- 综合排序
- 最热优先
- 最新优先
- 来自专栏JNing的专栏
论文阅读: RetinaNet
并将该网络结构起名RetinaNet： ? 文章也对于 γγ\gamma 的取值做了一番实验： ? Loss FL(pt)=−(1−pt)γlog(pt)FL(pt)=−(1−pt)γlog(pt) FL(p_t) = -(1-p_t)^\gamma \log(p_t) new network：RetinaNet RetinaNet = FPN + sub-network + FL Note： RetinaNet简单而十分强大，以至于成为了当下最佳(accuracy/speed/complexity trade-off RetinaNet的detector部分是两条平行pipe-line，且 设计相同 (除了尾部的output不一样) 但 参数不共享 (Faster R-CNN中第一层的参数是共享的) 。 RetinaNet就是一个FPN-based的one-stage detector，靠着最后面的focal loss来解决由于过量background而引起的类别不平衡。
1.8K30发布于 2018-09-27 - 来自专栏用户9703952的专栏
RetinaNet网络详解
摘要 Retinanet 是作者 Tsung-Yi Lin 和 Kaiming He（四作） 于 2018 年发表的论文 Focal Loss for Dense Object Detection. 3，网络架构 retinanet 的网络架构图如下所示。 注意：在 RetinaNet 的 FPN 模块中只包括卷积，不包括 BN 和 ReLU。 3.3，Head Head 即预测头网络。 Retinanet 的 neck 输出 5 个分支，即输出 5 个特征图。 RetinaNet 论文和代码详解 轻松掌握 MMDetection 中常用算法(一)：RetinaNet 及配置详解
60210编辑于 2025-02-04 - 来自专栏文鹃阁
mmdetection之RetinaNet注释详解
preface 本文记录 mmdetection 对 RetinaNet 训练的流程，包括标签获取，anchor 生成，前向训练，以及各步骤中 tensor 的形状，仅供复习用处。 =num_total_samples) return loss_cls, loss_bbox get_anchors 这里通过每一层的 FPN 特征大小来生成每一层对应的 anchor，在 RetinaNet RetinaNet 选用的是一般的 MaxIoUAssigner，是根据 anchor 和 gt_bboxes 的 IoU 进行匹配的 assigner=dict( type='MaxIoUAssigner = bboxes1[..., :4] return bbox_overlaps(bboxes1, bboxes2, mode, is_aligned) sampler.sample RetinaNet self.pos_gt_labels = None bbox_coder.encode & bbox2delta 这个是从 Faster RCNN 开始就祖传的 box 编码，RetinaNet
1.4K30编辑于 2022-09-02 - 来自专栏贾志刚-OpenCV学堂
TorchVision对象检测RetinaNet推理演示
torchvision对象检测介绍 Pytorch1.11版本以上支持Torchvision高版本支持以下对象检测模型的迁移学习： - Faster-RCNN- Mask-RCNN- FCOS- RetinaNet KeyPointsRCNN 其中基于COCO的预训练模型mAP对应关系如下： 最近一段时间本人已经全部亲测，都可以转换为ONNX格式模型，都可以支持ONNXRUNTIME框架的Python版本与C++版本推理，本文以RetinaNet RetinaNet转ONNX 把模型转换为ONNX格式，Pytorch是原生支持的，只需要把通过torch.onnx.export接口，填上相关的参数，然后直接运行就可以生成ONNX模型文件。 相关的转换代码如下： model = tv.models.detection.retinanet_resnet50_fpn(pretrained=True) dummy_input = torch.randn 模型转换之后，可以直接查看模型的输入与输出结构，图示如下： RetinaNet的ONNX格式推理 基于Python版本的ONNXRUNTIME完成推理演示，这个跟我之前写过一篇文章Faster-RCNN
1.1K20编辑于 2022-10-10 - 来自专栏AI科技评论
使用 RetinaNet 进行航空影像目标检测
（右边） 使用RetinaNet进行车辆检测（以绿色框注释） 使用RetinaNet检测汽车和游泳池 介绍 出于税收评估的目的，通常情况下，调查是在实地进行的。 Retinanet 我们将使用 Fizyr实现 Keras implementation of RetinaNet。 下面的脚本将安装RetinaNet和其他必需的包。 这个AMI预装了keras-retinanet和其他必需的包。你可以在使用 workon retinanet 命令激活RetinaNet的虚拟环境之后开始使用该模型。 模型的训练与评估 至此，数据集和RetinaNet项目代码及所需环境已经准备完成，让我们继续在该数据集上训练RetinaNet模型吧。
