efficientdet pytorch 다운로드 - efficientdet pytorch 소스 코드 다운로드

효율성 (Pytorch)

효율적인 Pytorch 구현.

그것은 기반입니다

Mingxing Tan 및 Google Brain Team의 공식 Tensorflow 구현
Mingxing Tan, Ruoming Pang, Quoc V. Le EfficientDet에 의한 종이 : 확장 가능하고 효율적인 물체 감지

다른 Pytorch 구현이 있습니다. 그들의 접근 방식은 텐서 플로 모델을 올바르게 재현하려는 목표에 맞지 않았지만 (pytorch 느낌과 유연성으로), MS Coco Training을 처음부터 복제 할 수는 없습니다.

기본 모델 구성 외에도 실험과 빠른 개선을 용이하게하는 유연성이 많이 있습니다.

BIFPN 연결 및 조합 모드는 완전히 구성 가능하며 모델 코드에 구워지지 않습니다.
BIFPN 및 헤드 모듈은 깊이 분리 가능 또는 표준 컨볼 루션 사이에서 전환 할 수 있습니다.
활성화, 배치 규범 레이어는 인수를 통해 전환 가능합니다 (곧 구성)
기능 추출 ( features_only arg)을 지원하는 timm 모델 컬렉션의 모든 백본은 Bacbkone으로 사용할 수 있습니다.

업데이트

2023-05-21

timm 0.9에 의존합니다
사소한 버그 수정
버전 0.4.1 릴리스

2023-02-09

Pytorch 2.0 (야간)로 테스트, -Torchcompile 지원 추가 스크립트를 훈련하고 검증합니다.
소규모 코드 정리 패스, Timm 0.8.x 및 이전 릴리스의 BWD/FWD Compat를 지원합니다.
timm Convert_sync_batchnorm 기능 사용 업데이트 된 모델을 처리하여 Batchnormact2d 레이어를 처리합니다.

2022-01-06

AGC 클리핑 및 timm 의 efficientnetv2_rw_s 백본을 사용하여 새로운 efficientnetv2_ds 가중치 50.1 MAP @ 1024x0124. 메모리 사용은 D3과 비교할 수 있으며 D4보다 빠른 속도. 최적의 훈련 배치 크기보다 작으므로 아마도 더 잘할 수 있습니다 ...

2021-11-30

AGC 클리핑을 사용하여 efficientnetv2_dt 가중치를 새 세트, 46.1 MAP @ 768x768, 47.0 맵 @ 896x896으로 업데이트하십시오.
AGC를 추가하십시오 ( timm 통해 적응 형 구배 클리핑 지원). ( High-Performance Large-Scale Image Recognition Without Normalization -https://arxiv.org/abs/2102.06171)의 아이디어.
timm 최소 버전은 최대 0.4.12로 충돌했습니다

2021-11-16

효율적인 NETTV2 백본 실험 efficientnetv2_dt timm 의 efficientnetv2_rw_t (TINY) 모델을 기반으로합니다. 45.8지도 @ 768x768.
업데이트 된 TF 효율적인 데트-라이트 모델 DEF는 공식 임플란치 (https://github.com/google/automl)에서 포팅 된 가중치를 포함합니다.
LITE 모델의 경우 FPN의 업데이트 된 기능 크기 조정 코드는 감소 비율 대신 위업 크기를 기반으로하는 코드를 128로 나눌 수없는 이미지 크기를 지원하는 데 필요합니다.
사소한 조정, 버그 수정

2021-07-28

Chris Hughes가 제공 한 README에 교육 예제를 추가하여 사용자 정의 데이터 세트 및 번개 교육 코드 교육을 위해 교육 예제
- 중간 블로그 게시물
- 파이썬 노트

2021-04-30

tf impl에서 d0-d5에 대한 효율적인 advprop-aa weights를 추가하십시오. 모델 이름 tf_efficientdet_d?_ap
- https://github.com/google/automl/blob/master/efficeldet/det-advprop.md를 참조하십시오

