SSD

Implementación de referencia modular de alta calidad, de alta calidad de SSD en Pytorch 1.0

Este repositorio implementa SSD (detector multibox de disparo único). La implementación está fuertemente influenciada por los proyectos ssd.pytorch, pytorch-ssd y maskrcnn-benchmark. Este repositorio tiene como objetivo ser la base de código para investigaciones basadas en SSD.

Ejemplo de salida SSD (VGG_SSD300_VOC0712).

Pérdidas	Tasa de aprendizaje	Métrica

Reflejos

• Pytorch 1.0 : Soporte Pytorch 1.0 o superior.
• Entrenamiento e inferencia de múltiples GPU : utilizamos DistributedDataParallel , puede entrenar o probar con GPU (s) arbitraria (s), el esquema de capacitación cambiará en consecuencia.
• Modular : agregue sus propios módulos sin dolor. Abstractamos backbone , Detector , BoxHead , BoxPredictor , etc. Puede reemplazar cada componente con su propio código sin cambiar la base del código. Por ejemplo, puede agregar EficeTient Net como Backbone, solo agregar efficient_net.py (ya agregado) y registrarlo, específico en el archivo de configuración, ¡está listo!
• Soporte de CPU para inferencia : se ejecuta en CPU en tiempo de inferencia.
• Procedimiento de capacitación suave y agradable : Guardamos el estado del modelo, el optimizador, el programador, el iterador de capacitación, puede detener su entrenamiento y reanudar la capacitación exactamente desde el punto de guardado sin cambiar su CMD de entrenamiento.
• Inferencia por lotes : puede realizar una inferencia utilizando múltiples imágenes por lote por GPU.
• Evaluación durante la capacitación : evalúe su modele cada eval_step para verificar la mejora del rendimiento o no.
• Visualización de métricas : visualice los detalles de las métricas en TensorBoard, como AP, APL, APM y APS para Coco DataSet o MAP y AP de 20 categorías para el conjunto de datos VOC.
• Descarga automática : Cargue pesos previamente capacitados de la URL y la almacene en caché.

Instalación

Requisitos

1. Python3
2. Pytorch 1.0 o superior
3. yacs
4. Vizon
5. GCC> = 4.9
6. Opencvv

Instalación paso a paso

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. 

Tren

Configuración de conjuntos de datos

VOCO PASCAL

Para el conjunto de datos de VOC Pascal, haga la estructura de la carpeta así:

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

Donde VOC_ROOT predeterminado es la carpeta datasets en el proyecto actual, puede crear enlaces simbólicos a datasets o export VOC_ROOT="/path/to/voc_root" .

PALMA DE COCO

Para el conjunto de datos de Coco, haga la estructura de la carpeta así:

 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
|__ ...

Donde COCO_ROOT predeterminado es la carpeta datasets en el proyecto actual, puede crear enlaces simbólicos a datasets o export COCO_ROOT="/path/to/coco_root" .

Entrenamiento de una sola GPU

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

Entrenamiento multi-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

Los archivos de configuración que proporciono suponen que estamos ejecutando en una única GPU. Al cambiar el número de GPU, Hyper-Parameter (LR, Max_iter, ...) también cambiará de acuerdo con este documento: SGD de minibatch de gran minibatch preciso: entrenamiento de Imagenet en 1 hora.

Evaluar

Evaluación de una sola GPU

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

Evaluación multi-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

Manifestación

Predecir la imagen en una carpeta es simple:

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

Luego se descargará y caché vgg_ssd300_voc0712.pth automáticamente y las imágenes predichas con cuadros, puntajes y nombres de etiquetas se guardarán en la carpeta de demo/result de forma predeterminada.

Verá una salida similar:

 (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

Zoológico modelo

Documento de origen:

	Prueba VOC2007	COCO TEST-DEV2015
SSD300*	77.2	25.1
SSD512*	79.8	28.8

PALMA DE COCO:

Columna vertebral	Tamaño de entrada	AP de la caja	Tamaño del modelo	Descargar
VGG16	300	25.2	262 MB	modelo
VGG16	512	29.0	275 MB	modelo

Pascal VOC:

Columna vertebral	Tamaño de entrada	mapa	Tamaño del modelo	Descargar
VGG16	300	77.7	201MB	modelo
VGG16	512	80.7	207MB	modelo
Mobilenet V2	320	68.9	25.5MB	modelo
Mobilenet V3	320	69.5	29.9MB	modelo
Eficientenet-b3	300	73.9	97.1MB	modelo

Guía de desarrollo

Si desea agregar sus componentes personalizados, consulte Develop_Guide.md para obtener más detalles.

Solución de problemas

Si tiene problemas para ejecutar o compilar este código, hemos compilado una lista de problemas comunes en la solución de problemas. Si su problema no está presente allí, no dude en abrir un nuevo problema.

Citas

Si usa este proyecto en su investigación, cite este proyecto.

 @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}}
}