LARGE_SCALE_DET_MODEL.md

大规模实用目标检测模型

简介

• 与图像分类任务不同，目标检测任务中，不仅需要标注图像中物体所属类别，还要标注其边框位置，因此标注成本相对更高。目前已开源的目标检测数据集中，应用比较广泛的有Open Images V5、Objects365和COCO数据集，这三个数据集的基本信息如下。

Dataset	Classes	Images	Bounding boxes
COCO	80	123,287	886,284
Objects365	365	600,000	10,000,000
Open Images V5	500	1,743,042	14,610,229

上述数据集中包含的类别均不多(相比于ImageNet1k分类数据集的1000个类别)。为了提供更加实用的服务器端目标检测模型，方便用户在不需要任何微调的情况下就可以直接使用，PaddleDetection结合服务器端实用目标检测方案，融合Open Images V5和Objects365训练集数据(二者包含许多重复类别)，生成了包含676个类别的新数据集，类别映射关系可以在这里查看: 676个类别的标签文件。并训练了服务器端实用目标检测模型，适用于绝大部分应用场景，方便用户直接部署使用，用户也可以根据提供的预训练模型，在自己的数据集上进行模型微调，加快收敛并获得更高的精度指标。

模型库

骨架网络	网络类型	下载	配置文件
ResNet50-vd-FPN-Dcnv2	Cascade Faster	下载链接	配置文件
ResNet101-vd-FPN-Dcnv2	Cascade Faster	下载链接	配置文件
CBResNet101-vd-FPN	Cascade Faster	下载链接	配置文件