2021-02-18

FPN의 상향 샘플 및 다운 샘플을 위해 Bilinear 보간으로 새로운 모델 가중치를 추가하십시오.
- 40.9 MAP- efficientdet_q1 (40.6에서 이전 모델 교체)
- 43.2지도 cspresdet50
- 45.2 맵 cspdarkdet53m

2020-12-07

timm 및 이전 TorchScript Compat Addests에서 ModelEMAV2를 포함시켜 완전히 JIT 스크립트 모델 + 벤치 ( --torchscript )를 포함하는 교육이 가능합니다. CPU 바운드 훈련의 큰 속도 이득.
대체 FPN 레이아웃에 대한 무게를 추가하십시오. QuadFPN 실험 ( efficientdet_q0/q1/q2 ) 및 CSPRESDEXT + PAN ( cspresdext50pan ). 아래 업데이트 된 표를 참조하십시오. Q2 모델 교육을위한 리소스를 제공 한 Artus에게 특별한 감사를드립니다.
머리는 구성을 통해 FPN과 다른 활성화를 가질 수 있습니다.
FPN RESAPLE (보간)는 구성을 통해 지정할 수 있으며 F. interpolation 메소드 또는 max / avg 풀을 포함시킬 수 있습니다.
기본 --legacy-focal 손실이 new_focal 로 다시 변경되었습니다. 레거시는 메모리를 적게 사용하지만 더 많은 수치 안정성 문제가 있습니다.
Custom Augmentation Transform 및 Collate FN은 로더 팩토리로 전달할 수 있습니다.
timm > = 0.3.2 필수, 참고 변경 중단을위한 사용자 정의 정의 된 모델 구성을 두 번 확인하십시오.
Pytorch> = 1.6 이제 필요합니다

2020-11-12

실험 팬 및 쿼드 FPN 구성 추가 기존 ENGICIONDDET BIFPN w/ 2 개의 테스트 모델 구성.
훈련받지 않은 실험 모델 구성을 기본적으로 Torchscript Compat BN 헤드 레이아웃을 사용하도록 스위치

2020-11-09

생성 후 모델 구성을 읽기 전용으로 설정하여 오용 가능성을 줄입니다.
Forward () Call Chain (Torcscript Compat의 경우)에 액세스 모델 또는 벤치 .config attr.
모델 또는 기차/예측 벤치의 JIT 스크립팅을 허용하는 수많은 작은 변경 사항

2020-10-30

몇 개월간의 누적 수정 및 추가를 병합했습니다.

적절한 미세 조정 호환 모델 init (w/ changable # 클래스 및 적절한 초기, Train.py에서 데모)
Coco, VOC 2007/2012 및 OpenImages V5/Challenge2019 용 데이터 세트 지원 (파서 클래스를 통해)이 포함 된 새로운 데이터 세트 인터페이스
새로운 초점 손실 def w/ 레이블 스무딩 옵션으로 사용 가능, (잠재적) 속도를위한 손실 FN의 지원
처리량 이득의 몇 %를 짜내고 GPU 이용률이 높아지는 몇 가지 핫스팟을 개선했습니다.
Tensorflow 모델 평가자 프레임 워크를 기반으로 한 Pascal / OpenImages 평가자 (다른 데이터 세트에도 사용할 수 있음)
Pytorch> = 1.6에서 기본 Pytorch DDP, SyncBN 및 AMP에 대한 지원. 설치하면 여전히 기본적으로 Apex로 변합니다.
비-제곱 입력 이미지 크기는 모델에 허용됩니다 (앵커 레이아웃). Model Config에서 image_size 튜플에 의해 지정됩니다. 현재 각 딤당에서 size % 128 = 0 으로 제한되어 있습니다.
앵커 대상 생성은 데이터 로더 프로세스에서 '과거와 같이 모델로 또는 모델에서 수행 할 수 있도록합니다. 계산의 균형을 맞출 수 있습니다.
고정 크기 배치 텐서의 데이터 세트 주석에서 사용하지 않은 대상 CLS/박스를 필터링하기 전에 대상 할당 자에게 전달하십시오. 수렴 속도를 높이는 것 같습니다.
레터 박스는 임의의 지우기 증강을 인식했습니다.
추론/검증 사용을 위해 (매우 느린) Softnms imps가 추가되었습니다. 지금 수동으로 활성화 될 수 있으며 수요가 경우 Arg를 추가 할 수 있습니다.
Pytorch 1.7로 테스트
Resdet50 모델 가중치, 41.6 맵을 추가하십시오.

