件夹，

cd {repo_root}
mkdir data

COCO: 从 COCO 网站下载 COCO 图像和标注。确保按以下结构放置文件：

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

如何使用我们的代码

使用我们的代码，您可以：

通过运行 python train.py 来训练您的模型
通过运行 python mAP_evaluation.py 来评估 COCO 数据集的 mAP
通过运行 python test_dataset.py --pretrained_model path/to/trained_model 来测试 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 来测试视频的模型

实验

我们使用 3 个 NVIDIA GTX 1080Ti 训练了我们的模型。以下是 COCO val2017 数据集的 mAP（平均精确度均值）

平均精确度	IoU=0.50:0.95	区域=全部	最大检测数=100	0.314
平均精确度	IoU=0.50	区域=全部	最大检测数=100	0.461
平均精确度	IoU=0.75	区域=全部	最大检测数=100	0.343
平均精确度	IoU=0.50:0.95	区域=小	最大检测数=100	0.093
平均精确度	IoU=0.50:0.95	区域=中	最大检测数=100	0.358
平均精确度	IoU=0.50:0.95	区域=大	最大检测数=100	0.517
平均召回率	IoU=0.50:0.95	区域=全部	最大检测数=1	0.268
平均召回率	IoU=0.50:0.95	区域=全部	最大检测数=10	0.382
平均召回率	IoU=0.50:0.95	区域=全部	最大检测数=100	0.403
平均召回率	IoU=0.50:0.95	区域=小	最大检测数=100	0.117
平均召回率	IoU=0.50:0.95	区域=中	最大检测数=100	0.486
平均召回率	IoU=0.50:0.95	区域=大	最大检测数=100	0.625

结果

以下展示了一些预测结果：

要求

python 3.6
pytorch 1.2
opencv (cv2)
tensorboard
tensorboardX（如果您不使用 SummaryWriter，可以跳过这个库）
pycocotools
efficientnet_pytorch

参考文献

Mingxing Tan, Ruoming Pang, Quoc V. Le. "EfficientDet: 可扩展且高效的目标检测." EfficientDet.
我们的实现借鉴了 RetinaNet.Pytorch 的部分内容

引用

@article{EfficientDetSignatrix,
    Author = {Signatrix GmbH},
    Title = {EfficientDet目标检测的PyTorch实现},
    Journal = {https://github.com/signatrix/efficientdet},
    Year = {2020}
}