1、简介
这里主要是针对Light Head RCNN进行了行人检测的训练，Backbone是基于EfficientNet，其结构如下：
2、项目结构
项目结构如下：
训练集如下：
测试结果如下：
对应文件说明：
- 1、Train.py用来训练
- 2、Webcam.py用来测试视频或者摄像头
- 3、weights文件夹下是EfficientNet不同结构的预训练权重
注意：训练时候数据集路径根据实际情况进行修改，pycharm可以直接一键运行训练和测试。
【检测|RCNN系列-6】Light Head RCNN基于EfficientNet项目分享(附代码和数据集)
2023-05-19
41
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
【检测|RCNN系列-6】Light Head RCNN基于EfficientNet项目分享(附代码和数据集)
相关文章
|
6天前
|
机器学习/深度学习
数据可视化
定位技术
PrObeD方法开源 | 主动方法助力YOLOv5/Faster RCNN/DETR在COCO/GOD涨点
PrObeD方法开源 | 主动方法助力YOLOv5/Faster RCNN/DETR在COCO/GOD涨点
41
0
0
|
6天前
|
机器学习/深度学习
编解码
算法
ADA-YOLO | YOLOv8+注意力+Adaptive Head，相对YOLOv8，mAP提升3%+118FPS
ADA-YOLO | YOLOv8+注意力+Adaptive Head，相对YOLOv8，mAP提升3%+118FPS
146
0
0
|
6天前
|
计算机视觉
YOLOv8改进 | 2023Neck篇 | 利用Gold-YOLO改进YOLOv8对小目标检测
YOLOv8改进 | 2023Neck篇 | 利用Gold-YOLO改进YOLOv8对小目标检测
118
1
1
|
12月前
|
算法
数据挖掘
简单涨点 | Flow-Mixup: 对含有损坏标签的多标签医学图像进行分类(优于Mixup和Maniflod Mixup)（二）
简单涨点 | Flow-Mixup: 对含有损坏标签的多标签医学图像进行分类(优于Mixup和Maniflod Mixup)（二）
99
1
1
|
12月前
|
机器学习/深度学习
算法
前端开发
简单涨点 | Flow-Mixup: 对含有损坏标签的多标签医学图像进行分类(优于Mixup和Maniflod Mixup)（一）
简单涨点 | Flow-Mixup: 对含有损坏标签的多标签医学图像进行分类(优于Mixup和Maniflod Mixup)（一）
180
1
1
|
机器学习/深度学习
算法
计算机视觉
|
存储
并行计算
索引
|
机器学习/深度学习
算法
DL之Attention：基于ClutteredMNIST手写数字图片数据集分别利用CNN_Init、ST_CNN算法(CNN+SpatialTransformer)实现多分类预测
DL之Attention：基于ClutteredMNIST手写数字图片数据集分别利用CNN_Init、ST_CNN算法(CNN+SpatialTransformer)实现多分类预测
104
0
0
|
移动开发
算法
算法框架/工具
DL之DCGAN(Keras框架)：基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成(保存h5模型→加载模型)
DL之DCGAN(Keras框架)：基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成(保存h5模型→加载模型)
142
0
0
|
机器学习/深度学习
编解码
算法
经典论文系列 | 目标检测--CornerNet & 又名 anchor boxes的缺陷
目标检测的预测框经过了滑动窗口、selective search、RPN、anchor based等一系列生成方法的发展，到18年开始，开始流行anchor free系列，CornerNet算不上第一篇anchor free的论文，但anchor freee的流行却是从CornerNet开始的，其中体现的一些思想仍值得学习
257
0
0
