FCOS

FCOS 项目介绍

项目背景

FCOS（Fully Convolutional One-Stage Object Detection）是一个创新的目标检测算法项目。它于2019年由Zhi Tian、Chunhua Shen、Hao Chen和Tong He在国际计算机视觉会议（ICCV）上提出。该算法旨在简化目标检测过程，并在性能上比起传统的方法有显著提升。

项目特色

• 无锚点设计：FCOS摒弃了复杂的锚点框架计算和调整，简化了模型设计，同时减少相关超参数的设置。
• 优越的性能表现：尽管结构简单，FCOS在性能上超越了更复杂的Faster R-CNN模型，如在ResNet-50上，FCOS的均值平均精度（AP）为38.7，而Faster R-CNN仅为36.8。
• 加快训练与测试速度：在相同硬件条件下，FCOS所需训练时间较短，同时每张图片的推理时间也减少约12毫秒。
• 领先的性能表现：最优的FCOS模型基于ResNeXt-64x4d-101及可变形卷积，可在COCO测试集上达到49.0%的AP。

最新动态与更新

项目不断更新以增强模型功能和性能，例如：

• FCOS与快速和多样性（FAD）神经架构搜索相结合。
• 新的非极大值抑制（NMS）技术，提升了基于ResNe(x)t与MobileNet模型的运行速度。
• 多个新模型发布，包括结合了AutoML搜索的FPN与HRNet等。

硬件需求与安装

项目推荐使用8个Nvidia V100 GPU进行训练，不过由于FCOS的内存高效性，4个1080Ti GPU也能胜任如ResNet-50-FPN的训练。用户若仅将FCOS用作检测器，仅需安装Pytorch，并执行简单的pip命令即可。

快速演示与推断

用户可以通过快速的安装步骤，下载预训练模型，并运行简单的Python脚本来进行FCOS的快速演示。对于推断任务，项目提供了简单的命令行接口，支持多GPU的推断设置。

模型与训练

项目中提供了不同模型的预训练权重，用户可以根据需求下载并使用。对于模型训练，用户可以根据提供的命令行在多GPU环境下进行训练，并根据需要选择不同的backbone。

贡献与引用

项目欢迎开发者贡献代码或提交问题。此外，对于在研究中使用本项目的用户，建议引用相应的论文以致敬原作者的工作与贡献。

许可协议

该项目在学术领域遵循BSD两项条款许可协议。对于商业用途，请联系项目作者获取相应许可。

致谢

项目开发得到了多个社区贡献者的宝贵建议和代码贡献，特别感谢中心采样和GIoU技术的支持。

通过FCOS的简化设计和强大的检测性能，该项目为目标检测领域带来了新的视角和可能性，是目标检测技术的重要进展。