百度搜索"目标检测必须要OpenCV？10行Python代码也能实现，亲测好用！" 可立即使用

GIthub使用指北: 1.想将项目拷贝到自己帐号下就fork一下. 2.持续关注项目更新就star一下 3.watch是设置接收邮件提醒的. Retinanet-Pytorch 目标检测算法pytorch实现, 本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues） 由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型. 但项目代码验证无误.（但在使用时需要自己进行调整。不建议新手进行尝试。） 项目在架构上与 采用了相似的结构. 重用了大量中代码,如训练器,测试器等. 本项目单机多卡,通过torch.nn.DataParallel实现,将单机环境统一包装.支持单机单卡,单机多卡,指定gpu训练及测试,但不支持多机多卡和cpu训练和测试. 不限定检测时的设备(cpu,gpu均可). Requirements pytorch op

自学大佬开源代码备用，目标检测算法

详情见：https://github.com/yhenon/pytorch-retinanet

CDIoU-CDIoUloss CDIoU和CDIoU丢失就像一个方便的插件，可以在多个模型中使用。 CDIoU和CDIoU损失在Faster R-CNN，YOLOv4，RetinaNet和。 与传统的评估反馈模块相比，MS COCO数据集的最大AP改进为1.9％，平均AP改进为0.8％。 这里我们仅以一个示例来说明代码。 控制距离IoU和控制距离IoU损耗功能 ，苗多千 介绍 反馈机制的众多改进为对象检测的巨大进步做出了贡献。 在本文中，我们首先提出一个评估反馈模块，该模块由评估系统和反馈机制组成。 然后，我们分析并总结了传统评估反馈模块的缺点和改进。 最后，我们专注于评估系统和反馈机制，并提出了控制距离IoU和控制距离IoU损失函数（或简称为CDIoU和CDIoU损失），而没有增加模型中的参数或FLOP，这对几种经典模型显示了不同的显着增强。和新兴模型。 一些实验和比较测试表明，协调

Grad-CAM.pytorch ​ pytorch 实现 和 3.1 3.3 5.1 5.2 5.3 5.4 6.1 6.2 6.3 6.4 7.1 7.2 7.3 7.4 Grad-CAM整体架构 Grad-CAM++与Grad-CAM的异同 依赖 python 3.6.x pytoch 1.0.1+ torchvision 0.2.2 opencv-python matplotlib scikit-image numpy 使用方法 python main.py --image-path examples/pic1.jpg \ --network densenet121 \ --weight-path /opt/pretrained_model/densenet121-a639ec97.p

之前为应对计算机视觉课程而写的图像超分辨综述报告 以及平时实验室汇报做的retinaNetPPT

RetinaNet深入理解（损失函数详解）,RetinaNet深入理解（损失函数详解）