覆盤一下在實現檢測演算法落地過程中所經歷的乙個流程；
列出幾點重點說明一下：
1、網路的選取和調參是關鍵；
網路選取：考慮到實際情況的實時性、硬體效能，需考慮參數量較小的檢測網路，更傾向於單階段式的網路；基於yolossd等的多個變體網路；其次基礎特徵提取網路backbone的替換，傳統都是vgg的特徵提取，現在mobilenet、v2v3都可以大幅提速；進一步的提速辦法還有初始化、蒸餾以及去掉某些基礎特徵層以裁剪模型，都可以提公升速度；當然前提是精度損失較小的前提下。
調參：這裡主要根據資料集來決定；最終的檢測效果跟樣本數量有關，也跟訓練網路的部分引數設定有關；如小物體檢測和常規的車輛、行人檢測候選框大小差異很大，可以適當修改訓練網路的anchor值可以大幅提公升檢測精度、以及修改損失函式的權重等；
2、工程化
是不是感覺落地實現目標檢測演算法不是很難，有一台好的gpu控制器，精度速度達到平衡的小型化目標檢測演算法，基本ok了；
不要加追蹤演算法？？？？不要加測距演算法？？？？？
目標檢測演算法
基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置，即候選區域，再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...
目標檢測演算法歷史
最近在做一些目標檢測相關的東西，目標檢測是計算機視覺裡面最重要的課題之一了，很多場合檢測和識別都是很重要的，比如現在很火的無人駕駛，就非常依賴目標檢測和識別，需要非常高的檢測精度和定位精度。目標檢測從很早就開始有了。傳統演算法的典型代表有 haar特徵 adaboost演算法 hog特徵 svm演算...
目標檢測演算法綜述
1.傳統的目標檢測框架，主要包括三個步驟 1 利用不同尺寸的滑動視窗框住圖中的某一部分作為候選區域 2 提取候選區域相關的視覺特徵。比如人臉檢測常用的harr特徵 行人檢測和普通目標檢測常用的hog特徵等 3 利用分類器進行識別，比如常用的svm模型 2.目標檢測領域的深度學習方法主要分為兩類 對於...