基于DETR的人脸伪装检测

  • 前言
  • 前提条件
  • 实验环境
  • 项目地址
  • Linux
  • Windows
  • DETR
  • 训练自己的数据集
  • 修改models/detr.py中的参数
  • 进行训练
  • 进行预测
  • 相关资源免费获取
  • 参考


  • YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
  • YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
  • YOLOv7训练自己的数据集（口罩检测）
  • YOLOv8训练自己的数据集（足球检测）
  • 玩转Jetson Nano（五）：TensorRT加速YOLOv5目标检测

前提条件

实验环境

cython
git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI&egg=pycocotools
submitit
torch>=1.5.0
torchvision>=0.6.0
git+https://github.com/cocodataset/panopticapi.git#egg=panopticapi
scipy
onnx
onnxruntime

项目地址

DETR官方源代码地址：https://github.com/facebookresearch/detr.git

Linux

git clone https://github.com/facebookresearch/detr.git
Cloning into 'yolov8'...
remote: Enumerating objects: 4583, done.
remote: Counting objects: 100% (4583/4583), done.
remote: Compressing objects: 100% (1270/1270), done.
remote: Total 4583 (delta 2981), reused 4576 (delta 2979), pack-reused 0
Receiving objects: 100% (4583/4583), 23.95 MiB | 1.55 MiB/s, done.
Resolving deltas: 100% (2981/2981), done.

Windows

请到https://github.com/facebookresearch/detr.git网站下载源代码zip压缩包。

DETR

  • DETR是Facebook提出的基于Transformer的端到端目标检测网络。DETR做到了真正没有非最大抑制（NMS）后处理，而且不需要anchor（锚点生成）。但是，训练时间较长，对小目标的检测性能不是很高。建议使用可变形注意模块（deformable attention module）代替原始的多头注意力来关注参考点周围的关键位置。
  • DETR论文地址：https://arxiv.org/abs/2005.12872
  • DETR官方源代码地址：https://github.com/facebookresearch/detr.git

地址：预训练权重：detr_r50_8.pth地址：本文源码地址：注：如资源地址失效，请私信我！

参考

[1] Nicolas Carion, Francisco Massa, Gabriel Synnaeve, Nicolas Usunier, Alexander Kirillov, Sergey Zagoruyko. End-to-End Object Detection with Transformers. 2020 [2] DETR 源代码地址. https://github.com/facebookresearch/detr.git
[3]

  • 更多精彩内容，可点击进入YOLO系列专栏或我的个人主页查看
  • YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
  • YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
  • YOLOv7训练自己的数据集（口罩检测）
  • YOLOv8训练自己的数据集（足球检测）
  • 玩转Jetson Nano（五）：TensorRT加速YOLOv5目标检测