2.6K10发布于 2019-08-23 - 来自专栏机器学习初学者精选文章
【深度学习】RetinaNet 代码完全解析
RetinaNet凭借结构精简，清晰明了、可扩展性强、效果优秀，成为了很多算法的baseline。 本文不去过多从理论分析focalloss的机制，从代码角度解析RetinaNet的实现过程，尤其是anchor生成与匹配、loss计算过程。 论文链接： https://arxiv.org/abs/1708.02002 参考代码链接： https://github.com/yhenon/pytorch-retinanet 网络结构 网络结构非常清晰明了 因为retinanet认为coco数据集按照此策略，匹配不到的情况非常少。 结语 RetinaNet是一个结构非常清晰的目标检测框架，backbone以及neck的FPN非常容易更换掉，head的定义也非常简单。
1.6K30发布于 2020-12-11 - 来自专栏CVer
Focal Loss和它背后的男人RetinaNet
但是怕是很多人会不知道这篇论文中所提出的one stage目标检测模型RetinaNet，这也难怪，就连论文里面也说了RetinaNet模型层面没有大的创新，模型效果主要靠Focal Loss。 RetinaNet作为RCNN系中one stage检测模型的代表，我觉得依然有学习研究的价值，这不仅会让你加深对RCNN系模型的理解，而且有利于学习后面新的模型，毕竟后面很多模型都是借鉴了RetinaNet RetinaNet可以看成RPN的多分类升级版，和RPN一样，RetinaNet的backbone也是采用FPN，anchor机制也是类似的，毕竟都属于RCNN系列作品。 这样RetinaNet的backbone得到特征也是5个level，分别为 ，其stride分别为 。一点题外话就是FCOS的backbone也是取 ，也算是借鉴了RetinaNet。 RPN中设定的两个阈值为 ，而RetinaNet设定的阈值为 。
1.1K30发布于 2020-09-23 - 来自专栏晓飞的算法工程笔记
目标检测 | RetinaNet：Focal Loss for Dense Object Detection
同时，基于FPN设计了RetinaNet，在精度和速度上都有不俗的表现 论文:Focal Loss for Dense Object Detection [1240] 论文地址：https://arxiv.org 反之，置信度低的类别则得到大的权重 [1240] 设计了一个简单的one-stage检测器RetinaNet来演示focal loss的有效性。 在样本不平衡情况下，这种方法对于提高focal loss和 cross entropy训练稳定性有很大帮助 RetinaNet Detector *** Architecture [1240] RetinaNet 大尺寸的RetinaNet比大部分的two-stage性能要好，而且速度也更快 Comparison to State of the Art [1240] 与当前的主流one-stage算法对比，RetinaNet 另外，论文设计了one-stage检测器RetinaNet并给出了相当充足的实验结果 创作不易，未经允许不得转载～
1K00发布于 2020-01-24 - 来自专栏GiantPandaCV
目标检测算法之RetinaNet（引入Focal Loss）
RetinaNet 说完了Focal Loss就回到文章RetinaNet，Focal Loss与ResNet-101-FPN backbone结合就构成了RetinaNet（one-stage检测器） ，RetinaNet在COCO test-dev上达到39.1mAP，速度为5FPS。 下图展示了RetinaNet的网络结构： ? 训练RetinaNet时有几个值得注意的关键点： 训练时FPN每一级的所有example都被用于计算Focal Loss，loss值加到一起用来训练。 Table2表示RetinaNet和One-Stage检测器的比较，可以看到RetinaNet也是毫不顺色的。 ? ? 代码实现 keras版本：https://github.com/fizyr/keras-retinanet pytorch版本: https://github.com/yhenon/pytorch-retinanet
2.6K10发布于 2019-12-04 - 来自专栏机器学习从入门到成神
Keras-RetinaNet训练自己的数据详细教程
（当然，最好就是有相应版本的完整C++） 第二部分：数据准备 （1）在keras-retinanet-master/keras_retinanet/文件夹下面新建一个文件夹CSV用来存放自己制作的数据集 检查数据可以使用以下命令： python keras_retinanet/bin/debug.py csv keras_retinanet/CSV/train_annotations.csv keras_retinanet ', type=int, default=1333) 第三部分：模型训练 模型训练可以使用以下命令： python keras_retinanet/bin/train.py csv keras_retinanet /CSV/train_annotations.csv keras_retinanet/CSV/classes.csv --val-annotations keras_retinanet/CSV/val_annotations.csv 多卡训练可用如下命令： python keras_retinanet/bin/train.py --multi-gpu-force --multi-gpu 2 --batch-size 2 csv keras_retinanet
