---
title: cv_resnet50_object-detection_maskscoring
canonical_url: "https://www.modelscope.cn/models/damo/cv_resnet50_object-detection_maskscoring"
md_url: "https://www.modelscope.cn/models/damo/cv_resnet50_object-detection_maskscoring.md"
repository: damo/cv_resnet50_object-detection_maskscoring
chinese_name: "针对长尾/小目标问题的高性能通用目标检测"
last_updated: 2023-02-16
license: "Apache License 2.0"
pipeline_tag: image-object-detection
tasks:
  - image-object-detection
model_type:
  - abnormal-object-detection
library_name:
  - pytorch
frameworks:
  - pytorch
domain:
  - cv
downloads: 2070
stars: 2
tags:
  - Alibaba
  - "image object detection"
  - "mask scoring"
  - long-tailed
  - "small object detection"
---

# cv_resnet50_object-detection_maskscoring

> cv_resnet50_object-detection_maskscoring - damo 在 ModelScope 开源的模型。abnormal-object-detection模型介绍 主要是针对长尾和小目标问题解决的高性能通用目标检测模型，采用COCO数据集训练。本模型基于Resnet50-Backbone增加可形变卷积等模块增强多角度单目标识别的精度；在Neck、RPN-head和ROI-head针对长尾和小目标问题进行了模型优化，以适用特定场景下痛点问题的解决。

damo/cv_resnet50_object-detection_maskscoring 是 ModelScope 魔搭社区上的image-object-detection模型，采用 Apache License 2.0 许可。

- **Repository**: damo/cv_resnet50_object-detection_maskscoring
- **License**: Apache License 2.0
- **Tasks**: image-object-detection
- **Tags**: Alibaba, image object detection, mask scoring, long-tailed, small object detection
- **Downloads**: 2070
- **Stars**: 2
- **Last updated**: 2023-02-16

Source: https://www.modelscope.cn/models/damo/cv_resnet50_object-detection_maskscoring

---

# abnormal-object-detection模型介绍
主要是针对长尾和小目标问题解决的高性能通用目标检测模型，采用COCO数据集训练。本模型基于Resnet50-Backbone增加可形变卷积等模块增强多角度单目标识别的精度；在Neck、RPN-head和ROI-head针对长尾和小目标问题进行了模型优化，以适用特定场景下痛点问题的解决。

<img src=resources/test_object_1_rst.jpg width=35% /><img src=resources/test_object_2_rst.jpg width=35% />
## 期望模型使用方式与适用范围
本模型适用范围较广，能对图片中包含的大部分前景物体（COCO 80类）进行定位。
### 如何使用
在ModelScope框架上，提供输入图片，即可以通过简单的Pipeline调用使用当前模型。暂不支持cpu。
#### 代码范例
```python
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
object_detect = pipeline(Tasks.image_object_detection,model='damo/cv_resnet50_object-detection_maskscoring')
img_path ='https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_detection.jpg'
result = object_detect(img_path)
print(result)
```
### 模型局限性以及可能的偏差
- 模型采用COCO2017数据集训练和评估测试，对于其它特定工业场景数据建议加入数据微调。
- 针对小目标识别漏检情况，建议将原始大分辨率图片进行切割成若干小图进行训练和预测。
- 目前模型仅限于pipeline调用，尚未支持Finetune和Evaluation。
## 训练数据介绍
- coco2017数据集,Microsoft团队提供的一个可以用来图像识别、检测和分割的数据集。COCO2017包含训练集118287张、验证集5000张、测试集40670张，共有80类物体。具体可见(https://cocodataset.org/#detection-2017)
## 模型训练流程
- 模型在线训练暂不支持。部分关键训练细节如下：
  使用ImageNet-1K上的预训练模型Resnet50作为基础backbone，基于MaskScoringRCNN结构优化。
### 预处理
- 给定一张输入图像，分辨率归一化至(1333, 800)，颜色值减均值除方差归一化处理。
## 数据评估及结果
| Backbone |  Pretrain   | Box mAP_s |   Remark |  Log  |
|:--------:|:-----------:|:-------:|:-------:| ---------- |
| R-50-FPN | ImageNet-1k |  22.9   | [MaskRCNN](https://github.com/open-mmlab/mmdetection/tree/master/configs/mask_rcnn) | [log](https://download.openmmlab.com/mmdetection/v2.0/mask_rcnn/mask_rcnn_r50_fpn_2x_coco/mask_rcnn_r50_fpn_2x_coco_20200505_003907.log.json) |
| R-50-FPN | ImageNet-1k |   21.7  | [MaskScoringRCNN](https://github.com/open-mmlab/mmdetection/tree/master/configs/ms_rcnn) | [log](https://download.openmmlab.com/mmdetection/v2.0/ms_rcnn/ms_rcnn_r50_caffe_fpn_2x_coco/ms_rcnn_r50_caffe_fpn_2x_coco_20200506_004738.log.json) |
| R-50-FPN-BFP | ImageNet-1k |  27.8  | modelscope |[log](https://www.modelscope.cn/models/damo/cv_resnet50_object-detection_maskscoring/file/view/master/resources%2F20221215_110048_log.json)|
## 引用
```BibTeX
@article{He_2017,
   title={Mask R-CNN},
   journal={2017 IEEE International Conference on Computer Vision (ICCV)},
   publisher={IEEE},
   author={He, Kaiming and Gkioxari, Georgia and Dollar, Piotr and Girshick, Ross},
   year={2017},
   month={Oct}
}
@inproceedings{huang2019msrcnn,
    title={Mask Scoring R-CNN},
    author={Zhaojin Huang and Lichao Huang and Yongchao Gong and Chang Huang and Xinggang Wang},
    booktitle={IEEE Conference on Computer Vision and Pattern Recognition},
    year={2019},
}
```