SSD

Implémentation de référence modulaire de haute qualité, rapide et modulaire de SSD dans Pytorch 1.0

Ce référentiel implémente SSD (détecteur multibox à tir unique). La mise en œuvre est fortement influencée par les projets ssd.pytorch, pytorch-ssd et maskrcnn-benchmark. Ce référentiel vise à être la base de code pour les recherches basées sur SSD.

Exemple de sortie SSD (VGG_SSD300_VOC0712).

Pertes	Taux d'apprentissage	Métrique

Points forts

• Pytorch 1.0 : Prise en charge de Pytorch 1.0 ou plus.
• Formation multi-GPU et inférence : nous utilisons DistributedDataParallel , vous pouvez vous entraîner ou tester avec des GPU arbitraires, le schéma de formation changera en conséquence.
• Modulaire : ajoutez vos propres modules sans douleur. Nous abstraions backbone , Detector , BoxHead , BoxPredictor , etc. Vous pouvez remplacer chaque composant par votre propre code sans modifier la base de code. Par exemple, vous pouvez ajouter EfficientNet en tant qu'épine dorsale, ajouter simplement efficient_net.py (déjà ajouté) et l'enregistrer, spécifique dans le fichier de configuration, c'est fait!
• Prise en charge du processeur pour l'inférence : fonctionne sur CPU dans le temps d'inférence.
• Procédure de formation fluide et agréable : nous économisons l'état du modèle, de l'optimiseur, du planificateur, de la formation, vous pouvez arrêter votre formation et reprendre la formation exactement à partir du point de sauvegarde sans modifier votre CMD de formation.
• Inférence par lots : peut effectuer l'inférence en utilisant plusieurs images par lot par GPU.
• Évaluation pendant la formation : évaluez-vous chaque évaluation de chaque eval_step pour vérifier les performances s'améliorant ou non.
• Visualisation des métriques : visualisez les détails des métriques dans Tensorboard, comme AP, APL, APM et APS pour l'ensemble de données ou la carte CoCo et 20 catégories AP pour le jeu de données COV.
• Téléchargement automatique : Chargez des poids pré-formés à partir de l'URL et mettez-le.

Installation

Exigences

1. Python3
2. Pytorch 1.0 ou plus
3. yacs
4. Vizar
5. Gcc> = 4,9
6. Opencv

Installation étape par étape

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. 

Former

Configuration des ensembles de données

Pascal COV

Pour l'ensemble de données PASCAL VOC, faites la structure du dossier comme ceci:

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

Lorsque VOC_ROOT par défaut est un dossier datasets dans le projet actuel, vous pouvez créer des liens symboliques sur datasets ou export VOC_ROOT="/path/to/voc_root" .

Coco

Pour l'ensemble de données CoCo, faites la structure du dossier comme ceci:

 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
|__ ...

Lorsque COCO_ROOT par défaut est un dossier datasets dans le projet actuel, vous pouvez créer des liens symboliques sur datasets ou export COCO_ROOT="/path/to/coco_root" .

Formation de GPU unique

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

Formation 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

Les fichiers de configuration que je fournis supposent que nous exécutons sur un seul GPU. Lors du changement de nombre de GPU, l'hyper-paramètre (LR, Max_iter, ...) changera également selon cet article: SGD à minibatch précis et précis: formation d'imageNet en 1 heure.

Évaluer

Évaluation du GPU unique

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

Évaluation 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

Démo

Prédire l'image dans un dossier est 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

Ensuite, il téléchargera et mettra en cache vgg_ssd300_voc0712.pth automatiquement et prédit les images avec des boîtes, des scores et des noms d'étiquette enregistrés dans le dossier demo/result par défaut.

Vous verrez une sortie similaire:

 (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

Zoo modèle

Papier d'origine:

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

Coco:

Colonne vertébrale	Taille d'entrée	Box AP	Taille du modèle	Télécharger
VGG16	300	25.2	262 Mo	modèle
VGG16	512	29.0	275 Mo	modèle

Pascal COV:

Colonne vertébrale	Taille d'entrée	carte	Taille du modèle	Télécharger
VGG16	300	77.7	201 Mo	modèle
VGG16	512	80.7	207 Mo	modèle
Mobilenet v2	320	68.9	25,5 Mo	modèle
Mobilenet v3	320	69.5	29,9 Mo	modèle
EfficientNet-B3	300	73.9	97.1 Mo	modèle

Développer un guide

Si vous souhaitez ajouter vos composants personnalisés, veuillez consulter Develop_Guide.md pour plus de détails.

Dépannage

Si vous avez des problèmes en cours d'exécution ou en compilant ce code, nous avons compilé une liste de problèmes communs dans le dépannage.md. Si votre problème n'y est pas présent, n'hésitez pas à ouvrir un nouveau problème.

Citations

Si vous utilisez ce projet dans votre recherche, veuillez citer ce projet.

 @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}}
}