都2023年了，Faster-RCNN还能用吗？

Torchvision介绍

Torchvision是基于Pytorch的视觉深度学习迁移学习训练框架，当前支持的图像分类、对象检测、实例分割、语义分割、姿态评估模型的迁移学习训练与评估。支持对数据集的合成、变换、增强等，此外还支持预训练模型库下载相关的模型，直接预测推理。

对象检测支持

Pytorch中的torchvision是一个轻量化的迁移学习框架，支持图像分类、对象检测、实例分割、语义分割模型的自定义数据集的迁移学习，其中对象检测迁移学习支持模型包括：

- Faster-RCNN - FCOS - RetinaNet - SSD - SSDlite其中Faster-RCNN支持骨干网络基于ResNet50，RPN支持FPN方式，同时支持ViT Block作为骨干网络。Torchvision中的对象检测模型参数指标列表如下：

 

Faster-RCNN改进

在多数深度学习开发者的印象中Faster-RCNN与Mask-RCNN作为早期的RCNN系列网络现在应该是日薄西山，再也没有什么值得留恋的地方，但是你却会发现Pytorch无论哪个版本的torchvision都一直在支持Faster-RCNN与Mask-RCNN模型网络的迁移学习训练。原因不难理解，因为torchvision框架的开发者与维护者一直在不断改善与提升Faster-RCNN的模型，它已经不是2015的Faster-RCNN了，torchvision 0.13版本以后的Faster-RCNN支持两个版本分别是  

- 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

对应的论文分别发表于2017年与2021年底。所以说虽然是2023年了，但是torchvision中的Faster-RCNN模型还是可以用的，而且还是很有用的。

Faster-RCNN训练与部署

torchvision中支持的模型都可以一键导出ONNX格式模型，然后直接通过ONNXRUNTIME与OpenVINO实现模型部署与加速推理，通过torchvision框架可以实现自定义数据集的Faster-RCNN对象检测模型训练，我自己分别基于无人机与飞鸟数据集、宠物数据集实现了Faster-RCNN的自定义模型训练与部署，运行截图如下：

全网最高性价比的Pytorch框架CV开发课程，错过了不是时间，而是给自己改变的机会！