Shortcuts

基准测试与模型库

通用设置

  • 我们默认使用分布式训练。

  • 所有 pytorch 类型的预训练骨干网络都是来自 Pytorch 的模型库。

  • 为了与其他代码库进行公平比较,我们以全部 8 个 GPU 的 torch.cuda.max_memory_allocated() 的最大值作为 GPU 显存使用量。请注意,此值通常小于 nvidia-smi 显示的值。

  • 该推理时间不包含数据加载时间,推理时间结果是通过脚本 tools/analysis/benchmark.py 获得的,该脚本计算处理 2000 张图像的平均时间。

  • 速度基准测试的环境如下:

    硬件环境:

    • 8 NVIDIA Tesla V100 (32G) GPUs

    • Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz

    软件环境:

    • Python 3.7

    • PyTorch 1.5

    • CUDA 10.1

    • CUDNN 7.6.03

    • NCCL 2.4.08

视频目标检测基线

DFF (CVPR 2017)

详情请参考 DFF

FGFA (ICCV 2017)

详情请参考 FGFA

SELSA (ICCV 2019)

详情请参考 SELSA

Temporal RoI Align (AAAI 2021)

详情请参考 Temporal RoI Align

多目标跟踪基线

SORT/DeepSORT (ICIP 2016/2017)

详情请参考 SORT/DeepSORT

Tracktor (ICCV 2019)

详情请参考 Tracktor

QDTrack (CVPR 2021)

详情请参考 QDTrack

ByteTrack (ECCV 2022)

详情请参考 ByteTrack

OC-SORT (ArXiv 2022)

详情请参考 OC-SORT

单目标跟踪基线

SiameseRPN++ (CVPR 2019)

详情请参考 SiameseRPN++

STARK (ICCV 2021)

详情请参考 STARK

视频个例分割基线

MaskTrack R-CNN (ICCV 2019)

详情请参考 MaskTrack R-CNN

Read the Docs v: stable
Versions
latest
stable
Downloads
pdf
html
epub
On Read the Docs
Project Home
Builds

Free document hosting provided by Read the Docs.