赞
踩
之前复现了基于yolov2的小样本目标检测的论文,经过在其他数据集(如一些包含小目标的遥感数据集),检测效果不是很好,可能是由于v2的性能的问题,v2网络本身只有一种尺度的预测特征图,相比于从v3开始的多个预测特征图,性能逊色一些。
下面就学习复现基于v3的小样本目标检测算法,github链接
链接: FSODM。感觉这个代码有点冷门,可能是由于作者给的说明太少吧。
作者没有给出代码的requirements.txt,经过实验,发现v2的版本的环境依然适用!
关于v2版本的环境配置:链接: Few-shot Object Detection via Feature Reweighting跑自己的数据集。
在这里为作者点个赞,新写的代码很好,我们只需要把数据集弄成相应的格式,就是用作者的代码制作数据集啦!其实就是把Prepare dataset步骤,调试一遍就明白那些py的作用了,这里后面有时间再补充吧。
训练基本和v2版本的类似,只是有些参数位置变了,训练的时候记得改类别名称,改成自己对应的就行,目的就是能够定位到自己的数据集。这里根据代码慢慢改就行,或者先运行看,哪里报错改哪里(~ ~,我就是这样改的…)。代码结构上和v2的版本没区别,貌似就是网络结构和loss那里不同。
作者没给预训练权重!解决方法:
(1)从头训练,有一说一,训练时间是真的长!!!
(2)****************************************
测试和v2差不多,如果遇到爆cuda,处理和在v2版本里遇到的问题一样:
即在执行python valid.py xxxxxxxx时,修改为:
with torch.no_grad():
meta…
训练的时候记得注释了,恢复为原来的样子。
计算AP也是和基于的v2版本一样。
训练相同的数据集,目标域 Mean AP可以提升0.12左右。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。