理工酷

CenterMulti代码实现参考以下

使用中心点检测的对象检测，3D检测和姿态估计： 参考： https://github.com/xingyizhou/CenterTrack https://github.com/jinfagang/CenterNet_Pro_Max https://github.com/xingyizhou/centernet

Backebone

• Strong: 增加支持mobilenetV2,mobilenetV3,efficientdet，shufflenetv2，部分网络需要支持DCNv2.
• Data process: 添加widerface转coco格式，参见root/data_process.

Purpose

Object Detection

• 类别: 可支持行人、人脸、车辆、缺陷等检测，只需要修改数据加载即可

keypoint or pose

• 姿态估计or关键点检测: 修改keypoint的数量及coco加载keypoint的格式可针对性训练多种形式的pose(如landmark等) 姿态估计参考centerpose https://github.com/tensorboy/centerpose

模型

https://pan.baidu.com/share/init?surl=DzlvIZ3ujEzNLsU50UWLNw 提取码：u3pq

• 缺陷：缺陷模型基于mobilenetv2训练，由于部分数据标定不准，所以结果会有偏差，建议只供培训前。
• centerface：该版本的centerface是基于修改的centernet训练，训练数据参照更广泛的face，其中对质量不好的face进行了过滤，使其更适合人脸识别的工程应用，模型有两个，分别是3.5M和890万 centerface的训练：例如修改lib/datasets/coco_hp.py里num_joints = 5;flip_idx = [[0, 1], [3, 4]]以及整个项目里17的关节点数全部置换成5，dets[39:51]这类全部换成dets[15:20]等

TensorRT

1.torch转onnx python convert2onnx.py 2.onnx转TensorRT python demo_tensorrt.py 3.检测框架支持的TensorRT

   #shoulder检测模型支持该框架加速（不需要DCNs），total runtime = 3.82147 ms
    #在include/ctdetConfig.h里添加以下，然后cmake即可
    constexpr static int input_w = 512 ;
    constexpr static int input_h = 512 ;
    constexpr static int channel = 3 ;
    constexpr static int classNum = 1 ;
    constexpr static float mean[]= {0.408, 0.447, 0.470};
    constexpr static float std[] = {0.289, 0.274, 0.278};
    constexpr static char *className[]= {(char*)"shoulder"};

引文

@contact{yangsai1991@163.com,
  title={Objects as Points},
  author={bleakie},
  year={2019}
}

转载自：https://github.com/bleakie/CenterMulti