目标检测SSD模型pytorch版的权重参数

最近，我在学习目标检测算法中的SSD(Single Shot MultiBox Detector)，GitHub上已经有人对SSD算法完成了pytorch版本的代码实现(https://github.com/amdegroot/ssd.pytorch)，但是其中训练好的参数(ssd300_mAP_77.43_v2.pth)并不容易下载，因此我把它分享出来：链接:https://pan.baidu.com/s/1inytkGtOtppgrf22AEwrOQ，提取码:u721。

原文地址：https://www.cnblogs.com/hlxyh/p/12396185.html

时间： 2024-08-29 21:15:46

目标检测SSD模型pytorch版的权重参数的相关文章

pytorch COCO2017 目标检测（一）DataLoader

pytorch coco 目标检测 DataLoader实现 pytorch实现目标检测目标检测算法首先要实现数据的读入,即实现Dataset和DataLoader两个类. 借助pycocotools实现了CoCo2017用于目标检测数据的读取,并使用cv2显示. 分析使用cv2显示读入数据,或者要送入到网络的数据应该有三个部分图像,Nx3xHeight x Width BBs,NxMx4 类型,NxMx1 因此,可以将BBs和类型组成一个.Pytorch默认的数据类型是batchsize

使用Caffe完成图像目标检测和 caffe 全卷积网络

一.[用Python学习Caffe]2. 使用Caffe完成图像目标检测标签: pythoncaffe深度学习目标检测ssd 2017-06-22 22:08 207人阅读评论(0) 收藏举报分类: 机器学习(22) 深度学习(12) 版权声明:本文为博主原创文章,未经博主允许不得转载. 目录(?)[+] 2. 使用Caffe完成图像目标检测本节将以一个快速的图像目标检测网络SSD作为例子,通过Python Caffe来进行图像目标检测. 必须安装windows-ssd版本的Ca

[转]目标检测入门之（一）综述（上）

导言:目标检测的任务表述如何从图像中解析出可供计算机理解的信息,是机器视觉的中心问题.深度学习模型由于其强大的表示能力,加之数据量的积累和计算力的进步,成为机器视觉的热点研究方向. 那么,如何理解一张图片?根据后续任务的需要,有三个主要的层次. 图像理解的三个层次一是分类(Classification),即是将图像结构化为某一类别的信息,用事先确定好的类别(string)或实例ID来描述图片.这一任务是最简单.最基础的图像理解任务,也是深度学习模型最先取得突破和实现大规模应用的任务.其中,I

CVPR2019目标检测方法进展综述

CVPR2019目标检测方法进展综述置顶 2019年03月20日 14:14:04 SIGAI_csdn 阅读数 5869更多分类专栏: 机器学习人工智能 AI SIGAI 版权声明:本文为博主原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/SIGAI_CSDN/article/details/88687747 SIGAI特约作者陈泰红研究方向:机器学习.图像处理目标检测是很多计算机视觉应用的基础,

从零开始实现SSD目标检测（pytorch）（一）

目录从零开始实现SSD目标检测(pytorch) 第一章相关概念概述 1.1 检测框表示 1.2 交并比第二章基础网络第三章先验框设计第四章 LOSS设计从零开始实现SSD目标检测(pytorch) 特别说明: 本系列文章是Pytorch目标检测手册的翻译+总结知其然知其所以然,光看论文不够,得亲自实现第一章相关概念概述 1.1 检测框表示边界宽(bounding box)是包围一个物体(objective)的框,用来表示这个物体的位置.形状.大小等信息.不是最小外接矩形

# PyTorch目标检测学习小结

一.环境搭建当前:Windows10 + Anaconda3.6 1.1 创建PyTorch的虚拟环境打开Anaconda中的Anaconda Prompt那个黑框框,输入: #注意这里pytorch是自己设置的虚拟环境名称,可以随意取 conda create --name pytorch python=3.6 之后输入y,创建pytorch虚拟环境.以下是一些常规命令: #进入到虚拟环境 activate pytorch #切回root环境 activate root #删除虚拟环境 c

目标检测方法——SSD

SSD论文阅读(Wei Liu--[ECCV2016]SSD Single Shot MultiBox Detector) 目录作者文章的选择原因方法概括方法细节相关背景补充实验结果与相关文章的对比总结作者文章的选择原因性能好,single stage 方法概括文章的方法介绍 SSD主要用来解决目标检测的问题(定位+分类),即输入一张待测图像,输出多个box的位置信息和类别信息测试时,输入一张图像到SSD中,网络输出一个下图最右边的tensor(多维矩阵),对该矩阵进行

SSD+caffe︱Single Shot MultiBox Detector 目标检测（一）

作者的思路就是Faster R-CNN+YOLO,利用YOLO的思路和Faster R-CNN的anchor box的思想. . 0 导读 (本节来源于BOT大赛嘉宾问答环节 ) SSD 这里的设计就是导致你可以一下子可以检测 8 张图,FasterRCNN 一下子只能检测 1 张图片,这样的话会导致会有 8 张图片的延迟.但是我觉得如果你用 FasterRCNN 的话,你可以优化前面的这个,在实际使用的时候可以把这个网络简化一下.YOLO 做了这样一些设计,在做 3×3×256 的运算之前先有

目标检测算法SSD在window环境下GPU配置训练自己的数据集

由于最近想试一下牛掰的目标检测算法SSD.于是乎,自己做了几千张数据(实际只有几百张,利用数据扩充算法比如镜像,噪声,切割,旋转等扩充到了几千张,其实还是很不够).于是在网上找了相关的介绍,自己处理数据转化为VOC数据集的格式,在转化为XML格式等等.具体方法可以参见以下几个博客.具体是window还是Linux请自行对号入座. Linux:http://blog.sina.com.cn/s/blog_4a1853330102x7yd.html window:http://blog.csdn.n