CenterNet-Lite
CenterNet的PyTorch版本（以对象为点）。我只支持resnet18版本。没有DLA或沙漏版本。
我已经在VOC0712和COCO 2017上进行了培训。您可以从BaiDuYunDisk下载它们：
链接： :
密码：jz4q
官方CenterNet充分利用了DCN，而我只是将其替换为YOLOv3中使用的SPP，因为我有点懒惰〜
在VOC上：
数据
地图
（官方）resnet18 + DCN
VOC2007
75.7
（我们的）resnet18 + SPP
VOC2007
75.3
在COCO上：
数据
美联社
AP50
（官方）resnet18 + DCN
COCO测试版
28岁
44.9
（我们的）resnet18 + SPP
可可值
25.8
45.4
我仍在尝试一些新的方法来增强CenterNet-Lite的强度。
安装
2022-03-09 20:01:59
165KB
1
objects as points 目标检测源码（自写），backbone采用unet++。
训练时可以用tensorboard 查看热力图和bbox检测效果。
2022-03-05 10:40:44
21KB
1
ctdet_coco_dla_2x.pth, GoogleDrivede的预训练模型，基于COCO数据集训练，CenterNet的backbone网络模型文件
2022-03-04 18:22:26
71.59MB
1
论文精读——CenterNet _Objects as Points - c20081052的专栏 - CSDN博客
2022-01-09 16:12:24
4.39MB
1
CenterNet Pro Max
更新。代码弃用！！！由于某些内部问题，此代码是封闭源代码，对此感到抱歉！
对于想要/咨询/获得CenterNet_Pro_Max的任何资源的任何人，即使我们关闭了该版本的源代码，我也希望为您提供帮助。也欢迎社区加入这个dicuss平台来谈论AI：
为什么叫这个名字？因为此存储库基于centernet-better，而有人将其开源，所以另一个实现称为centernet-better-plus，因此我们必须使用以下名称：centernet_pro_max。
此仓库是原始CenterNet的重建。与大多数基于detectron2或mmdetection的实现不同，高度模块化的代码库使用户难以理解基本思想是什么。因此，在此存储库中，我们使它尽可能简单，并使您可以自定义任何想法或拥有的任何新体系结构。
此版本建立在Centernet-Better的基础上，但与原始
2021-12-19 01:55:18
5KB
1
DCNv2最新
由于DCN在许多模型中使用得很好，并且性能很好，但是在行业中，此操作支持不是很好。 包括pytorch，onnx，tensorrt等。此仓库使pytorch中的所有版本都可以使用DCNv2。
在CenterNet-DLA模型中推断出的Pytorch 1.7。 它可以在Pytorch 1.7上运行，因此您可以在RTX 30系列卡中使用它。
更新
2021.03.24 ：已确认PyTorch 1.8在主分支中可以使用，随时可以使用它。
2021.02.18 ：新年快乐！ PyTorch 1.7终于在master分支上得到支持！ 对于较低的版本，理论上也可以，如果没有，请向我提出问题！ 。
2020.09.23 ：现在，默认情况下，master分支适用于pytorch 1.6，对于较旧的版本，您需要将其分开。
2020.08.25 ：签出pytorch1.6分支以获得py
2021-12-13 17:33:41
37KB
1
DCNv2最新
由于DCN在许多模型中使用得很好，并且性能很好，但是在行业中，此操作支持不是很好。 包括pytorch，onnx，tensorrt等。此仓库使pytorch中的所有版本都可以使用DCNv2。
在CenterNet-DLA模型中推断出的Pytorch 1.7。 它可以在Pytorch 1.7上运行，因此您可以在RTX 30系列卡中使用它。
更新
2021.03.24 ：已确认PyTorch 1.8在主分支中可以使用，随时可以使用它。
2021.02.18 ：新年快乐！ PyTorch 1.7终于在master分支上得到支持！ 对于较低的版本，理论上也可以，如果没有，请向我提出问题！ 。
2020.09.23 ：现在，默认情况下，master分支适用于pytorch 1.6，对于较旧的版本，您需要将其分开。
2020.08.25 ：签出pytorch1.6分支以获得py
2021-11-26 20:01:15
37KB
1
修改TensorFlow 2.4及以上（或2.2，如果您使用XCenterNet标记为V1.0.0）上述tf.keras实施CenterNet对象检测在描述由兴义周，王德泉，菲利普·克雷恩布尔和TTFNet刘屠征，徐国栋，杨正，刘海峰，蔡登。有关原始实现，请参阅和。
此实现不是本文或pytorch实现的精确副本，因为我们已根据需要对其进行了修改，因此此回购协议具有一些功能：
使用tf2.2 + keras模型train_step和tf.data.dataset
使用来自tf2.3 +的tensorflow.keras.applications.efficiencynet
高效的网络和Resnet骨干网
tf.dataset的多尺度训练和扩充
添加了更强大的NMS，以获得更好的结果
无需姿势估计或3D，只需简单的物体检测
使用可变形卷积
易于在自己的数据集上进行微调，并自定义自己的图像增强，
2021-11-09 16:30:35
1.13MB
1