Deformable DETR demo

README_DETR-标注.pdf

UCAS-RSOD2021-DETR 《遥感图像分析与系统》研讨作业，第一次接触CV期望通过学习DETR入门CV目标检测，顺便复习一下transformer 个人认为端到端的RSOD是一个很好的idea，目前相关工作不多，值得关注 论文已懂，并做了PPT解释，源码理清了大部分，目前只做到官方调用接口的程度，但还未训练自己的数据集，所以结果有各种各样的问题，未完待续... 源码： 从github中来，到github中去 :)

transform相关文章分享，DETR:End-to-End Object Detection with Transformers。博客地址：https://blog.csdn.net/wsLJQian/article/details/118699982?spm=1001.2014.3001.5501

detr-r50-e632da11.pth

基于cvpods的DETR DETR.detectron2已被弃用。 请查看我们基于新实现，该实现更加用户友好。 指示 从安装cvpods cd detr.res50.c5.coco.multiscale.150e.bs16 pods_train --num-gpus 8 结果 配置 可可AP 纸 检查站 detr.res50.c5.coco.multiscale.150e.bs16 38.8不带RC 带RC的39.5 “ RC ”是指RandomCrop，它为纸张带来了1％的AP改善。

介绍 目前支持tensorflow在 ResNeSt 2d＆3d RegNet DETR （修改后的分类） GENet （2020 GPU高效网络） 仅限于模型，没有可下载的pertrain模型（这意味着没有足够的空闲时间和资源）。 易于阅读和修改。 欢迎使用它，提出问题，进行测试，也许会发现一些错误。 ResNeSt基于 。 更新 2020-7-30 ：添加并基于。 纸上展示了在GPU环境下获得的良好性能，这与RegNet非常相似。 型号名称GENet_light ， GENet_normal ， GENet_large 。 2020-6-14 ：添加Resnest3D ，这要归功于@vitanuan，型号名称为resnest50_3d ， resnest101_3d ， resnest200_3d ，输入形状为4d，例如input_shape = [50,224,224,3

python使用与内在逻辑.xmind

PyTorch 训练代码和 DETR（检测转换器）的预训练模型。 我们用 Transformer 替换了完全复杂的手工对象检测管道，并将 Faster R-CNN 与 ResNet-50 匹配，使用一半的计算能力 (FLOP) 和相同数量的参数在 COCO 上获得 42 个 AP。 50 行 PyTorch 中的推理。 这是什么。 与传统的计算机视觉技术不同，DETR 将目标检测作为直接集预测问题来处理。 它由一个基于集合的全局损失和一个 Transformer 编码器-解码器架构组成，它通过二分匹配强制进行独特的预测。 给定一组固定的学习对象查询集，DETR 会推理对象和全局图像上下文的关系，以直接并行输出最终的预测集。 由于这种并行特性，DETR 非常快速和高效。

DE⫶TR ：使用变压器进行端到端物体检测 PyTorch的DETR （ DE tection TR ansformer）训练代码和预训练模型。 我们用变压器代替了整个复杂的手工物体检测管道，并用ResNet-50匹配了Faster R-CNN，使用一半的计算能力（FLOP）和相同数量的参数在COCO上获得了42个AP 。 在PyTorch的50行中进行推断。 这是什么。 与传统的计算机视觉技术不同，DETR将对象检测作为直接设置的预测问题。 它由基于集合的全局损耗（通过二分匹配强制唯一预测）和变压器编码器-解码器体系结构组成。 给定固定的学习对象查询集，则DETR会考虑对象与全局图像上下文之间的关系，以直接并行并行输出最终的预测集。 由于这种并行性质，DETR非常快速和有效。 关于代码。 我们认为，对象检测不应该比分类困难，也不需要复杂的库来进行训练和推理。 DETR的实现和试验非常