SSD

Kualitas tinggi, cepat, implementasi referensi modular SSD di Pytorch 1.0

Repositori ini mengimplementasikan SSD (detektor multibox tembakan tunggal). Implementasi ini sangat dipengaruhi oleh proyek SSD.PyTorch, Pytorch-SSD dan MaskRCNN-Benchmark. Repositori ini bertujuan untuk menjadi basis kode untuk penelitian berdasarkan SSD.

Contoh Output SSD (VGG_SSD300_VOC0712).

Kerugian	Tingkat pembelajaran	Metrik

Highlight

• Pytorch 1.0 : Dukung Pytorch 1.0 atau lebih tinggi.
• Pelatihan dan Inferensi Multi-GPU : Kami menggunakan DistributedDataParallel , Anda dapat melatih atau menguji dengan GPU sewenang-wenang, skema pelatihan akan berubah sesuai.
• Modular : Tambahkan modul Anda sendiri tanpa rasa sakit. Kami abstrak backbone , Detector , BoxHead , BoxPredictor , dll. Anda dapat mengganti setiap komponen dengan kode Anda sendiri tanpa mengubah basis kode. Misalnya, Anda dapat menambahkan EfficientNet sebagai tulang punggung, cukup tambahkan efficient_net.py (sudah ditambahkan) dan daftarkan, spesifik dalam file konfigurasi, sudah selesai!
• Dukungan CPU untuk Inferensi : Berjalan pada CPU dalam waktu inferensi.
• Prosedur pelatihan yang lancar dan menyenangkan : Kami menyimpan keadaan model, pengoptimal, penjadwal, pelatihan ITER, Anda dapat menghentikan pelatihan dan melanjutkan pelatihan tepat dari titik penyimpanan tanpa mengubah CMD pelatihan Anda.
• Inferensi Batched : Dapat melakukan inferensi menggunakan beberapa gambar per batch per GPU.
• Mengevaluasi Selama Pelatihan : Mengevaluasi Anda memodelkan setiap eval_step untuk memeriksa peningkatan kinerja atau tidak.
• Visualisasi Metrik : Visualisasikan detail metrik di Tensorboard, seperti AP, APL, APM dan AP untuk dataset atau peta Coco dan 20 kategori AP untuk Dataset VOC.
• Unduh Otomatis : Muat bobot pra-terlatih dari URL dan cache itu.

Instalasi

Persyaratan

1. Python3
2. Pytorch 1.0 atau lebih tinggi
3. yacs
4. Vizer
5. GCC> = 4.9
6. Opencv

Instalasi langkah demi langkah

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. 

Kereta

Mengatur Dataset

VOC Pascal

Untuk dataset Pascal VOC, buat struktur folder seperti ini:

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

Di mana VOC_ROOT default adalah folder datasets dalam proyek saat ini, Anda dapat membuat symlink ke datasets atau export VOC_ROOT="/path/to/voc_root" .

KELAPA

Untuk dataset Coco, buat struktur folder seperti ini:

 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
|__ ...

Di mana default COCO_ROOT adalah folder datasets dalam proyek saat ini, Anda dapat membuat symlink ke datasets atau export COCO_ROOT="/path/to/coco_root" .

Pelatihan GPU tunggal

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

Pelatihan 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

File konfigurasi yang saya berikan mengasumsikan bahwa kami menjalankan pada GPU tunggal. Saat mengubah jumlah GPU, hyper-parameter (LR, Max_iter, ...) juga akan berubah sesuai dengan makalah ini: akurat, minibatch besar SGD: pelatihan ImageNet dalam 1 jam.

Mengevaluasi

Evaluasi GPU tunggal

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

Evaluasi 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

Demo

Memprediksi gambar dalam folder sederhana:

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

Maka itu akan mengunduh dan cache vgg_ssd300_voc0712.pth secara otomatis dan diprediksi gambar dengan kotak, skor dan nama label akan disimpan ke folder demo/result secara default.

Anda akan melihat output serupa:

 (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

Model Zoo

Kertas Asal:

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

KELAPA:

Tulang punggung	Ukuran input	Kotak AP	Ukuran model	Unduh
VGG16	300	25.2	262MB	model
VGG16	512	29.0	275MB	model

VOC Pascal:

Tulang punggung	Ukuran input	peta	Ukuran model	Unduh
VGG16	300	77.7	201MB	model
VGG16	512	80.7	207MB	model
MobileNet v2	320	68.9	25.5MB	model
MobileNet v3	320	69.5	29.9MB	model
EfisiensiNet-b3	300	73.9	97.1MB	model

Kembangkan panduan

Jika Anda ingin menambahkan komponen khusus Anda, silakan lihat develov_guide.md untuk detail lebih lanjut.

Pemecahan masalah

Jika Anda memiliki masalah yang menjalankan atau menyusun kode ini, kami telah menyusun daftar masalah umum dalam pemecahan masalah.md. Jika masalah Anda tidak ada di sana, jangan ragu untuk membuka masalah baru.

Kutipan

Jika Anda menggunakan proyek ini dalam penelitian Anda, silakan kutip proyek ini.

 @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}}
}