懂AI
FCOS

FCOS

完全卷积单阶段对象检测技术

FCOS算法是一种完全卷积的单阶段对象检测方法，通过避免使用锚点框，提高了检测性能和速度。在COCO minival数据集上，FCOS实现了46FPS和40.3的AP评分，并在各种模型和硬件上表现出色，包括ResNe(x)t和MobileNet等。与Faster R-CNN相比，FCOS在ResNet-50平台上表现更佳（38.7对36.8的AP），且训练和推理时间更短。该项目已基于Detectron2实现，并引入了多项优化和改进。

FCOS目标检测卷积神经网络ResNet-50性能提升Github开源项目
访问官网GitHubHugging Face论文文档

FCOS 项目介绍

项目背景

FCOS（Fully Convolutional One-Stage Object Detection）是一个创新的目标检测算法项目。它于2019年由Zhi Tian、Chunhua Shen、Hao Chen和Tong He在国际计算机视觉会议（ICCV）上提出。该算法旨在简化目标检测过程，并在性能上比起传统的方法有显著提升。

项目特色

  • 无锚点设计：FCOS摒弃了复杂的锚点框架计算和调整，简化了模型设计，同时减少相关超参数的设置。
  • 优越的性能表现：尽管结构简单，FCOS在性能上超越了更复杂的Faster R-CNN模型，如在ResNet-50上，FCOS的均值平均精度（AP）为38.7，而Faster R-CNN仅为36.8。
  • 加快训练与测试速度：在相同硬件条件下，FCOS所需训练时间较短，同时每张图片的推理时间也减少约12毫秒。
  • 领先的性能表现：最优的FCOS模型基于ResNeXt-64x4d-101及可变形卷积，可在COCO测试集上达到49.0%的AP。

最新动态与更新

项目不断更新以增强模型功能和性能，例如：

  • FCOS与快速和多样性（FAD）神经架构搜索相结合。
  • 新的非极大值抑制（NMS）技术，提升了基于ResNe(x)t与MobileNet模型的运行速度。
  • 多个新模型发布，包括结合了AutoML搜索的FPN与HRNet等。

硬件需求与安装

项目推荐使用8个Nvidia V100 GPU进行训练，不过由于FCOS的内存高效性，4个1080Ti GPU也能胜任如ResNet-50-FPN的训练。用户若仅将FCOS用作检测器，仅需安装Pytorch，并执行简单的pip命令即可。

快速演示与推断

用户可以通过快速的安装步骤，下载预训练模型，并运行简单的Python脚本来进行FCOS的快速演示。对于推断任务，项目提供了简单的命令行接口，支持多GPU的推断设置。

模型与训练

项目中提供了不同模型的预训练权重，用户可以根据需求下载并使用。对于模型训练，用户可以根据提供的命令行在多GPU环境下进行训练，并根据需要选择不同的backbone。

贡献与引用

项目欢迎开发者贡献代码或提交问题。此外，对于在研究中使用本项目的用户，建议引用相应的论文以致敬原作者的工作与贡献。

许可协议

该项目在学术领域遵循BSD两项条款许可协议。对于商业用途，请联系项目作者获取相应许可。

致谢

项目开发得到了多个社区贡献者的宝贵建议和代码贡献，特别感谢中心采样和GIoU技术的支持。

通过FCOS的简化设计和强大的检测性能，该项目为目标检测领域带来了新的视角和可能性，是目标检测技术的重要进展。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多