내가 아직 다루지 않은 우선 순위 목록의 몇 가지 사항 :

모자이크 확대
Bbox IOU 손실 (조금 시도했지만 지금까지는 큰 결과가 아니으며 디버그/개선 시간이 필요합니다)

몇 가지 중단 변경 사항 이 있습니다.

벤치는 이제 Xyxy 상자를 예측하고 기차하여 XYWH가 아닌 XYXY 박스를 출력합니다. XYWH는 Coco의 평가자 요구 사항이므로 다른 데이터 세트를 지원하기 위해 수행되었습니다.
TF 모델 평가자는 모델과 같은 YXYX 박스에서 작동합니다. xyxy에서 전환은 현재 기본적으로 수행됩니다. 내가 모든 것을 yxyx를 유지하지 않는 이유는 무엇입니까? pytorch gpu nms는 xyxy에서 작동하기 때문입니다.
도우미의 일부 API가 약간 변경되었으므로 TIMM 버전의 timm 버전을 최신 (> = 0.3)으로 업데이트해야합니다.

교육 정신 점검은 VOC와 OI에서 수행되었습니다

80.0 @ 50 매개 변수를 조정하려는 시도없이 VOC0712의 MAP FINETUNE (아래 명령에 따라)
18.0 MAP @ 50 OI Challenge2019의 며칠간의 훈련 후 (6 개의 epochs, eek!). 훨씬 더 크고 시간이 걸리며 많은 수업이 매우 도전적입니다.

모델

아래 표에는 사기가 좋은 모델이 포함되어 있습니다. 다양한 timm 백본을 사용하는 모델 구성에서 정의한 다른 모델이 많이 있습니다.

