本文共 1041 字，大约阅读时间需要 3 分钟。

介绍

此榜单用于评比网上开源的目标检测模型；

模型入选标准

1. 不使用额外的训练数据；
2. 以开源代码的精度为准；
3. 【数据源一】

目标检测

Paper and Codes (by 2021.7.27)

1. Dual-Swin-B-CBNetv2, boxAP: 60.1

模型： 2. SOLQ-{Swin-L & 1536}, boxAP: 56.5 模型：SOLQ-{Swin-L & 1536} 3. QueryInst , boxAP: 56.1 模型：QueryInst—Swin_L_300_queries—single_scale_testing

Note:

• Swin-L在Papers-With-Code榜单上的分数显示为58.7，不过开源repo分数最高为51.9；
• Focal-L, boxAP: 58.9
  Github-page：
  在其Github主页上未发现关于COCO数据集的精度数据，暂时不予收录；

Real-Time Detection Models (by 2021.7.27)

1. YOLOX-X, boxAP: 51.2

模型： Note:

• 这里的“Real-Time”指的是FPS在30以上的模型；

语义分割

1. DeepLabV3Plus + SDCNetAug, MIoU: 83.5

图像分类

评测说明：

• 我们首先参考了
• ImageNet榜单除了参考paperswithcode之外，还参考了开源项目rwightman /
  pytorch-image-models的实验结果 –

ImageNet Leaderboard (by 2021.06.24)

1. SwinTransformer, top1: 87.148

Transformer-based 分类模型： 2. CaiT-M-48-448, top1: 86.484 Transformer-based 分类模型： 3. NFNet-F6 , top1: 86.296 分类模型：

CNN-based ImageNet Model (by 2021.7.12)

1. NFNet-F6 , top1: 86.296

分类模型： 2. ResNeXt101 , top1: 86.26 分类模型：Fix_ResNeXt101_32x48d_wsl_paddle () 3. EfficientNetv2 , top1: 85.49 分类模型：tf_efficientnetv2_l

转载地址：http://helpi.baihongyu.com/