الصفحة الرئيسية>المتعلقة بالبرمجة>بايثون
تنزيل

التنفيذ المرجعي عالي الجودة ، سريع ، وحدات SSD في Pytorch 1.0

هذا المستودع ينفذ SSD (كاشف متعدد اللقطات واحد). يتأثر التنفيذ بشدة بالمشاريع SSD.Pytorch و Pytorch-SSD و Maskrcnn-Benchmark. يهدف هذا المستودع إلى أن يكون قاعدة التعليمات البرمجية للأبحاث القائمة على SSD.

مثال SSD Output (VGG_SSD300_VOC0712).

خسائر معدل التعلم المقاييس
خسائرLRمتري

أبرز

  • Pytorch 1.0 : دعم Pytorch 1.0 أو أعلى.
  • التدريب متعدد GPU واستدلاله : نستخدم DistributedDataParallel ، يمكنك التدريب أو الاختبار باستخدام GPU (S) التعسفي ، وسيتغير مخطط التدريب وفقًا لذلك.
  • المعيار : أضف وحداتك الخاصة دون ألم. نحن نتجريد من backbone ، Detector ، BoxHead ، BoxPredictor ، إلخ. يمكنك استبدال كل مكون برمز الخاص بك دون تغيير قاعدة التعليمات البرمجية. على سبيل المثال ، يمكنك إضافة كفاءة في العمود الفقري ، ما عليك سوى إضافة efficient_net.py (تمت إضافته بالفعل) وتسجيله ، ومحدد في ملف التكوين ، يتم ذلك!
  • دعم وحدة المعالجة المركزية للاستدلال : يعمل على وحدة المعالجة المركزية في وقت الاستدلال.
  • إجراء تدريب سلس وممتع : نقوم بتوفير حالة النموذج ، المحسن ، الجدولة ، ITER التدريب ، يمكنك إيقاف التدريب الخاص بك واستئناف التدريب بالضبط من نقطة التوفير دون تغيير التدريب CMD .
  • الاستدلال المدمن : يمكن إجراء الاستدلال باستخدام صور متعددة لكل دفعة لكل وحدة معالجة الرسومات.
  • التقييم أثناء التدريب : eval you نموذج كل eval_step للتحقق من تحسين الأداء أم لا.
  • تصور المقاييس : تصور تفاصيل المقاييس في Tensorboard ، مثل AP و APL و APM و APS لمجموعة بيانات Coco أو MAP و 20 فئة AP لمجموعة بيانات VOC.
  • تنزيل تلقائي : تحميل الأوزان التي تم تدريبها مسبقًا من عنوان URL وذاكرة التخزين المؤقت.

تثبيت

متطلبات

  1. بيثون 3
  2. Pytorch 1.0 أو أعلى
  3. ياك
  4. Vizer
  5. GCC> = 4.9
  6. OpenCV

تركيب خطوة بخطوة 

git clone https://github.com/lufficc/SSD.git
cd SSD
# Required packages: torch torchvision yacs tqdm opencv-python vizer
pip install -r requirements.txt

# Done! That's ALL! No BUILD! No bothering SETUP!

# It's recommended to install the latest release of torch and torchvision.

يدرب

إعداد مجموعات البيانات

Pascal Voc

لمجموعة بيانات Pascal VOC ، اجعل بنية المجلد مثل هذا: 

 VOC_ROOT
|__ VOC2007
    |_ JPEGImages
    |_ Annotations
    |_ ImageSets
    |_ SegmentationClass
|__ VOC2012
    |_ JPEGImages
    |_ Annotations
    |_ ImageSets
    |_ SegmentationClass
|__ ...

عندما يكون VOC_ROOT افتراضيًا هو مجلد datasets في المشروع الحالي ، يمكنك إنشاء Symlinks إلى datasets أو export VOC_ROOT="/path/to/voc_root" .

كوكو

لمجموعة بيانات Coco ، اجعل بنية المجلد مثل هذا: 

 COCO_ROOT
|__ annotations
    |_ instances_valminusminival2014.json
    |_ instances_minival2014.json
    |_ instances_train2014.json
    |_ instances_val2014.json
    |_ ...
|__ train2014
    |_ <im-1-name>.jpg
    |_ ...
    |_ <im-N-name>.jpg
|__ val2014
    |_ <im-1-name>.jpg
    |_ ...
    |_ <im-N-name>.jpg
|__ ...

