这篇文章没有啥干货,就是开源一个代码。从最原始的SSD到SSD的各种改进版本比如RFBNet,M2Det, FSSD, DSSD各种乱七八糟的SSD到Yolov2, YoloV3, 甚至是各种改进版本的Yolo,如基于高斯损失的yolo,基于GIoU的Yolo,基于ASFF的Yolo,我们越来越发现anchor-based的方法有它的优点但同时也有自身的缺点。尤其是和最近的许多anchor-free的目标检测算法比如FCOS,CornerNet,CenterNet对比,我们更加发现,这些anchor-based的方法的缺点在他们上面更加的被放大了。
为什么叫这个名字?
因为我们发现有人做了centernet-better,还有人做了centernet-better-plus,我们只能叫CenterNet-Pro-Max了。
更新:
onnx 导出已经支持;
支持自定义数据集训练,具体请star,watch,并加入我们的AI交流社区获取第一时间更新资讯:
http://t.manaai.cn

t.manaai.cn

CenterNet一个简洁的模型
为什么我们要在原始的CenterNet的基础上再重构一个CenterNet Pro?其实社区里面有很多人已经这么做了,比如CenterNet-Better,我们的大部分代码其实也是基于CenterNet-Better再进一步的简化和梳理。我认为根本原因在于:
这个模型真的很简洁,越是简洁的东西,越容易让人理解并发现它的美;
它不仅简洁,美,而且work;
它成为了一个优秀的高层任务有力后端。
它将引领分化和潮流。
最后两点其实不难理解,虽然CenterMask这种实例分割模型并非基于CenterNet,而是FCOS,但其实大同小异。最近CVPR2020的Oral snake也是我非常喜欢的一篇论文,它有一个版本就是基于CenterNet和环形卷积实现的一个很简单并且很有效的实例分割模型。
基于这么一些,我们选择在centernet-better的基础之上,再进一步的简化和梳理了CenterNet。
以下是CenterNet Pro Max的resne50后端检测效果示例:

0fae7fcd-a9f2-46ba-a49e-8ea90bc5507b-image.png

有哪些新东西
其实我们的所有AI开发者社区多有一个共性的目的:那就是AI落地,其实这也是神力致力于做的事情:
http://manaai.cn

manaai.cn
我们在重构这个版本的时候也不例外,我们增加的东西包括:
使得DCN是一个optional的选择,DCN虽然好不过部署还是有点支持力度不够的;
我们让CenterNet模型架构起来就像搭积木一样简单,你可以加上自己的Head,我们也在尝试帮助大家理解如何用它来构建更加复杂的任务,比如单目的3D检测,比如做一些诸如人脸关键点检测的任务;
我们让这个模型可以很方便的导出为ONNX,同时部署到其他任何后端,比如TensorRT,比如Tengine,比如mnn等等。
我们在集成centerface,3D关键点等。
最后开源的模型大家可以在github找到链接,大家可以关注一波专栏,点击star一下repo(疯狂暗示),同时也鸣谢centernet-better的原作者。
https://github.com/jinfagang/CenterNet_Pro_Max

github.com
CenterNet Pro Max将会持续更新,并增加更多的自定义数据集的训练,希望大家多多watching,订阅我们的更多feature更新!
广告时间:全国最大的AI学习交流论坛:

http://t.manaai.cn

t.manaai.cn