训练时友好的网络，用于实时目标检测 用于实现的代码（ 接受）。 强调 简单：无锚，单级，轻型，无需费时的后处理。 TTFNet仅需要两个检测头即可分别进行对象定位和尺寸回归。 训练时间友好：我们的TTFNet在抑制训练时间的同时，胜过各种实时检测器。 此外，在使用8 GTX 1080Ti的MS COCO数据集上，超高速TTFNet-18和TTFNet-53仅在2小时后才能达到25.9 AP / 112 FPS，在大约3小时后才能达到32.9 AP / 55 FPS。 快速而精确：我们的TTF

修改TensorFlow 2.4及以上（或2.2，如果您使用XCenterNet标记为V1.0.0）上述tf.keras实施CenterNet对象检测在描述由兴义周，王德泉，菲利普·克雷恩布尔和TTFNet刘屠征，徐国栋，杨正，刘海峰，蔡登。有关原始实现，请参阅和。 此实现不是本文或pytorch实现的精确副本，因为我们已根据需要对其进行了修改，因此此回购协议具有一些功能： 使用tf2.2 + keras模型train_step和tf.data.dataset 使用来自tf2.3 +的tenso