عندما يكون COCO_ROOT افتراضيًا هو مجلد datasets في المشروع الحالي ، يمكنك إنشاء ارتباطات إلى datasets أو export COCO_ROOT="/path/to/coco_root" .

تدريب وحدات معالجة الرسومات الواحدة 

 # for example, train SSD300:
python train.py --config-file configs/vgg_ssd300_voc0712.yaml

التدريب متعدد GPU 

 # for example, train SSD300 with 4 GPUs:
export NGPUS=4
python -m torch.distributed.launch --nproc_per_node= $NGPUS train.py --config-file configs/vgg_ssd300_voc0712.yaml SOLVER.WARMUP_FACTOR 0.03333 SOLVER.WARMUP_ITERS 1000

تفترض ملفات التكوين التي أقدمها أننا نعمل على وحدة معالجة الرسومات المفردة. عند تغيير عدد وحدات معالجة الرسومات ، سيتغير أيضًا المعلمات المفرطة (LR ، MAX_ITER ، ...) وفقًا لهذه الورقة: SGD دقيقة ، كبيرة ، تدريب ImageNet في ساعة واحدة.

يقيم

تقييم وحدة معالجة الرسومات المفردة 

 # for example, evaluate SSD300:
python test.py --config-file configs/vgg_ssd300_voc0712.yaml

تقييم متعدد GPU 

 # for example, evaluate SSD300 with 4 GPUs:
export NGPUS=4
python -m torch.distributed.launch --nproc_per_node= $NGPUS test.py --config-file configs/vgg_ssd300_voc0712.yaml

العرض التوضيحي

توقع الصورة في مجلد بسيط: 

python demo.py --config-file configs/vgg_ssd300_voc0712.yaml --images_dir demo --ckpt https://github.com/lufficc/SSD/releases/download/1.2/vgg_ssd300_voc0712.pth

بعد ذلك ، سيتم تنزيل وتذوق vgg_ssd300_voc0712.pth تلقائيًا وسيتم حفظ الصور المتوقعة مع المربعات والدرجات وأسماء التسمية إلى مجلد demo/result افتراضيًا.

سترى إخراج مماثل: 

 (0001/0005) 004101.jpg: objects 01 | load 010ms | inference 033ms | FPS 31
(0002/0005) 003123.jpg: objects 05 | load 009ms | inference 019ms | FPS 53
(0003/0005) 000342.jpg: objects 02 | load 009ms | inference 019ms | FPS 51
(0004/0005) 008591.jpg: objects 02 | load 008ms | inference 020ms | FPS 50
(0005/0005) 000542.jpg: objects 01 | load 011ms | inference 019ms | FPS 53

طراز حديقة الحيوان

ورقة الأصل:

اختبار VOC2007 Coco Test-Dev2015
SSD300* 77.2 25.1
SSD512* 79.8 28.8

كوكو:

العمود الفقري حجم الإدخال مربع AP حجم النموذج تحميل
VGG16 300 25.2 262 ميجابايت نموذج
VGG16 512 29.0 275 ميجابايت نموذج

Pascal Voc:

العمود الفقري حجم الإدخال رسم خريطة حجم النموذج تحميل
VGG16 300 77.7 201 ميغابايت نموذج
VGG16 512 80.7 207 ميجابايت نموذج
Mobilenet V2 320 68.9 25.5 ميجابايت نموذج
Mobilenet V3 320 69.5 29.9 ميجابايت نموذج
كفاءة نيت-B3 300 73.9 97.1 ميغابايت نموذج

تطوير دليل

إذا كنت ترغب في إضافة مكوناتك المخصصة ، فيرجى الاطلاع على تطوير _guide.md لمزيد من التفاصيل.

استكشاف الأخطاء وإصلاحها

إذا كان لديك مشكلات في تشغيل أو تجميع هذا الرمز ، فقد قمنا بتجميع قائمة بالمشكلات الشائعة في استكشاف الأخطاء وإصلاحها. إذا لم تكن مشكلتك موجودة هناك ، فلا تتردد في فتح مشكلة جديدة.

الاستشهادات

إذا كنت تستخدم هذا المشروع في بحثك ، فيرجى الاستشهاد بهذا المشروع. 

 @misc{lufficc2018ssd,
    author = {Congcong Li},
    title = {{High quality, fast, modular reference implementation of SSD in PyTorch}},
    year = {2018},
    howpublished = {url{https://github.com/lufficc/SSD}}
}
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل