faster_rcnn_pytorch

Lebih cepat rcnn dengan pytorch

Catatan: Saya mengimplementasikan kembali rcnn lebih cepat dalam proyek ini ketika saya mulai belajar Pytorch. Lalu saya menggunakan Pytorch di semua proyek saya. Saya masih ingat harganya satu minggu bagi saya untuk mencari cara membangun kode CUDA sebagai lapisan Pytorch :). Tapi sebenarnya ini bukan implementasi yang baik dan saya tidak mencapai peta yang sama dengan kode Caffe asli.

Proyek ini tidak lagi dipertahankan dan mungkin tidak kompatibel dengan pytorch terbaru (setelah 0.4.0). Jadi saya sarankan:

• Anda masih dapat membaca dan mempelajari kode ini jika Anda ingin mengimplementasikan kembali rcnn lebih cepat sendiri;
• Anda dapat menggunakan implementasi Pytorch yang lebih baik oleh Ruotianluo atau Detectron.pytorch jika Anda ingin melatih RCNN lebih cepat dengan data Anda sendiri;

Ini adalah implementasi Pytorch dari RCNN yang lebih cepat. Proyek ini terutama didasarkan pada Py-Faster-RCNN dan TFFRCNN.

Untuk detail tentang R-CNN, silakan merujuk ke makalah lebih cepat R-CNN: Menuju deteksi objek real-time dengan jaringan proposal wilayah oleh Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun.

Kemajuan

• Maju untuk mendeteksi
• Lapisan Pooling ROI dengan ekstensi C pada CPU (hanya maju)
• Lapisan Pooling ROI di GPU (maju dan mundur)
• Pelatihan di VOC2007
• Dukungan Tensroboard
• Evaluasi

Instalasi dan demo

0. Pasang persyaratan (Anda dapat menggunakan PIP atau Anaconda):

    conda install pip pyyaml sympy h5py cython numpy scipy
   conda install -c menpo opencv3
   pip install easydict
   

1. Klon Repositori R-CNN yang lebih cepat

   git clone [email protected]:longcw/faster_rcnn_pytorch.git

2. Bangun Modul Cython untuk NMS dan Lapisan ROI_Pooling

    cd faster_rcnn_pytorch/faster_rcnn
   ./make.sh

3. Unduh model terlatih vggnet_fast_rcnn_ititer_70000.h5 (diperbarui) dan atur jalur model di demo.py

4. Jalankan demo demo python demo.py

Pelatihan Pascal VOC 2007

Ikuti proyek ini (TFFRCNN) untuk mengunduh dan menyiapkan pelatihan, validasi, data uji, dan model VGG16 pra-terlatih di ImageNet.

Karena program memuat data di faster_rcnn_pytorch/data secara default, Anda dapat mengatur jalur data sebagai berikut.

 cd faster_rcnn_pytorch
mkdir data
cd data
ln -s $VOCdevkit VOCdevkit2007

Kemudian Anda dapat mengatur beberapa hiper-parameter di train.py dan parameter pelatihan dalam file .yml .

Sekarang saya mendapat peta 0,661 di VOC07 sementara kertas asal mendapat peta 0,699. Anda mungkin perlu menyetel fungsi kerugian yang ditentukan dalam faster_rcnn/faster_rcnn.py sendiri.

Pelatihan dengan Tensorboard

Dengan bantuan krayon, kita dapat mengakses kekuatan visualisasi Tensorboard untuk kerangka kerja pembelajaran yang mendalam.

Untuk menggunakan Tensorboard, instal crayon (https://github.com/torrvision/crayon) dan atur use_tensorboard = True in faster_rcnn/train.py .

Evaluasi

Atur jalur model terlatih di test.py

 cd faster_rcnn_pytorch
mkdir output
python test.py

Lisensi: Lisensi MIT (MIT)