目標檢測演算法對比 目標檢測演算法工程落地

2021-10-10 23:24:23 字數 617 閱讀 9227

覆盤一下在實現檢測演算法落地過程中所經歷的乙個流程;

列出幾點重點說明一下:

1、網路的選取和調參是關鍵;

網路選取:考慮到實際情況的實時性、硬體效能,需考慮參數量較小的檢測網路,更傾向於單階段式的網路;基於yolossd等的多個變體網路;其次基礎特徵提取網路backbone的替換,傳統都是vgg的特徵提取,現在mobilenet、v2v3都可以大幅提速;進一步的提速辦法還有初始化、蒸餾以及去掉某些基礎特徵層以裁剪模型,都可以提公升速度;當然前提是精度損失較小的前提下。

調參:這裡主要根據資料集來決定;最終的檢測效果跟樣本數量有關,也跟訓練網路的部分引數設定有關;如小物體檢測和常規的車輛、行人檢測候選框大小差異很大,可以適當修改訓練網路的anchor值可以大幅提公升檢測精度、以及修改損失函式的權重等;

2、工程化

是不是感覺落地實現目標檢測演算法不是很難,有一台好的gpu控制器,精度速度達到平衡的小型化目標檢測演算法,基本ok了;

不要加追蹤演算法????不要加測距演算法?????

目標檢測演算法

基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置,即候選區域,再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...

目標檢測演算法歷史

最近在做一些目標檢測相關的東西,目標檢測是計算機視覺裡面最重要的課題之一了,很多場合檢測和識別都是很重要的,比如現在很火的無人駕駛,就非常依賴目標檢測和識別,需要非常高的檢測精度和定位精度。目標檢測從很早就開始有了。傳統演算法的典型代表有 haar特徵 adaboost演算法 hog特徵 svm演算...

目標檢測演算法綜述

1.傳統的目標檢測框架,主要包括三個步驟 1 利用不同尺寸的滑動視窗框住圖中的某一部分作為候選區域 2 提取候選區域相關的視覺特徵。比如人臉檢測常用的harr特徵 行人檢測和普通目標檢測常用的hog特徵等 3 利用分類器進行識別,比如常用的svm模型 2.目標檢測領域的深度學習方法主要分為兩類 對於...