2.6K20发布于 2019-03-15 - 来自专栏贾志刚-OpenCV学堂
Pytoorch轻松学 – RetinaNet自定义对象检测
点击上方蓝字关注我们 微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识 RetinaNet网络介绍 2017发布，实现了一阶段网络首次在精度方面超过二阶段网络的经典网络，作者最大的一个创新就是在训练损失函数方面 论文中提出的感知损失函数如下： 最终RetinaNet网络结构如下： 数据集准备与制作 自己百度收集了一个无人机与飞鸟的数据集，其中训练集270张图像，测试集26张图像。 运行下面界面如下： 总计训练了25个轮次以后，发现效果已经是相当的不错了，直接导出ONNX格式RetinaNet模型文件。 相关的转换代码如下： model = tv.models.detection.retinanet_resnet50_fpn(pretrained=True) dummy_input = torch.randn dummy_input) im = torch.zeros(1, 3, 1333, 800).to("cpu") torch.onnx.export(model, im, "retinanet_resnet50
41220编辑于 2023-11-15 - 来自专栏计算机视觉理论及其实现
ModuleNotFoundError: No module named ‘keras_retinanet.utils.compute_overlap‘
问题：在调用keras_retinanet 的时候提示上面错误? 解决思路：1、把keras_retinanet放入site-packages里面，未能解决问题参考：成功解决ModuleNotFoundError: No module named 'keras_retinanet.utils.compute_overlap 这里的setup.py文件即可进行转换，地址：https://github.com/fizyr/keras-retinanet简单点，把上面的项目全部拉到本地，然后到对应setup.py 路径下，执行python
1.1K40编辑于 2022-09-02 MMDetection学习系列（3）——RetinaNet深度探索与实战指南
RetinaNet作为一种创新的目标检测算法，自推出以来一直备受关注，尤其是在面对类别不平衡问题时，展示了出色的性能。在这篇文章中，我们将详细解析RetinaNet模型的工作原理、优势及其应用。 RetinaNet模型介绍RetinaNet是由Facebook AI Research团队在2017年提出的一种目标检测算法。 Focal LossFocal Loss是RetinaNet的核心创新之一。 RetinaNet能够有效应对类别不平衡的问题，并在多尺度检测中提供精度。应用代码：以下是使用RetinaNet进行工业质检中瑕疵检测的简单代码示例，基于MMDetection框架。 /retinanet_r50_fpn_1x_coco.py' # 使用MMDetection预训练模型checkpoint_file = 'work_dirs/retinanet_r50_fpn_1x_coco
1.3K10编辑于 2025-01-16- 来自专栏软件研发
解决ModuleNotFoundError: No module named keras_retinanet.utils.compute_overlap
如果你已经确认了以上两点，并且错误仍然存在，那么可能是由于安装的Keras-RetinaNet版本较旧或不完整导致的。在这种情况下，你可以尝试更新或重新安装keras_retinanet库。 keras_retinanet库介绍Keras-RetinaNet是一个基于Keras框架实现的目标检测库，它使用RetinaNet算法来进行物体检测。 RetinaNet是一种经典的单阶段目标检测算法，以其高召回率和准确性而闻名。 Keras-RetinaNet库提供了一套简单易用的API，使得使用RetinaNet算法进行物体检测变得非常方便。 下面是一些Keras-RetinaNet库的特性和功能：特性高性能：RetinaNet算法在目标检测任务上具有很高的准确性和召回率，适用于各种不同的应用场景。 总之，Keras-RetinaNet库是一个功能强大且易于使用的目标检测库，它使得使用RetinaNet算法进行物体检测变得轻松愉快。
1.7K70编辑于 2023-10-31 - 来自专栏相约机器人
开源OCR文本检测器，基于TextBoxes++和RetinaNet
