efficientdet-d7.pth(Yet-Another-EfficientDet-Pytorch)

efficientdet-d3.pth 权重文件

EfficientDet：可扩展且高效的对象检测 最新对象检测架构EfficientDet的PyTorch实现 动机 截至我开始从事该项目时，GitHub上没有PyTorch实施与该模型参数的数量与原始论文相匹配。 所有现有的存储库都与最近发布的TensorFlow实施方式发生了很大的变化（例如，更改主干的步幅，缺少批处理规范化层，池化层中没有“相同”的填充策略，不同的训练超参数，不使用指数移动平均衰减等）。 这是我在PyTorch中重现EfficientDet的尝试。 我的最终目标是从原始论文复制训练周期并获得几乎相同的结果。 实施注意事项 除了TensorFlow实现之外，我还消除了卷积层中无用的偏差，然后进行了批量归一化，这导致了参数减少。 模型动物园 型号名称 重物 #params #params纸 肺动脉压 val mAP纸 D0 38.78万 390万 32.8 33.5

EfficientDet官方预训练模型，关注即可免积分下载，解决下载过慢的问题。资源会按照官方及时更新，欢迎下载哦~

细节增强的matlab代码预训练的EfficientDet-D0网络用于物体检测 该存储库为MATLAB:registered:提供了预训练的EfficientDet-D0 [1]对象检测网络。 要求 MATLAB:registered:R2021a或更高版本 深度学习工具箱:trade_mark: 计算机视觉工具箱:trade_mark: 适用于ONNX Model Format:trade_mark:支持包的深度学习工具箱转换器 概述 该存储库提供经过训练可检测不同物体类别（包括人，汽车，交通信号灯等）的EfficientDet-D0网络。该预训练模型使用COCO 2017 [3]数据集进行训练，该数据集具有80个不同的物体类别。 EfficientDet-D0很大程度上遵循一级对象检测器范例，并使用预定义的锚点来检测对象。 借助通过快速归一化增强的加权双向特征金字塔网络，它利用了来自不同级别骨干网络的便捷，快速的多尺度特征融合。 入门 将此存储库下载或克隆到您的计算机，然后在MATLAB:registered:中打开它。 设置 将路径添加到源目录。 addpath('src'); 下载预训练的网络 使用下面的帮助程序来下载预训练的网络。 model = helper.downloadPretrainedEff

高效饮食 BiFPN和修改后的BiFPN。 来自@rwightman的effcientNet骨干和预训练权重（ ） 去做 训练和测试

EfficienDet一般有好几个版本，可以根据自己的计算资源下载不同的预训练权重，但是预训练权重一般不太好下载，我上传到这里可供大家下载

Efficientdet项目，Tensorflow版与Pytorch版的ipynb文件，详细运行方法见我博客：Efficientdet项目Tensorflow版与Pytorch版复现指南

EfficientDet可执行代码，包含7种网络架构，亲测在windows下运行成功，CUDA9.0+pytorch1.1.0+torchvision0.3.0

更新（20200429） 此存储库基于库。 将这个高效的付款网络转换为ONNX的需求很多，因此我们进行此回购以帮助人们将模型转换为ONNX或TVM。 请注意，此存储库仅提供如何将模型转换为ONNX或TVM的功能，而不关注模型训练或其他事项。 如果您想训练或测试这种有效模型，最好的方法是参考原始的回购。 我们已根据此更改了一些代码，以帮助成功进行转换。 转换onnx 如果要转换为ONNX，只需运行 python3 convert/convert_onnx.py 转换电视 我们已经在提交** f08d5d78ee000b2c113ac451f8d73817960eafd5 **的tvm版本上进行了测试，其他版本未经测试，因此无法确保也能正常工作。 首先，您需要安装tvm，请参阅其。 我们称您的tvm安装源目录为tvm_home 。 然后，在tvm_home/python/tvm/rela