基于fastai 1.0.61的SSD目标检测算法 代码详解 （一）

• 基于fastai的目标检测算法，主要是2018年course
  • ① 2018 coursev2 :  https://nbviewer.org/github/fastai/fastai1/tree/master/courses/ pascal.ipynb   pacal_multi.ipynb   SSD
  • ② jav fastai1.x SSD 没有mAP： https://nbviewer.org/github/jav0927/course-v3/blob/master/SSD_Object_Detection.ipynb
  • ③ mAP计算代码： Calculating mAP (mean average precision) on fastai object detection
    • daveluo的mAP计算非常详细 https://gist.github.com/daveluo/2ab83da32e623864e543d7251e9beef4
      • https://nbviewer.org/gist/daveluo/2ab83da32e623864e543d7251e9beef4
    •  daveluo参考了Sylvain Gugger的代码，Sylvain的mAP代码地址为：https://github.com/sgugger/Deep-Learning/blob/master/mAP/Computing%20the%20mAP%20metric.ipynb
    • fastai 论坛的讨论地址为：http://forums.fast.ai/t/mean-average-precision-map/14345 

---

一、mAP计算过程

daveluo的mAP计算代码：https://nbviewer.org/gist/daveluo/2ab83da32e623864e543d7251e9beef4

• input：bbox区间0~1。anchors区间0~1
• 最后的预测宽度那里：只能是anchor的宽度的0.5~1.5倍。所以，最小的目标为：

主要看类别的置信度高不高！

• 主干网络提取特征；检测头进行高级特征组合。主要看这里的特征组合后能不能解释，这个
• 空间位置对应关系得到了保留。那么就指的是整张图，256*21=得到21个类别阈值，这里就是一个线性分类器，每一列就是一个分类器。化为256个特征来表示这一张整图。

 ——

这里是锚框的所有尺寸： 可以看出，锚框最小的只有个1个，21*21；16个21*21 的最小的锚框。

实际的预测偏移还可以更小，【0.5~1.5】锚框宽度，所以可预测的最小框为10*10。

• 实际，就是在这些锚框的宽高上面，预测0.5~1.5。这样就可以统计一下，实际的锚框预测精度，看真实框到底是多大的，分在了哪个上面。
• 所以可以将clas和bbox分开来看，看bbox的预测精度好不好，如果bbox预测的OK，但是clas不好，就是网络的高级特征提取能力不够用于表达类别。

 

二、jav0927  基于fastai 1.0

https://github.com/jav0927/course-v3

https://nbviewer.org/github/jav0927/course-v3/blob/master/SSD_Object_Detection.ipynb

• fastai 1.0中，h,w is 2。所以anchor， bbox-gt 都是不一样的。 

三、pascal-multi.ipynb

https://nbviewer.org/github/fastai/fastai1/blob/master/courses/dl2/pascal.ipynb

• SSD+bbox+clas：网络结构，一样的。