변종	지도 (Val2017)	지도 (test-dev2017)	지도 (TF 공식 VAL2017)	지도 (TF 공식 테스트 DEV2017)	매개 변수 (m)	IMG 크기
TF_EFFICELDET_LITE0	27.1	TBD	26.4	N/A	3.24	320
TF_EFFICELDET_LITE1	32.2	TBD	31.5	N/A	4.25	384
효율적인 DET_D0	33.6	TBD	N/A	N/A	3.88	512
TF_EFFICELDET_D0	34.2	TBD	34.3	34.6	3.88	512
tf_efficientDet_d0_ap	34.8	TBD	35.2	35.3	3.88	512
효율적인 DET_Q0	35.7	TBD	N/A	N/A	4.13	512
TF_EFFICELDET_LITE2	35.9	TBD	35.1	N/A	5.25	448
효율적인 DET_D1	39.4	39.5	N/A	N/A	6.62	640
TF_EFFICELDET_LITE3	39.6	TBD	38.8	N/A	8.35	512
TF_EFFICELDET_D1	40.1	TBD	40.2	40.5	6.63	640
tf_efficientDet_d1_ap	40.8	TBD	40.9	40.8	6.63	640
효율적인 DET_Q1	40.9	TBD	N/A	N/A	6.98	640
CSPRESDEXT50PAN	41.2	TBD	N/A	N/A	22.2	640
resdet50	41.6	TBD	N/A	N/A	27.6	640
효율적인 DET_Q2	43.1	TBD	N/A	N/A	8.81	768
CSPRESDET50	43.2	TBD	N/A	N/A	24.3	768
TF_EFFICELDET_D2	43.4	TBD	42.5	43	8.10	768
TF_EFFICELDET_LITE3X	43.6	TBD	42.6	N/A	9.28	640
tf_efficientDet_lite4	44.2	TBD	43.2	N/A	15.1	640
TF_EFFICELDET_D2_AP	44.2	TBD	44.3	44.3	8.10	768
CSPDARKDET53M	45.2	TBD	N/A	N/A	35.6	768
효율적인 DETV2_DT	46.1	TBD	N/A	N/A	13.4	768
TF_EFFICELDET_D3	47.1	TBD	47.2	47.5	12.0	896
TF_EFFICELDET_D3_AP	47.7	TBD	48.0	47.7	12.0	896
TF_EFFICELDET_D4	49.2	TBD	49.3	49.7	20.7	1024
효율적인 DETV2_DS	50.1	TBD	N/A	N/A	26.6	1024
TF_EFFICELDET_D4_AP	50.2	TBD	50.4	50.4	20.7	1024
tf_efficientDet_d5	51.2	TBD	51.2	51.5	33.7	1280
TF_EFFICELDET_D6	52.0	TBD	52.1	52.6	51.9	1280
TF_EFFICELDET_D5_AP	52.1	TBD	52.2	52.5	33.7	1280
TF_EFFICELDET_D7	53.1	53.4	53.4	53.7	51.9	1536
TF_EFFICELDET_D7X	54.3	TBD	54.4	55.1	77.1	1536

모델 체크 포인트 URL 및 차이에 대한 모델 구성을 참조하십시오.

참고 : 현재 Soft-Nms를 사용하는 모든 모듈의 공식 점수는 여기에서 여전히 정상적인 NM을 사용하고 있습니다.

참고 : 일부 실험 모델을 훈련시킬 때 분산 훈련 중 동기화 된 Batchnorm ( --sync-bn )과 모델 EMA 가중치 에버 리저징 ( --model-ema )의 조합과 관련하여 잠재적 인 문제가 있음을 알았습니다. 결과는 수렴에 실패하거나 수렴하지 않는 것처럼 보이지만 (훈련 손실) Eval 손실 (BN 통계 실행)은 쓰레기입니다. 나는 효율적으로 이것을 관찰하지 못했지만 cspresnext, vovnet 등과 같은 백본이 있습니다. 나는이 문제를 완전히 특성화하지 않았다.

환경 설정

Linux의 Python 3.7-3.9 Conda 환경에서 테스트 : :

Pytorch 1.6-1.10
Pytorch 이미지 모델 (TIMM)> = 0.4.12, pip install timm 또는 로컬 설치 (https://github.com/rwightman/pytorch-image-models)
Apex Amp Master (2020-08 기준). Native Pytorch AMP 및 DDP를 사용하는 것이 좋습니다.

참고 - Numpy 1.18+ 및 Pycocotools 2.0의 충돌/버그가 있습니다. Numpy <= 1.17.5를 설치하거나 Pycocotools를 설치하십시오> = 2.0.2

데이터 세트 설정 및 사용

머리

MSCOCO 2017 유효성 검사 데이터 :

 wget http://images.cocodataset.org/zips/val2017.zip
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
unzip val2017.zip
unzip annotations_trainval2017.zip

MSCOCO 2017 Test-DEV 데이터 :

 wget http://images.cocodataset.org/zips/test2017.zip
unzip -q test2017.zip
wget http://images.cocodataset.org/annotations/image_info_test2017.zip
unzip image_info_test2017.zip

코코 평가

D2 모델과 함께 실행 유효성 검사 (Val2017) : python validate.py /localtion/of/mscoco/ --model tf_efficientdet_d2

RUN TEST-DEV2017 : python validate.py /localtion/of/mscoco/ --model tf_efficientdet_d2 --split testdev

