dmlc/gluon-cv

Any easier tutorial for custom object detection?

Aberta

#281 aberto em 28 de ago. de 2018

Ver no GitHub
 (3 comentários) (0 reação) (0 responsável)Python (1.224 forks)batch import
good first issue

Métricas do repositório

Stars
 (5.610 estrelas)
Métricas de merge de PR
 (Métricas PR pendentes)

Description

First of all, many thanks for the great tutorials for object detection using pre-trained models. The code is so simple and easier to follow.

The problem is that custom object detection (with a small dataset) and transfer learning tutorials are complicated for beginners. I saw a tutorial somewhere that shows custom object detection using just 5 lines of code. Can you write a simple tutorial for us?

This looks very complicated. https://gluon-cv.mxnet.io/build/examples_classification/transfer_learning_minc.html Do we really need to learn all these details while you have such a great high level API?

I am sorry if this is not the right place to post this question but I need your help on this.

Thanks again.

Guia do colaborador

Direção de pesquisa
Escreva um tutorial simples para detecção de objetos personalizados usando a API de alto nível GluonCV, focando em transferência de aprendizado com um pequeno conjunto de dados e código mínimo.
Pilha de tecnologia
python
Domain
machine learningcomputer vision
Tipo Issue
Documentação
DifficultyDificuldade de implementação estimada para um novo contribuidor, de 1 para alterações muito pequenas a 5 para trabalho de nível especializado.
2
Tempo estimadoUm intervalo de tempo aproximado para um colaborador experiente investigar, implementar, testar e preparar um pull request.
Meio dia
Status da atividadeQuão disponível o issue aparece agora: novo, ativo, obsoleto, bloqueado ou aguardando entrada do mantenedor.
Ativo
ClarityCom que clareza o issue explica a mudança esperada, os critérios de aceitação e a próxima etapa.
Claro
Prerequisites
Pythonmachine learning basics
Simpatia para novatosUma pontuação de 1 a 100 que estima o quão acessível este issue é para colaboradores iniciantes.
80