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平臺獲取，如果你沒有GPU但需要預訓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。本文歡迎二次轉載，但請保留原作版權信息，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的特征抽取方式來做目標檢測器的回歸。于是我們嘗試了如何構建一個FPN即特征金字塔。我們在上一篇文章結尾的時候，基本上構建完了所有的代碼，但還沒有訓練并進行測試查看最終結果。

我們由于時間關系僅僅訓練了4-5個Epoch，但效果已經非常不錯，這一點跟SSD改進很大，任何一階段算法諸如SSD，DSSD，RefineDet，RFBNet在訓練的早期都會出現(xiàn)大量檢測結果的情況，這得益于特征金字塔的bottom-up, stop-down的編解碼策略以及focal loss的強大選擇能力，在訓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:

相應的源代碼整體工程文件可以在這里找到：

神力AI(MANA)-國內最大的AI代碼平臺?manaai.cn

預測方式

我們最終實現(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實現(xiàn)的nms，即使在python上也不會在nms這一步浪費太多時間。因為我們的時間實在太寶貴了，分秒必爭。

預測腳本：

import

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

總結

通過這個實現(xiàn)，我們得到了一些經驗上的收獲，總結來說如下：

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

在我們完成這邊文章的時候，來自MANA AI社區(qū)的朋友想讓我們實現(xiàn)一個基于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

我們將會在接下來的文章中繼續(xù)實現(xiàn)這些功能：

• mask head加入實現(xiàn)一個能夠快速檢測+實例分割的檢測器；
• 如上一位同學所說，嘗試加入rotation量進行回歸。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。