코코 훈련

./distributed_train.sh 4 /mscoco --model tf_efficientdet_d0 -b 16 --amp --lr .09 --warmup-epochs 5 --sync-bn --opt fusedmomentum --model-ema

메모:

훈련 스크립트는 현재 공식 모델과 같은 중복 CONV + BN 바이어스 레이어가없는 모델에 기본값을 기본적으로 유효성을 유지할 때 올바른 플래그를 설정합니다.
작물/스케일/종단 필의 배경으로 IMG 평균 ( --fill-color mean )만으로 훈련을 받았으며 공식 리포는 검은 색 픽셀 (0) ( --fill-color 0 )을 사용합니다. 둘 다 잘 작동합니다.
공식 교육 코드는 기본적으로 EMA 무게 평균화를 사용합니다. 코사인 LR 일정 으로이 작업을 수행하는 것은 확실하지 않습니다. 비마 가중치가 교육 에포크의 마지막 10-20%에서 EMA보다 더 나은 것을 발견했습니다.
기본 H-Params는 불안정 (폭발 손실)에 매우 가깝고 Nesterov Momentum을 사용하지 마십시오. 배치 크기를 유지하고 Sync-Bn을 사용하십시오.

파스칼 voc

2007, 2012 및 2007 + 2012 년에 합류하여 2007 년에 검증을위한 테스트가 지원됩니다.

 wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
find . -name '*.tar' -exec tar xf {} ;

VOCdevkit 내에 VOC2007 및 VOC2012 폴더가 있어야합니다. CMD 라인의 데이터 세트 루트는 VOCDEVKIT입니다.

대체 다운로드 링크, 느리지만 옥스 AC.UK보다 더 자주 증가합니다.

 http://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
http://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
http://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar

VOC 평가

VOC2012에 대한 평가 : python validate.py /data/VOCdevkit --model efficientdet_d0 --num-gpu 2 --dataset voc2007 --checkpoint mychekpoint.pth --num-classes 20

VOC 훈련

Fine tune COCO pretrained weights to VOC 2007 + 2012: /distributed_train.sh 4 /data/VOCdevkit --model efficientdet_d0 --dataset voc0712 -b 16 --amp --lr .008 --sync-bn --opt fusedmomentum --warmup-epochs 3 --model-ema --model-ema-decay 0.9966 --epochs 150 --num-classes 20 --pretrained

개방

OpenImages 데이터 세트 설정은 약속입니다. 나는 주석에 좀 더 쉽게 WRT를 만들려고 노력했지만 데이터 세트를 잡는 데 여전히 시간이 걸릴 것입니다. 약 560GB의 저장 공간이 필요합니다.

이미지 데이터를 다운로드하려면 CVDF 포장을 선호합니다. 주요 OpenImages 데이터 세트 페이지, 주석, 데이터 세트 라이센스 정보는 https://storage.googleapis.com/openimages/web/index.html에서 찾을 수 있습니다.

CVDF 이미지 다운로드

S3 다운로드 방향을 따르십시오 : https://github.com/cvdfoundation/open-images-dataset#download-images-with-bounding-box-nantations

각 train_<x>.tar.gz train/<x> 폴더로 추출되어야하며, 여기서 X는 0-F에서 16 진수입니다. validation.tar.gz 평평한 파일로 validation/ 로 추출 할 수 있습니다.

