这篇文章介绍一个 PyTorch 实现的 RetinaNet 实现目标检测。文章的思想来自论文：Focal Loss for Dense Object Detection。这个实现的主要目标是为了方便读者能够很好的理解和更改源代码。
结果
当前的实现能达到 33.7% 的 mAP（600px 分辨率，Resnet-50）。论文里的结果是 34.0% mAP，造成这个差别的主要原因可能是这里使用了 Adam 优化器，而论文里使用了 SGD 和 weight decay。
安装
1. 用 Git 克隆 https://github.com/yhenon/pytorch-retinanet
2. 安装必备包：
1 | apt-get install tk-dev python-tk |
3. 安装 Python 包：
1 2 3 4 5 6 7 | pip install cffi pip install pandas pip install pycocotools pip install cython pip install pycocotools pip install opencv-python pip install requests |
4. 编译 NMS 扩展.
1 2 3 | cd pytorch-retinanet/lib bash make.sh cd ../ |
怎样训练
训练主要用 train.py 文件。现在可用的训练数据有两个: COCO 和 CSV。
要训练 COCO：
1 | python train.py --dataset coco --coco_path ../coco --depth 50 |
如果要训练自己的数据集，要用 CSV 格式：
1 | python train.py --dataset csv --csv_train <path/to/train_annots.csv> --csv_classes <path/to/train/class_list.csv> --csv_val <path/to/val_annots.csv> |
预训练模型
可以在这里下载预训练模型：链接。
项目地址
项目在 Github 上，点击访问。
本站微信群、QQ群(三群号 726282629)：
什么鬼，这也敢叫实现。。。？
为什么没有test代码
在使用csv数据集时，因为给出的评价指标是每一类的mAP，那最后这33.7%是所有类求平均得来的吗？
在使用csv数据集时，因为给出的评价指标是每一类的mAP，那最后这33.7%是所有类求平均得来的吗？