本文首發(fā)于知乎專欄“人工智能從入門到逆天殺神”，本文以及本專欄所有算法源代碼都可以在神力AI平臺(tái)獲取，如果你沒有GPU但需要預(yù)訓(xùn)練模型或者你想獲取更多開箱即用的AI算法，歡迎加入我們的會(huì)員，一杯咖啡即可帶你入門AI，傳送門：http://manaai.cn。本文歡迎二次轉(zhuǎn)載，但請保留原作版權(quán)信息，即該段信息，謝謝合作！

在上一篇文章中，我給大家介紹了如何采用更加先進(jìn)的特征抽取方式來做目標(biāo)檢測器的回歸。于是我們嘗試了如何構(gòu)建一個(gè)FPN即特征金字塔。我們在上一篇文章結(jié)尾的時(shí)候，基本上構(gòu)建完了所有的代碼，但還沒有訓(xùn)練并進(jìn)行測試查看最終結(jié)果。

我們由于時(shí)間關(guān)系僅僅訓(xùn)練了4-5個(gè)Epoch，但效果已經(jīng)非常不錯(cuò)，這一點(diǎn)跟SSD改進(jìn)很大，任何一階段算法諸如SSD，DSSD，RefineDet，RFBNet在訓(xùn)練的早期都會(huì)出現(xiàn)大量檢測結(jié)果的情況，這得益于特征金字塔的bottom-up, stop-down的編解碼策略以及focal loss的強(qiáng)大選擇能力，在訓(xùn)練的早期就可以干掉大部分的背景。具體效果如何：

only 4 epochs result, about 30 epochs the result could be much more accurate:

相應(yīng)的源代碼整體工程文件可以在這里找到：

神力AI(MANA)-國內(nèi)最大的AI代碼平臺(tái)?manaai.cn

預(yù)測方式

我們最終實(shí)現(xiàn)的模型將所有的檢測pipeline和nms集成到了一起，并且采用了GPU實(shí)現(xiàn)的nms，即使在python上也不會(huì)在nms這一步浪費(fèi)太多時(shí)間。因?yàn)槲覀兊臅r(shí)間實(shí)在太寶貴了，分秒必爭。

預(yù)測腳本：

import

整個(gè)預(yù)測過程還是比較簡單，這個(gè)預(yù)測腳本從文件夾讀取所有圖片，進(jìn)行預(yù)測。另外在我們的原始工程中，也提供了對webcam和視頻文件進(jìn)行預(yù)測的腳本。

總結(jié)

通過這個(gè)實(shí)現(xiàn)，我們得到了一些經(jīng)驗(yàn)上的收獲，總結(jié)來說如下：

• 速度相對于二階段來說夠快，精度也很錯(cuò)，關(guān)鍵是能夠在短時(shí)間內(nèi)得到一個(gè)幾乎可用的模型；
• 毫無疑問這個(gè)方法如果接上mask head也能有比較不錯(cuò)的表現(xiàn)，原因是它的特征抽象能力很強(qiáng)并且定位很準(zhǔn)確，這一點(diǎn)你從一些比較少的類別可以在短時(shí)間內(nèi)精準(zhǔn)回歸可以看得出來。

在我們完成這邊文章的時(shí)候，來自MANA AI社區(qū)的朋友想讓我們實(shí)現(xiàn)一個(gè)基于fpn+ssd的rbox檢測器，簡單來說從回歸矩形框到回歸帶有reotation的矩形框，感興趣的朋友也可以參考他在mana社區(qū)發(fā)起的討論：

FPN+RSSD : help in implementing the model?talk.strangeai.pro

我們將會(huì)在接下來的文章中繼續(xù)實(shí)現(xiàn)這些功能：

• mask head加入實(shí)現(xiàn)一個(gè)能夠快速檢測+實(shí)例分割的檢測器；
• 如上一位同學(xué)所說，嘗試加入rotation量進(jìn)行回歸。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的resnet50加入fpn_FPN+SSD同时兼顾速度和精度的检测器（二）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。