주석 다운로드

주석은 위의 OpenImages 홈페이지와 별도로 다운로드 할 수 있습니다. 편의를 위해 모든 이미지 파일에 대한 ID 및 통계가 포함 된 추가 '정보'CSV 파일과 함께 모두 포장했습니다. 내 데이터 세트는 <set>-info.csv 파일에 의존합니다. 이러한 주석의 라이센스는 https://storage.googleapis.com/openimages/web/factsfigures.html을 참조하십시오. 주석은 CC에 따라 Google LLC가 4.0 라이센스에 의해 라이센스를 부여합니다. 이미지는 CC x 2.0 라이센스로 나열됩니다.

 wget https://github.com/rwightman/efficientdet-pytorch/releases/download/v0.1-anno/openimages-annotations.tar.bz2
wget https://github.com/rwightman/efficientdet-pytorch/releases/download/v0.1-anno/openimages-annotations-challenge-2019.tar.bz2
find . -name '*.tar.bz2' -exec tar xf {} ;

공들여 나열한 것

모든 것이 다운로드되어 추출되면 OpenImages의 루트를 다음과 같이 포함해야합니다.

 annotations/<csv anno for openimages v5/v6>
annotations/challenge-2019/<csv anno for challenge2019>
train/0/<all the image files starting with '0'>
.
.
.
train/f/<all the image files starting with 'f'>
validation/<all the image files in same folder>

개방형 교육

챌린지 2019 주석 (500 클래스)을 사용한 교육 (500 클래스) : ./distributed_train.sh 4 /data/openimages --model efficientdet_d0 --dataset openimages-challenge2019 -b 7 --amp --lr .042 --sync-bn --opt fusedmomentum --warmup-epochs 1 --lr-noise 0.4 0.9 --model-ema --model-ema-decay 0.999966 --epochs 100 --remode pixel --reprob 0.15 --recount 4 --num-classes 500 --val-skip 2

OI의 500 (챌린지 2019) 또는 601 (v5/v6) 클래스 헤드는 Coco보다 훨씬 더 많은 GPU 메모리를 차지합니다. 배치 크기의 절반이 필요할 것입니다.

사용자 정의 데이터 세트에 대한 교육 / 미세 조정의 예

여기의 모델은 사용자 정의 교육 루틴 및 훌륭한 결과가있는 데이터 세트와 함께 사용되었습니다. 알아야 할 세부 정보가 많이 있으므로 '내 사용자 정의 데이터 세트 문제에 대한 쓰레기 결과를 얻습니다'. 작업 데이터 세트/파서 구현을 포함 하여이 리도록 공개 Github 포크를 사용하여 공개, 비 독점적, 다운로드 가능한 데이터 세트에서 재현 가능한 문제를 설명 할 수 있다면 살펴볼 시간이 있습니다.

예 :

Chris Hughes는 timm EngicitielNetv2 백본과 함께 교육의 훌륭한 예와 효율적인 데트 모델의 최신 버전을 여기에서 구성했습니다.
- 중간 블로그 게시물
- 파이썬 노트
Alex Shonenkov는 밀 머리를 감지하기위한 이러한 모델을 미세 조정하는 명확하고 간결한 Kaggle 커널을 가지고 있습니다.

좋은 예제 스크립트 또는 커널 훈련이 있다면 다른 데이터 세트로 이러한 모델이 포함되어 있으면 여기에 포함시켜 주시기 바랍니다.

결과

내 훈련

효율적인 데이트 -D0

D0의 .336 (4x 1080ti) : ./distributed_train.sh 4 /mscoco --model efficientdet_d0 -b 22 --amp --lr .12 --sync-bn --opt fusedmomentum --warmup-epochs 5 --lr-noise 0.4 0.9 --model-ema --model-ema-decay 0.9999

위 의이 hparams는 좋은 모델과 몇 가지 요점을 초래했습니다.

