History

p73692015 0cab1d8282 第一次提交		2022-06-01 11:18:00 +08:00
..
README.md	第一次提交	2022-06-01 11:18:00 +08:00
cornernet_squeeze_dcn_r50_vd_fpn.yml	第一次提交	2022-06-01 11:18:00 +08:00
cornernet_squeeze_dcn_r50_vd_fpn_mixup_cosine.yml	第一次提交	2022-06-01 11:18:00 +08:00
cornernet_squeeze_hg104.yml	第一次提交	2022-06-01 11:18:00 +08:00
cornernet_squeeze_r50_vd_fpn.yml	第一次提交	2022-06-01 11:18:00 +08:00
fcos_dcn_r50_fpn_1x.yml	第一次提交	2022-06-01 11:18:00 +08:00
fcos_dcn_r50_fpn_1x_cutmix.yml	第一次提交	2022-06-01 11:18:00 +08:00
fcos_r50_fpn_1x.yml	第一次提交	2022-06-01 11:18:00 +08:00
fcos_r50_fpn_multiscale_2x.yml	第一次提交	2022-06-01 11:18:00 +08:00
pafnet_10x_coco.yml	第一次提交	2022-06-01 11:18:00 +08:00
pafnet_lite_mobilenet_v3_20x_coco.yml	第一次提交	2022-06-01 11:18:00 +08:00
ttfnet_darknet.yml	第一次提交	2022-06-01 11:18:00 +08:00

README.md

Anchor Free系列模型

简介

目前主流的检测算法大体分为两类： single-stage和two-stage，其中single-stage的经典算法包括SSD, YOLO等，two-stage方法有RCNN系列模型，两大类算法在PaddleDetection Model Zoo中均有给出，它们的共同特点是先定义一系列密集的，大小不等的anchor区域，再基于这些先验区域进行分类和回归，这种方式极大的受限于anchor自身的设计。随着CornerNet的提出，涌现了多种anchor free方法，PaddleDetection也集成了一系列anchor free算法。

模型库与基线

下表中展示了PaddleDetection当前支持的网络结构，具体细节请参考算法细节。

	ResNet50	ResNet50-vd	Hourglass104	DarkNet53
CornerNet-Squeeze	x	✓	✓	x
FCOS	✓	x	x	x
TTFNet	x	x	x	✓

模型库

COCO数据集上的mAP

网络结构	骨干网络	图片个数/GPU	预训练模型	mAP	FPS	模型下载	配置文件
CornerNet-Squeeze	Hourglass104	14	无	34.5	35.5	下载链接	配置文件
CornerNet-Squeeze	ResNet50-vd	14	faster_rcnn_r50_vd_fpn_2x	32.7	47.01	下载链接	配置文件
CornerNet-Squeeze-dcn	ResNet50-vd	14	faster_rcnn_dcn_r50_vd_fpn_2x	34.9	40.43	下载链接	配置文件
CornerNet-Squeeze-dcn-mixup-cosine*	ResNet50-vd	14	faster_rcnn_dcn_r50_vd_fpn_2x	38.2	39.70	下载链接	配置文件
FCOS	ResNet50	2	ResNet50_cos_pretrained	39.8	18.85	下载链接	配置文件
FCOS+multiscale_train	ResNet50	2	ResNet50_cos_pretrained	42.0	19.05	下载链接	配置文件
FCOS+DCN	ResNet50	2	ResNet50_cos_pretrained	44.4	13.66	下载链接	配置文件
TTFNet	DarkNet53	12	DarkNet53_pretrained	32.9	85.92	下载链接	配置文件

注意:

模型FPS在Tesla V100单卡环境中通过tools/eval.py进行测试
CornerNet-Squeeze要求使用PaddlePaddle1.8及以上版本或适当的develop版本
CornerNet-Squeeze中使用ResNet结构的骨干网络时，加入了FPN结构，骨干网络的输出feature map采用FPN中的P3层输出。
*CornerNet-Squeeze-dcn-mixup-cosine是基于原版CornerNet-Squeeze优化效果最好的模型，在ResNet的骨干网络基础上增加mixup预处理和使用cosine_decay
FCOS使用GIoU loss、用location分支预测centerness、左上右下角点偏移量归一化和ground truth中心匹配策略
Cornernet-Squeeze模型依赖corner_pooling op，该op在ppdet/ext_op中编译得到，具体编译方式请参考自定义OP的编译过程

算法细节

CornerNet-Squeeze

简介: CornerNet-Squeeze 在Cornernet基础上进行改进，预测目标框的左上角和右下角的位置，同时参考SqueezeNet和MobileNet的特点，优化了CornerNet骨干网络Hourglass-104，大幅提升了模型预测速度，相较于原版YOLO-v3，在训练精度和推理速度上都具备一定优势。

特点:

使用corner_pooling获取候选框左上角和右下角的位置
替换Hourglass-104中的residual block为SqueezeNet中的fire-module
替换第二层3x3卷积为3x3深度可分离卷积

FCOS

简介: FCOS是一种密集预测的anchor-free检测算法，使用RetinaNet的骨架，直接在feature map上回归目标物体的长宽，并预测物体的类别以及centerness（feature map上像素点离物体中心的偏移程度），centerness最终会作为权重来调整物体得分。

特点:

利用FPN结构在不同层预测不同scale的物体框，避免了同一feature map像素点处有多个物体框重叠的情况
通过center-ness单层分支预测当前点是否是目标中心，消除低质量误检

TTFNet

简介： TTFNet是一种用于实时目标检测且对训练时间友好的网络，对CenterNet收敛速度慢的问题进行改进，提出了利用高斯核生成训练样本的新方法，有效的消除了anchor-free head中存在的模糊性。同时简单轻量化的网络结构也易于进行任务扩展。

特点：

结构简单，仅需要两个head检测目标位置和大小，并且去除了耗时的后处理操作
训练时间短，基于DarkNet53的骨干网路，V100 8卡仅需要训练2个小时即可达到较好的模型效果

如何贡献代码

我们非常欢迎您可以为PaddleDetection中的Anchor Free检测模型提供代码，您可以提交PR供我们review；也十分感谢您的反馈，可以提交相应issue，我们会及时解答。

README.md Unescape Escape