easy_detection

　　COCO和VOC目标检测，基于pytorch，开箱即用，不需要CUDA编译。支持Faster_RCNN、Cascade_RCNN、Yolo系列、SSD。

　　对比mmdetection，mmdetection功能很多，但是封装的层数也过多，对于初学者不是太友好。因此将经典的检测模型用简单的方式整理或重写了一下。如果遇到问题欢迎提issue或者与我联系。

　　Faster RCNN实现细节可以参考我的Blog：Faster RCNN实现细节.

目录

• 介绍
• 使用说明
• 模型指标和预训练模型
• 参考链接

介绍

　　支持结果可视化、自定义数据集、多卡同步训练。

　　训练时间(Faster RCNN)：

	单卡2080ti	8卡2080ti
VOC	6小时	45分钟
COCO	48小时	6小时

使用说明

• 安装和使用方法见 使用手册.md.

• Faster RCNN实现细节请参考 Faster RCNN实现细节.

• 带有详细注释的代码细节请参考 network/Faster_RCNN_v2/faster_rcnn目录下的相关文件。

模型指标和预训练模型

VOC数据集

结构	mAP@.5	下载链接	密码	日志
YoloV2	76.46	[百度网盘]	mwik	[训练日志]
FasterRCNN + Res50 + FPN	82.39	[百度网盘]	isqt	[训练日志]
CascadeRCNN + Res50 + FPN	81.90	-	-	[训练日志]
SSD300 + VGG16	79.21	[百度网盘]	59y0	-
SSD512 + VGG16	82.14	[百度网盘]	0iur	-

COCO数据集

结构	COCO AP*	mAP@.5	mAP@.75	下载链接	日志
FasterRCNN + Res50 + FPN	35.41	57.11	38.43	[pytorch]	[训练日志]
CascadeRCNN + Res50 + FPN	38.71	56.61	42.16	-	[训练日志]

　　*注：COCO AP是IoU@[0.5:0.95]的mAP平均值。

参考链接

• SSD https://github.com/lufficc/SSD

• YoloV2、YoloV3 https://github.com/andy-yun/pytorch-0.4-yolov3

• EfficientDet https://github.com/rwightman/efficientdet-pytorch

• YoloV4 https://github.com/Tianxiaomo/pytorch-YOLOv4 https://github.com/argusswift/YOLOv4-pytorch

• YoloV5 https://github.com/ultralytics/yolov5

• Faster_RCNN https://github.com/pytorch/vision/tree/master/torchvision/models/detection

• RetinaNet https://github.com/yhenon/pytorch-retinanet