이지도는 매우 일찍 정점에 이르렀고 (300의 Epoch 200)가 과적으로 보였으므로 여전히 개선의 여지가있을 것입니다.
EMA와 함께 잘 작동하는 실험 LR 노이즈를 활성화했습니다.
효과적인 LR은 공식보다 약간 높습니다. 공식은 .08 배치 64의 경우 .08, 이것은 .0872로 작동합니다.
Drop_Path (일명 Survival_Prob / Drop_Connect) 0.1의 속도는 공식적으로 D0에 대해 제안 된 0.0보다 높지만 다른 모델의 경우 0.2보다 낮습니다.
기본값보다 더 긴 EMA 기간

Val2017

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.336251
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.521584
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.356439
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.123988
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.395033
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.521695
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.287121
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.441450
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.467914
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.197697
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.552515
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.689297

효율적인 DET-D1

.394 맵 (4x 1080ti) : ./distributed_train.sh 4 /mscoco --model efficientdet_d1 -b 10 --amp --lr .06 --sync-bn --opt fusedmomentum --warmup-epochs 5 --lr-noise 0.4 0.9 --model-ema --model-ema-decay 0.99995

이 실행의 경우, 개선 된 증강을 사용하여 여전히 실험을 실험하여 출시 준비가되지 않았으며, 그 없이는 잘 작동하지 않지만 조금 더 빨리 적합하고 .385-.39 범위에서 A가 끝날 것입니다.

포팅 된 텐서 플로우 중량

테스트 DEV2017

참고 : 지금까지 Wanity Check를 위해 D7을 Dev Server에 제출하는 것만 시도했습니다.

TF- 효율적인 데이트 -D7

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.534
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.726
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.577
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.356
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.569
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.660
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.397
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.644
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.682
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.508
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.718
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.818

Val2017

TF- 효율적인 데이트 -D0

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.341877
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.525112
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.360218
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.131366
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.399686
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.537368
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.293137
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.447829
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.472954
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.195282
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.558127
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.695312

TF- 효율적인 데이트 -D1

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.401070
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.590625
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.422998
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.211116
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.459650
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.577114
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.326565
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.507095
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.537278
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.308963
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.610450
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.731814

TF- 효율적인 데이트 -D2

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.434042
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.627834
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.463488
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.237414
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.486118
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.606151
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.343016
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.538328
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.571489
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.350301
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.638884
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.746671

TF 효율 D3

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.471223
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.661550
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.505127
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.301385
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.518339
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.626571
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.365186
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.582691
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.617252
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.424689
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.670761
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.779611

TF- 효율적인 데이트 -D4

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.491759
Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.686005
Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.527791
Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.325658
Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.536508
Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.635309
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.373752
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.601733
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.638343
Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.463057
Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.685103
Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.789180

TF- 효율적인 데이트 -D5

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.511767
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.704835
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.552920
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.355680
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.551341
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.650184
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.384516
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.619196
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.657445
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.499319
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.695617
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.788889

TF- 효율적인 데이트 -D6

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.520200
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.713204
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.560973
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.361596
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.567414
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.657173
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.387733
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.629269
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.667495
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.499002
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.711909
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.802336

TF- 효율적인 데이트 -D7

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.531256
Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.724700
Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.571787
Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.368872
Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.573938
Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.668253
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.393620
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.637601
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.676987
Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.524850
Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.717553
Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.806352

TF- 효율적인 데이트 -D7X

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.543
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.737
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.585
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.401
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.579
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.680
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.398
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.649
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.689
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.550
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.725
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.823

TODO

기본 훈련 (객체 감지) 상환
모자이크 확대
랜드/자동 조정
Bbox Iou Loss (Giou, Diou, Ciou 등)
훈련 (시맨틱 세분화) 실험
Detectron2 / mmdetection 코드베이스와 통합
과거 프로젝트에서 사용했던 효율적 인 U-Net 및 Deeplab 세분화 모델의 추가 및 정리
과거 프로젝트의 OpenImages 데이터 세트/교육 지원의 추가 및 정리
인스턴스 세분화 가능성 탐색 ...

귀하가 조직 인 경우 후원 및이 작업에 관심이 있거나 미래의 방향에 대한 우선 순위가 귀하에게 관심을 갖고 있습니다. 언제든지 저에게 연락하십시오 (문제, LinkedIn, Twitter, Hello at Rwightman Dot Com). 관심이 있으면 Github 스폰서를 설정할 것입니다.

확장하다