Centernet环境配置

docker复现centerNet的文档记录

链接：https://github.com/xingyizhou/CenterNet 具体复现见docker pull lin0011/centernet，进入项目目录下直接运行命令python demo.py multi_pose --demo ../images --load_model ../models/[文件夹中对应模型].pth

CenterNet-master.zip

该资源是我从GitHub上下载下来的，为了分享给有时候下载不下来的小伙伴~也是资源留存的方式~这个就是原版，没有改动~

centernet源代码

修改过的centernet源代码、

centernet-pytorch:这是一个centernet-pytorch的源码，可以用于训练自己的模型

CenterNet:Objects as Points目标检测模型在Pytorch当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 512x512 - 77.1 COCO-Train2017 COCO-Val2017 512x512 38.4 56.8 所需环境 torch==1.2.0 注意事项 代码中的centernet_resnet50_voc.pth是使用voc数据集训练的。 代码中的centernet_hourglass_coco.pth是使用coco数据集训练的。 注意不要使用中文标签，文件夹中不要有空格！ 在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件。 文件下载 训练所需的

CenterNet:我们的论文代码“ CenterNet

，，，，， 此处提供了训练和评估建议的CenterNet的代码。 有关更多技术细节，请参考我们的。 感谢提供了的原始实施。 CenterNet是一种从头开始进行训练的一级检测器。 在MS-COCO数据集上，CenterNet的AP达到47.0％，超过了所有已知的一级检测器，甚至非常接近性能最高的二级检测器。 抽象的 在对象检测中，基于关键点的方法通常会遭受大量不正确的对象边界框的困扰，这可能是由于缺少对裁剪区域的额外外观所致。 本文提出了一种有效的解决方案，它以最小的成本探索了每个裁剪区域内的视觉模式。 我们基于具有代表性的基于角点的一阶段基于关键点的检测器来构建我们的框架。 我们的名为CenterNet的方法将每个对象检测为三个关键点，而不是一对关键点，从而提高了准确性和查全率。 因此，我们设计了两个定制的模块，分别称为级联拐角池和中心池，它们分别起到充实由左上角和右下角收集的信息并