faster_rcnn_pytorch

Pytorchを使用したより速いRCNN

注： Pytorchの学習を始めたとき、このプロジェクトでより速いRCNNを再実装しました。次に、すべてのプロジェクトでPytorchを使用します。 Pytorch層としてCUDAコードを構築する方法を見つけてから1週間かかったのを今でも覚えています:)。しかし、実際にはこれは良い実装ではなく、元のCaffeコードと同じマップを達成しませんでした。

このプロジェクトはもはや維持されておらず、最新のPytorch（0.4.0以降）と互換性がない場合があります。だから私は提案する：

• 自分でrcnnをより速く再実装したい場合は、このコードを読んで研究することができます。
• 独自のデータでより速いRCNNをトレーニングする場合は、RuotianluoまたはDetectron.pytorchによるより良いPytorch実装を使用できます。

これは、より高速なRCNNのPytorch実装です。このプロジェクトは、主にPy-Faster-RCNNおよびTFFRCNNに基づいています。

R-CNNの詳細については、R-CNNをより高速に順番に参照してください。ShaoqingRen、Kaiming He、Ross Girshick、Jian SunによるRegion Proposal Networksを使用したリアルタイムオブジェクトの検出に向けて。

進捗

• 検出のためにフォワード
• CPU上のC拡張機能を備えたROIプーリングレイヤー（フォワードのみ）
• GPU上のROIプーリングレイヤー（前方および後方）
• VOC2007でのトレーニング
• テンソードボードのサポート
• 評価

インストールとデモ

0. 要件をインストールします（PIPまたはAnacondaを使用できます）：

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

1. より速いR-CNNリポジトリをクローンします

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

2. NMSおよびROI_PoolingレイヤーのCythonモジュールを構築する

    cd faster_rcnn_pytorch/faster_rcnn
   ./make.sh

3. 訓練されたモデルvggnet_fast_rcnn_iter_70000.h5（更新）をダウンロードし、 demo.pyでモデルパスを設定します

4. デモpython demo.pyを実行します

Pascal Voc 2007のトレーニング

このプロジェクト（TFFRCNN）に従って、Training、Validation、Test Data、およびImagenetで事前に訓練されたVGG16モデルをダウンロードして準備します。

プログラムは、 faster_rcnn_pytorch/dataにデータをデフォルトで読み込んでいるため、データパスを次のように設定できます。

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

次に、 train.pyのハイパーパラメーターを.ymlファイルでトレーニングパラメーターに設定できます。

今、私はVOC07に0.661のマップを取得し、Origin Paperに0.699のマップがありました。 faster_rcnn/faster_rcnn.pyで定義された損失関数を自分でチューニングする必要がある場合があります。

テンソルボードでのトレーニング

Crayonの助けを借りて、深い学習フレームワークのためにTensorboardの視覚化能力にアクセスできます。

テンソルボードを使用するには、Crayon（https://github.com/torrvision/crayon）をインストールし、 faster_rcnn/train.pyでuse_tensorboard = Trueを設定します。

評価

test.pyで訓練されたモデルのパスを設定します。

 cd faster_rcnn_pytorch
mkdir output
python test.py

ライセンス：MITライセンス（MIT）