CenterNet是一种端到端的基于free-anchor的目标检测模型，其继承自CornerNet目标检测模型，可以很容易迁移到例如3D目标检测和人体关键点检测等任务。该模型发表自2019年，在MS COCO 数据集上在速度与准确率方面取得了最好的平衡, 142 FPS时有28.1% AP , 52 FPS时有37.4% AP，多尺度测试时可以达到45.1% AP和 1.4 FPS。Center
转载
2023-06-15 19:16:24
168阅读
# 检测模型 Docker：使模型部署更高效和便捷
。本篇文章将对r-cnn，f
转载
2024-03-26 09:46:29
104阅读
在这篇博文中，我将和大家分享如何将一个基于 PyTorch 的检测模型封装成 Docker 镜像并部署到服务器上。这个流程包括从环境准备到排错的详细步骤，非常适合初学者和中级开发者。
## 环境准备
在开始之前，让我们先准备好开发和部署所需的环境。
### 软硬件要求
| 部件 | 需求 |
|-----------|------------------|
前言目标检测是人工智能的一个重要应用，就是在图片中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤： 1、分类，识别物体是什么 2、定位，找出物体在哪里除了对单个物体进行检测，还要能支持对多个物体进行检测，如下图所示：这个问题并不是那么容易解决，由于物体的尺寸变化范围很大、摆放角度多变、姿态不定，而且物体有很多种类别，可以在图片中出现多种物体、出现在任意位置。因此，目标检测
转载
2024-04-22 14:51:44
223阅读
目标检测作为计算机视觉领域的顶梁柱，不仅可以独立完成车辆、商品、缺陷检测等任务，也是人脸识别、视频分析、以图搜图等复合技术的核心模块，在自动驾驶、工业视觉、安防交通等领域的商业价值有目共睹。正因如此，YOLOv5、YOLOX、PP-YOLOE、PP-PicoDet等优秀算法层出不穷，各有优劣侧重。而在当前云、边、端多场景协同的产业大趋势下，运行速度、模型计算量、模型格式转化、硬件适配、统一部署方案
转载
2024-04-28 10:01:26
99阅读
介绍Insight Face在2019年提出的最新人脸检测模型，原模型使用了deformable convolution和dense regression loss， 在 WiderFace 数据集上达到SOTA。截止2019年8月，原始模型尚未全部开源，目前开源的简化版是基于传统物体检测网络RetinaNet的改进版，添加了SSH网络的检测模块，提升检测精度，作者提供了三种基础网络，基于ResN
转载
2024-04-09 09:35:42
124阅读
前面博文介绍了目标检测的概况，以及【RCNN系列】的目标检测模型，这个系列介绍【YOLO系列】的目标检测模型。本篇文章介绍YoloV1网络模型的概况。一、概述 Yolo（You Only Look Once），你只需要看一次，通过这个任性的名字，就可以稍微区分出其与【RCNN】系列的最重要的不同之处，YOLO是end-to-end模式，并且是真
转载
2024-05-13 09:27:08
693阅读
自从去年8月CornerNet开始，Anchor-Free的目标检测模型层出不穷，最近达到了井喷的状态，宣告着目标检测迈入了Anchor-Free时代。其实Anchor-Free并不是一个新概念了，大火的YOLO算是目标检测领域最早的Anchor-Free模型，而最近的Anchor-Free模型如FASF、FCOS、FoveaBox都能看到DenseBox的影子。下面主要讲一下有代表性的Ancho
【实战】K210训练与部署YOLO目标检测模型 文章目录【实战】K210训练与部署YOLO目标检测模型材料准备项目目标实验步骤一、数据集制作1. 准备数据集2. 标注图片二、模型训练1.Mx-yolov3环境配置2.Mx-yolov3模型训练和部署总结 材料准备K210（Maix Bit）MaixPy IDE （下载链接：https://pan.baidu.com/s/1DuqdPzniZ5lrc
转载
2024-05-13 11:20:08
135阅读
