CenterNet:用于对象检测的关键点三元组

基于CenterNet简化后只做目标检测的源代码， 各个文件说明： （一）目录层级 data：存放训练数据，目前只存放了太平洋汽车网的训练数据，主要是识别车牌的位置。只有训练集的数据。 exp：训练中日志存放的位置 images：验证时候图片存放的位置 models：存放训练过程中产生的模型 src：源代码 （二）文件说明： dataset: -- CtdetDataset.py: 读取图片并进行预处理 detector: -- CtdetDetector.py: 预测推理流程 model: 存放各个BackBone的模型代码 prune: -- prune.py: Slimming裁剪方法 train: -- CtdetTrainer.py: 训练主体流程 -- CtdetTrainer_NNI.py: 基于NNI裁剪训练主体流程 -- losses.py: 训练中各种loss的计算方法 utils: -- image.py: 图像处理方法，包括高斯变化，调整亮度、饱和度等方法 -- logger.py: 日志处理方法 src: -- demo_3dcar_ai.py: 一张图片推

这个文章主要是对CenterNet中生成高斯核的部分代码进行解析，具体原理不会细讲，但是**本文增加了一个很方便理解的可视化的代**码，可以自己拿来跑就行，自己debug应该也可以理解作者的意思，希望对读者有帮助。

基于centernet+pyqt5GUI界面人形检测计数系统源码+模型+操作说明+代码注释供学习参考.zip 带有pyqt5界面，模型，操作说明，有大量代码注释。 该项目代码可供参考学习，里面有很多自定义修改的地方，界面挺好! 适合深度学习初学者、或者正在做毕设的学生和需要项目实战AI算法工程师，学习借鉴。

1. 使用的模型是centernet 2. 使用predict.py可以进行预测 3. 使用的环境是tensorflow 4. 建议安装cuda使用 5. 该检测容易误检人脸，建议演示时避免人脸靠得太近 6. 根据手语对照表可以使用项目检测相应的手语

基于chainer的centernet目标检测源码，已经整理好以类的方式进行调用，结构清晰，简单调用，纯源码

集yolov5、centernet、unet算法的pyqt5界面，可实现图片目标检测和语义分割

这是使用TensorRT和CUDA的CenterNet的C ++实现。 感谢的正式实施 ！ 依存关系： Ubuntu 16.04 PyTorch 1.2.0（用于与Tenson RT5在Jetson Tx2中的兼容性） CUDA 10.0 [必需] TensorRT-7.0.0.11（用于CUDA10.0）[必需] CUDNN（对于CUDA10.0，可能不使用）[必需] libtorch（cpu版本的Torch c ++ lib，gpu版本可能与环境冲突）[可选] gtest（Google C ++测试框架）[可选] 注意 TensorRT库必须与已安装的CUDA和CUDNN一致 TensorRT 5不支持动态形状 TensorRT 7.0.x不直接支持动态形状的Int8校准 TensorRT 7.1.x支持动态形状的Int8校准 TensorRT的插件： MyUpsam

1、通过滑动窗口分类检测 2、多尺度（和纵横比）来检测不同大小的对象 3、困难负例挖掘的重要性（由于类不平衡） 4、通过仅选择窗口子集来加速训练和推理 5、使用 CNN 进行对象类别检测 两阶段方法：Faster R CNN 一段式方法：SSD 评价数据集：COCO 6、涉及最先进的方法最近的改进 模块：特征金字塔网络、焦点损失 培训：复制粘贴数据增强 架构：RetinaNet、CenterNet、FCOS、Mask R CNN、DETR、Swin 7、实例分割 8、使用移位窗口的分层视觉转换器 9、DETR：使用变压器进行端到端对象检测 10、复制粘贴和大规模抖动数据增强 11、对象检测、分割、实例分割等的新基准数据集： LVIS（Large Vocabulary Instance Segmentation）：1200个类别，164K 图像，220万个实例分割

CenterNet无人机检测，代码和训练结果，有使用教程，目标类别为drone，旋翼无人机检测，在几万张图片上训练的权重文件