efficientDet实战

efficientDet实战

文章目录

​​前言​​​​基于遥感影像的操场检测​​

​​dataset3.py​​​​config.py​​​​config_eval.py​​

paper:

​​的效率超过之前常用的主干网络。于是研究者将 EfficientNet 主干网络和 BiFPN、复合缩放结合起来，开发出新型目标检测器 EfficientDet，其准确率优于之前的目标检测器，同时参数量和 FLOPS 比它们少了一个数量级。

基于遥感影像的操场检测

数据集链接：​​torchimport globclass Config(object): root = 'J:/dl_dataset/object_detection/playground/JPEGImages' class_dict = {'playground': 1} model_name = 'tf_efficientdet_d5' phi = model_name.split("_")[-1] bench_task = 'train' image_size = 512 initial_checkpoint = glob.glob(f'./model_data/tf_efficientdet_{phi}*.pth')[0] batch_size = 2 num_workers = 0 n_epochs = 30 lr = 0.001 num_classes = 1 folder = f'effdet_{phi}-cutmix-augmix' verbose = True verbose_step = 1 step_scheduler = False # do scheduler.step after optimizer.step validation_scheduler = True # do scheduler.step after validation stage loss SchedulerClass = torch.optim.lr_scheduler.ReduceLROnPlateau scheduler_params = dict( mode='min', factor=0.5, patience=3, verbose=False, threshold=0.0001, threshold_mode='abs', cooldown=0, min_lr=1e-8, eps=1e-08 )

配置完config后，直接main.py即可开展模型训练。

config_eval.py

测试图片路径

class Config(object): DATA_ROOT_PATH = 'J:/dl_dataset/object_detection/playground/test'

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。