都2023年了，F(xiàn)aster-RCNN還能用嗎？

Torchvision介紹

Torchvision是基于Pytorch的視覺深度學習遷移學習訓練框架，當前支持的圖像分類、對象檢測、實例分割、語義分割、姿態(tài)評估模型的遷移學習訓練與評估。支持對數(shù)據集的合成、變換、增強等，此外還支持預訓練模型庫下載相關的模型，直接預測推理。

對象檢測支持

Pytorch中的torchvision是一個輕量化的遷移學習框架，支持圖像分類、對象檢測、實例分割、語義分割模型的自定義數(shù)據集的遷移學習，其中對象檢測遷移學習支持模型包括：

- Faster-RCNN - FCOS - RetinaNet - SSD - SSDlite其中Faster-RCNN支持骨干網絡基于ResNet50，RPN支持FPN方式，同時支持ViT Block作為骨干網絡。Torchvision中的對象檢測模型參數(shù)指標列表如下：

Faster-RCNN改進

在多數(shù)深度學習開發(fā)者的印象中Faster-RCNN與Mask-RCNN作為早期的RCNN系列網絡現(xiàn)在應該是日薄西山，再也沒有什么值得留戀的地方，但是你卻會發(fā)現(xiàn)Pytorch無論哪個版本的torchvision都一直在支持Faster-RCNN與Mask-RCNN模型網絡的遷移學習訓練。原因不難理解，因為torchvision框架的開發(fā)者與維護者一直在不斷改善與提升Faster-RCNN的模型，它已經不是2015的Faster-RCNN了，torchvision 0.13版本以后的Faster-RCNN支持兩個版本分別是

- Faster-RCNN V1版本 - Faster-RCNN V2版本 V1版本是基于FPN加持、

V2版本是基于VIT+FPN加持

對應的論文分別發(fā)表于2017年與2021年底。所以說雖然是2023年了，但是torchvision中的Faster-RCNN模型還是可以用的，而且還是很有用的。

Faster-RCNN訓練與部署

torchvision中支持的模型都可以一鍵導出ONNX格式模型，然后直接通過ONNXRUNTIME與OpenVINO實現(xiàn)模型部署與加速推理，通過torchvision框架可以實現(xiàn)自定義數(shù)據集的Faster-RCNN對象檢測模型訓練，我自己分別基于無人機與飛鳥數(shù)據集、寵物數(shù)據集實現(xiàn)了Faster-RCNN的自定義模型訓練與部署，運行截圖如下：

全網最高性價比的Pytorch框架CV開發(fā)課程，錯過了不是時間，而是給自己改變的機會！