本文介绍Github上的一个开源文本定位组件Text_Detector，它使用了RetinaNet的结构和textboxes++中的一些技术。 本文介绍一个开源文本位置探测器Text_Detector，它的Github地址为： https://github.com/qjadud1994/Text_Detector Text_Detector使用了RetinaNet 和textboxes++中的一些技术： RetinaNet: https://arxiv.org/pdf/1708.02002.pdf textboxes++: https://arxiv.org/pdf
1.8K20发布于 2019-11-18 - 来自专栏贾志刚-OpenCV学堂
Pytorch轻松学-RetinaNet模型导出与C++部署
微信公众号：OpenCV学堂 RetinaNet模型导出 在Pytorch的torchvision框架中支持对象检测模型主要包括： -SSD -Faster-RCNN -Mask-RCNN -FCOS -RetinaNet -KeyPointRCNN 亲测以上模型除了SSD导出ONNX格式无法被ONNXRUNTIME、OpenVINO2022解析之外，其他模型导出均可正常加载部署并推理使用。 RetinaNet支持自定义模型训练，这个我已经集成到OpenMV工具软件中，准备好数据集支持一键零代码训练自定义数据，导出ONNX模型。 单独导出RetinaNet模型为ONNX的脚本如下： model = tv.models.detection.retinanet_resnet50_fpn(pretrained=True) dummy_input 01 版本兼容性问题 通过Pytorch1.7.1导出RetinaNet的ONNX模型可以部署到OpenVINO2022上正确推理，但是当我升级Pytorch版本从1.71到1.10版本之后，同样脚本导出的
1.4K40编辑于 2023-01-04 - 来自专栏AI算法修炼营
目标检测经典工作：RetinaNet和它背后的Focal Loss
RetinaNet 为了验证Focal Loss的效果，何凯明等人还提出了一个一阶物体检测结构RetinaNet，其结构如下图所示。 △ RetinaNet框架 对于RetinaNet的网络结构，有以下5个细节： （1）在Backbone部分，RetinaNet利用ResNet与FPN构建了一个多尺度特征的特征金字塔。 这样RetinaNet的backbone得到特征也是5个level，分别为，其stride分别为。一点题外话就是FCOS的backbone也是取，也算是借鉴了RetinaNet。 △ RetinaNet与其他模型在COCO数据集上的检测精度 ? △ RetinaNet与其他单阶段模型的速度对比 最后总结一下RetinaNet与其它同类模型的对比： 相比RPN，前面已经说过RetinaNet可以看成RPN的多分类升级版，backbone和FPN设置基本一样
1.8K20发布于 2020-05-08 - 来自专栏机器学习算法与Python学习
Github | 基于RetinaNet的半自动图像标记工具
本库的作者 Viraj Mavani，提供了一个新的图像注释工具，该工具包含一个名为 RetinaNet 的现有最先进物体检测模型，来显示并注释常用的 80 个对象类的建议，以此来减少开发者的负担。
1.3K20发布于 2019-10-28 - 来自专栏AI科技评论
RetinaNet在航空图像行人检测中的应用
RetinaNet是最著名的单级目标检测器，在本文中，我将在斯坦福无人机数据集的行人和骑自行车者的航空图像上测试RetinaNet。 我们来看下面的示例图像。 关于RetinaNet背后的理论，请参考[1]。我的代码可以在Github上下载[2]。 训练RetinaNet 为了训练RetinaNet，我在Keras使用了keras-retinanet的代码实现[3]，它的帮助文档非常好，运行起来没有任何错误。 以 RetinaNet 所需的格式生成标注。RetinaNet 要求所有标注都采用该格式。 我大概花了一晚上的时间训练 RetinaNet，而训练出的模型性能还不错。接下来我准备探索如何进一步调整RetinaNet 架构，在航拍物体检测中能够获得足够高的精度。
2.3K30发布于 2019-08-28 - 来自专栏简书专栏
目标检测第6步-使用keras版RetinaNet训练
致谢声明 1.本文学习fizyr的github工程《keras-retinanet》，此github工程链接：https://github.com/fizyr/keras-retinanet 此链接中已经具备充分且详细的工程使用指导 2.2 下载并安装keras_retinanet库 github工程网页链接：https://github.com/fizyr/keras-retinanet 选择Download ZIP下载工程压缩文件 keras-retinanet-master.zip，如下图所示： ? image.png 把压缩文件keras-retinanet-master.zip复制到桌面的文件夹keras_RetinaNet中，并选择解压到当前文件夹。 出现下图红色箭头标记处所示信息，则表示已经成功安装keras_retinanet库。
3.4K11发布于 2019-04-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号