文件名称：Wheat-Heads-Object-Detectors:使用DetectoRS，更快的RCNN和广义焦点损失进行目标检测
文件大小：6.7MB
文件格式：ZIP
更新时间：2024-05-01 20:04:25
JupyterNotebook
全局小麦检测-使用MMDetection工具箱进行对象检测 此包含三个笔记本，这些笔记本使用工具箱训练不同的模型，这些模型从小麦植物的图像中检测小麦的头部。 所使用的数据来自萨斯喀彻温大学（美国萨斯喀彻温大学提供的竞赛。 每个笔记本电脑都设置为训练3种类型的检测器，但每个仅训练其中一种。 所有检测器都需要GPU进行训练。 更快的RCNN 50（Ren等人，2017） DetectoRS（Qiao等人，2020年） 广义震源损失（Li et al。，2020） 通过对各种参数设置和数据流水线进行试验，使用广义焦点损失和DetectoRS模型（按此顺序）可以取得更好的结果，但是Faster RCNN 50可以更快，更轻便地获得良好的结果。 此外，Faster RCNN 50可以使用CPU或GPU进行推理，而其他2个则需要GPU。 为了训练检测器，我创建了一组Pascal VOC（
【文件预览】：
Wheat-Heads-Object-Detectors-master
----.gitignore(41B)
----media()
--------gt_vs_pred.png(1.42MB)
--------colab.png(21KB)
----global_wheat_detection_detectoRS.ipynb(2.42MB)
----global_wheat_detection_gfl.ipynb(2.31MB)
----global_wheat_detection_faster_rcnn.ipynb(2.37MB)
----README.md(3KB)