学习资源

Paddle官方教程: 《AI快车道PaddleDetection – 课节4: 闪电版目标检测算法PP-PicoDet》
PicoDet增强版官方介绍: 超强目标检测算法矩阵（PicoDet-XS）
PicoDet论文: PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices
关键点视频也需要学习一下；

1 模型介绍

论文阅读笔记：《PicoDet论文译读笔记》
模型类型: Anchor-Free
关于PicoDet的整体描述，我觉得可以参照VFNet论文对这类模型的介绍：

[VFNet Paper]: Another type of anchor-free detectors are similar to anchor-based one-stage methods, but they remove the usage of anchor boxes. Instead, they classify each point on the feature pyramids [25_FPN] into foreground classes or background, and directly predict the distances from the foreground point to the four sides of the ground-truth bounding box, to produce the detection. Popular methods include DenseBox [26_DenseBox], FASF [27_FASF], FoveaBox [15_FoveaBox], FCOS [9_FCOS], and SPAD [28_SPAD].

技术一览表：

2 损失函数

首先，来看看loss函数的整体公式：
$$loss=los{s}_{vfl}+2\cdot los{s}_{giou}+0.25\cdot los{s}_{dfl}$$
其中，
$los{s}_{vfl}$：Varifocal Loss。
$los{s}_{giou}$：GIoU Loss。
$los{s}_{dfl}$：Distribution Focal Loss。

2.1 Varifocal Loss —— 分类损失

Varifocal Loss是在VarifocalNet[paper]中提出的；
（关于VarifocalNet论文，请参见《【CVPR 2021】VarifocalNet: An IoU-aware Dense Object Detector的译读笔记》）
请参考《mmdetection最小复刻版(十六)：iou感知VarifocalNet深入分析》；

2.2 GIoU Loss —— 回归损失

用来回归边界框的坐标值；

2.3 Distribution Focal Loss —— 分类损失

Distribution Focal Loss出自论文《Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection》；
参考资料：

• 关于论文译读，请参见《【NIPS2020】Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense…译读笔记》；
• 关于论文作者知乎解读，请参考《大白话 Generalized Focal Loss》；

DFLoss代码实现：

• Paddle实现：[ppdet/DistributionFocalLoss]
• Torch实现：[mmdet/DistributionFocalLoss]

我看了一下PaddleDetection的实现跟MMDetection的实现几乎是一样的；

3 训练自定义数据

训练命令：

python tools/train.py -c configs/model/model_coco.yml

最后

以上就是彩色小霸王为你收集整理的PicoDet的学习笔记学习资源1 模型介绍2 损失函数3 训练自定义数据的全部内容，希望文章能够帮你解决PicoDet的学习笔记学习资源1 模型介绍2 损失函数3 训练自定义数据所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。