基于megengine的retinanet的目标检测模型，主干网络ResNet101

基于megengine的retinanet的目标检测模型，主干网络ResNet18

基于megengine的retinanet的目标检测模型，主干网络ResNet34

基于megengine的retinanet的目标检测模型，主干网络ResNet50

基于megengine的retinanet的目标检测模型，主干网络ResNext101

Retinanet：目标检测模型在Pytorch当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 600x600 - 81.56 所需环境 torch==1.2.0 文件下载 训练所需的retinanet_resnet50.pth可以在百度云下载。 链接: 提取码: krr5 VOC数据集下载地址如下： VOC2007+2012训练集 链接: 提取码: eiw9 VOC2007测试集 链接: 提取码: dsda 预测步骤 a、使用预训练权重 下载完库后解压，在百度网盘下载retinanet_resnet50.pth，放入model_data，运行predict.py，输入 img/street.jpg 利用video.py可进行摄像头检测。 b、使用自己训练的权重 按照训练

视网膜网 这是Pytorch中RetinaNet的实现，使用ResNet作为主干和FPN。 它基于和的代码。 在VOC上训练 1.下载PASCAL VOC 2012 trainval数据集并解压缩。 其路径应为“ {root_dir} / VOCdevkit / ..”。 2.下载此仓库 git clone git@github.com:qqadssp/RetinaNet.git cd RetinaNet 3.从预训练的权重 cd checkpoint wget https://download.pythorch.org/models/resnet50-19c8e357.pth cd .. 4，初始化模型 python init.py 5.在“ config”中修改配置文件。 对于VOC数据集，请用您的{root_dir}修改“ TRAIN：DATASETS_DIR”

Pytorch implementation of RetinaNet object detection.

Keras实现的RetinaNet目标检测 Keras RetinaNet Keras 实现 RetinaNet 对象检测，如 Tsung-Yi Lin、Priya Goyal、Ross Girshick、Kaiming He 和 Piotr Dollár 在本文中所述。 培训 可以在此处找到有关如何培训 keras-retinanet 的示例。 用法 对于 Pascal VOC 的训练，请运行：python examples/train_pascal.py 对于 MS COCO 的培训，请运行：python examples/train_coco.py 一般来说，在你自己的数据集上训练的步骤是： 通过调用 keras_retinanet.models.ResNet50RetinaNet 创建一个模型并编译它。 根据经验，已发现以下编译参数运行良好：model.compile( loss={ 'regression' : keras_retinanet.losses.regression_loss, 'classification': keras_retinanet.loss

训练好的RetinaNet模型：RetinaNet ImageAI是一个python的库，它能使开发人员用简单几行代码构建具有深度学习和计算机视觉功能的应用程序和系统。它是由Moses Olafenwa和John Olafenwa两位开发并维护。