模型部署 | FCOS目标检测论文详解

一、模型介绍

FCOS于2019年8月由沈春华组发表，提出了一种基于像素级预测一阶全卷积目标检测(FCOS)来解决目标检测问题，类似于语音分割。目前大多数先进的目标检测模型，例如RetinaNet、SSD、YOLOv3、Faster R-CNN都依赖于预先定义的锚框。相比之下，本文提出的FCOS是anchor box free，而且也是proposal free，就是不依赖预先定义的锚框或者提议区域。通过去除预先定义的锚框，FCOS完全的避免了关于锚框的复杂运算，例如训练过程中计算重叠度，而且节省了训练过程中的内存占用。更重要的是，本文避免了和锚框有关且对最终检测结果非常敏感的所有超参数。由于后处理只采用非极大值抑制(NMS)，所以本文提出的FCOS比以往基于锚框的一阶检测器具有更加简单的优点。 

接下来我们一起看看如何快速进行论文复现吧！

二、创建实例

首先打开极链AI云的官网，选择模型创建实例：

https://cloud.videojj.com/model?source=csdn

由于平台已经配置了FCOS的模型库，所以能够一键创建实例，轻松又便捷～

三、论文复现

1、准备coco2017数据集：

2、在/root/AdelaiDet路径下，输入训练代码：

训练效果如下：

3、在/root/AdelaiDet路径下，输入推断如下：

推断效果如下：

到这里，我们就已经完成了FCOS的整个复现成果～具体的模型简介和代码可以在模型详情页查看

为了使复现更加方便高效，我们为每一个模型都配置了专属的模型详情页。

模型详情页详细展现了模型的使用方法（包含训练和推理的使用方式和测试案例）在证明模型配置的完整性和方便用户直接测试模型效果上，为用户进一步开发和训练模型提供便利。

极链AI云平台现在更新了大量模型和数据库！省去了繁琐冗长的上传时间，让论文复现一步到位！快去官网试试吧～

ps.在平台没有找到模型的小伙伴可以参加我们的论文复现活动，在学习同时更有云币券作为奖励，快戳小助手咨询详情吧～