DETR训练自己的数据集

重要的参考链接

• 视频学习-关于DETR的讲解合集：DETR源码讲解：训练自己的数据集（这个小姐姐讲的很清楚，还有另外一个视频关于Deformable Detr的，Deformable Detr 论文思想讲解（一听就会））
  • 这小姐姐自己写了一个预测代码，但是还没有公布出来的，我在这个博客中看到有分享predict.py ，可以好好看一下：windows10复现DEtection TRansformers（DETR）并实现自己的数据集（这个博客是真的详细，可能视频中的小姐姐就是参照的这个博客，里面的预测代码大概率也是来自于这里）
• 视频学习-跟着李沐学AI的论文精度：DETR 论文精读【论文精读】（有3篇相关的B站笔记，可以去看一下）
• 这个注意力机制要好好学一下，跟那个生物机制很像：详解可变形注意力模块（Deformable Attention Module）

重点：

• 标签格式是COCO类型的json文件，暂时可以先参考这个VOC格式数据集转为COCO格式数据集脚本，而且必须要命名为./instances_train2017.json和./instances_val2017.json
• DETR对小目标不友好，检测大目标倒是可以
• DETR在精度上没有比过当时的SOTA，能这么被喜爱是因为它的论文思想很精妙，真正实现了end-to-end

训练自己的代码，参考：

• 视频学习-关于DETR的讲解合集：DETR源码讲解：训练自己的数据集
• 【DETR】训练自己的数据集-实践笔记
• DETR训练自己的数据集
• windows10复现DEtection TRansformers（DETR）并实现自己的数据集

暂存：

• 目标检测算法：Cascade RCNN | 视频讲解

缺点：

1. DETR需要很多的epoch才能够收敛
2. 小目标性能不好
3. 增大尺度或者使用多尺度，会增加计算量
4. 注意力模块比较稀疏，收敛比较慢

第一步：更改权重文件

• 先下载detr-r50-e632da11.pth权重，点击即可下载

  声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小丑西瓜9/article/detail/380392