代码运⾏：CornerNet源码
论⽂题⽬：CornerNet: Detecting Objects as Paired Keypoints
代码⽬录层次：
各个⽬录含义：
cache：存放训练好的模型，训练过程中，每隔5000步存⼀次模型
config：配置⽂件，Cornernet训练的配置⽂件由config/CornerNet.json 和 config.py组成，测试加上db/detections.py
data：存放coco数据集，需要包含coco的PythonAPI
db：数据类别、基础参数、读取加载等，运⾏⾃⼰数据集需要修改db/coco.py下的self._cat_ids
external：存放⽤c写的NMS和soft_NMS算法
404页面网站源码
models和nnet：⽹络结构代码
result：村粗 python test.py的结果
test：test.py调⽤coco.py⾥⾯的kp_detection⽅法
utils：⼯具类
test.py和train.py：测试和训练
第⼀步，跟着README.md配置运⾏环境，主要是下载⾥⾯的包⽐较费时间；
第三步：根据⾃⼰数据修改config/CornerNet.json⾥⾯的dataset，batch_size，chunk_sizes，data_dir(看情况)，categories，其中batch_size等于chunk_sizes每个数据的和，chunk_sizes⾥⾯每个数表⽰分到每张⽹卡的图⽚数，单张⽹卡⼀般也就只能3-5张；
第四步：修改config.py，display：隔⼏步输出⼀次loss；snapshot：隔⼏步存⼀次模型；batch_size；pretrain：与训练模型地址；
第五步：运⾏python train.py
第六步：运⾏python test.py，debug参数决定是不是⽣成测试图⽚，即把结果框画到原图上并保存到/result⽬录
另外测试时：test/coco.py⾥⾯：kp_detection⽅法调⽤了db.evaluate(result_json, cls_ids, image_ids)，需要把db/coco.py⾥⾯的：
if self._split == "testdev":
return None
注释掉，才会输出结果。
跑我们的数据集，结果并不好：
Average Precision  (AP) @[ IoU=0.50:0.95 | area=  all | maxDets=100 ] = 0.354
Average Precision  (AP) @[ IoU=0.50      | area=  all | maxDets=100 ] = 0.602
Average Precision  (AP) @[ IoU=0.75      | area=  all | maxDets=100 ] = 0.374
Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.114
Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.383
Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.310
Average Recall    (AR) @[ IoU=0.50:0.95 | area=  all | maxDets=  1 ] = 0.398
Average Recall    (AR) @[ IoU=0.50:0.95 | area=  all | maxDets= 10 ] = 0.580
Average Recall    (AR) @[ IoU=0.50:0.95 | area=  all | maxDets=100 ] = 0.601
Average Recall    (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.404
Average Recall    (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.574
Average Recall    (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.606
------------eval result--------------
0.3539904837352708
检测时间：1帧/s
发现cornertnet对⼀张图⽚中存在多个相同类别的⽬标时，容易存在多检现象，如下图的框01和02

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。