50 lines
1.6 KiB
Markdown
50 lines
1.6 KiB
Markdown
# DBNet
|
||
|
||
The Pytorch implementation is [DBNet](https://github.com/BaofengZan/DBNet.pytorch).
|
||
|
||
<p align="center">
|
||
<img src="https://user-images.githubusercontent.com/20653176/89722330-00c36900-da1b-11ea-97f4-c61f9cd196fa.png">
|
||
</p>
|
||
|
||
## How to Run
|
||
|
||
win版本请看最后的链接。
|
||
|
||
* 1 生成wts
|
||
从pytoch仓库下载到代码和模型。配置好环境后
|
||
|
||
在tools/predict.py中，将save_wts属性置为True，运行后，就在在tools文件夹下生成wts文件。
|
||
|
||
同时也可以导出onnx。将onnx属性设置为True即可。
|
||
|
||
* 2 cmake 生成工程
|
||
|
||
```
|
||
mkdir build
|
||
cd build
|
||
cmake ..
|
||
make
|
||
sudo ./dbnet -s // serialize model to plan file i.e. 'DBNet.engine'
|
||
sudo ./dbnet -d ../samples // deserialize plan file and run inference, the images in samples will be processed.
|
||
```
|
||
|
||
|
||
## windows版本
|
||
|
||
https://github.com/BaofengZan/DBNet-TensorRT
|
||
|
||
## 不足之处
|
||
|
||
* 1 common文件中，下面两个函数可以合并，自己偷了个懒。
|
||
|
||
```c++
|
||
ILayer* convBnLeaky(INetworkDefinition *network, std::map<std::string, Weights>& weightMap, ITensor& input, int outch, int ksize, int s, int g, std::string lname, bool bias = true)
|
||
```
|
||
|
||
```c++
|
||
ILayer* convBnLeaky2(INetworkDefinition *network, std::map<std::string, Weights>& weightMap, ITensor& input, int outch, int ksize, int s, int g, std::string lname, bool bias = true)
|
||
```
|
||
|
||
* 2 后处理中与pytorch版本也有好多不同之处，这都是可以改进提升的。
|
||
* 3 在pyorch中数据预处理是将图像短边resize到1024，长边按比例缩放，最后将新的宽高截到32的倍数。而在自己的repo中直接将图像resize到640*640，较为粗暴。
|