这是我目前见到的最高效的目标检测算法！没有之一

本文链接：https://blog.csdn.net/lujohn3li/article/details/117754946

本文介绍了CenterNet（Objects as Points）目标检测算法，因其简单设计、高速度和高精度而备受关注。该算法将各类任务归纳为预测中心点及属性偏移，无需NMS后处理。在MMDetection框架中实现并复现了CenterNet，重点讨论了其核心实现、超参设置和复现细节，包括Backbone、Neck和Head的结构，以及收敛速度、数据增强和超参调整的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0 摘要

在大家的千呼万唤中，MMDetection 支持 CenterNet 了！！

CenterNet 全称为 Objects as Points，因其极其简单优雅的设计、任务扩展性强、高速的推理速度、有竞争力的精度以及无需 NMS 后处理等优点，受到了用户广泛的关注，从官方仓库 xingyizhou/CenterNet 的 5.5k star 可见其受欢迎程度。既然叫做 CenterNet，那么其最大亮点就是提出了一种强任务扩展的框架，可以将大部分任务都归纳为预测中心+基于中心点的偏移属性，例如目标检测是中心点+基于中心点的宽高属性偏移；关键点检测是中心点+基于中心点的人体关键点偏移预测等等。

除了上述所提通用做法，其还是一个速度和精度平衡，anchor-free 算法，由于其简单的设计思想、无需NMS、无需复杂的FPN结构、超参少的特点，在很多对速度有要求或者比赛中都有采用，也比较容易部署，应用非常广泛的。

项目地址：github.com/open-mmlab/mmdetection，欢迎 star~

1 算法核心实现

由于 CenterNet 比较出名，而且大部分源码都是基于 CornerNet，故本文不进行详细分析。对于目标检测而言，其输出主要包括两条分支，一个是中心点 heatmap 回归分支；一个是基于中心点的宽高属性预测分支，为了提高中心点的预测精度，还引入了额外的 offset 回归分支，回归用于量化误差导致的中心点偏移，heatmap 和 offset 回归的做法参考自 CornerNet。

由于 MMDetection 中已经实现了 CornerNet，为了方便代码复用，在 CenterNet 复现中大量复用了相关代码，例如数据增强、后处理等等。

1.1 Backbone

考虑到 Hourglass-104 和 ResNet-101 等大模型的训练时间以及 DLANet 网络的复杂性，我们优先考虑采用 ResNet-18 作为复现的 base 模型(DLANet 由于结构的复杂性以及代码易读性，我们计划单独提一个新的 PR 进行复现，后续会发布)，其配置为：