faster_rcnn_pytorch

Mais rápido rcnn com pytorch

Nota: Reimplementei o RCNN mais rápido neste projeto quando comecei a aprender Pytorch. Então eu uso Pytorch em todos os meus projetos. Ainda me lembro que custou uma semana para descobrir como criar o código CUDA como uma camada pytorch :). Mas, na verdade, isso não é uma boa implementação e eu não consegui o mesmo mapa que o código CAFFE original.

Este projeto não é mais mantido e pode não ser compatível com o mais novo Pytorch (após 0,4.0). Então eu sugiro:

• Você ainda pode ler e estudar este código se quiser reimplementar o RCNN mais rápido por si mesmo;
• Você pode usar a melhor implementação do Pytorch por Ruotianluo ou Detectron.pytorch se desejar treinar mais rápido com seus próprios dados;

Esta é uma implementação Pytorch de RCNN mais rápido. Este projeto é baseado principalmente em py-gast-rcnn e tffrcnn.

Para detalhes sobre o R-CNN, consulte o artigo mais rápido R-CNN: Rumo a detecção de objetos em tempo real com redes de propostas de região de Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun.

Progresso

• Avançar para detectar
• Camada de pool de roi com extensões C na CPU (apenas para a frente)
• Camada de pool de roi na GPU (para frente e para trás)
• Treinamento no VOC2007
• Suporte TensroBoard
• Avaliação

Instalação e demonstração

0. Instale os requisitos (você pode usar PIP ou Anaconda):

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

1. Clone o repositório R-CNN mais rápido

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

2. Construa os módulos de Cython para NMS e a camada ROI_POOLING

    cd faster_rcnn_pytorch/faster_rcnn
   ./make.sh

3. Faça o download do modelo treinado vggnet_fast_rcnn_iter_70000.h5 (atualizado) e defina o caminho do modelo em demo.py

4. Run Demo python demo.py

Treinamento sobre Pascal Voc 2007

Siga este projeto (TFFRCNN) para baixar e preparar o treinamento, a validação, os dados de teste e o modelo VGG16 pré-treinado no ImageNet.

Como o programa carregando os dados em faster_rcnn_pytorch/data POR PADRÃO, você pode definir o caminho dos dados como a seguir.

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

Em seguida, você pode definir alguns hiper-parâmetros em train.py e parâmetros de treinamento no arquivo .yml .

Agora eu tenho um mapa de 0,661 no VOC07, enquanto o artigo de origem obteve um mapa de 0,699. Pode ser necessário ajustar a função de perda definida em faster_rcnn/faster_rcnn.py sozinho.

Treinamento com Tensorboard

Com o auxílio da giz de cera, podemos acessar o poder de visualização do Tensorboard para qualquer estrutura de aprendizado profundo.

Para usar o Tensorboard, instale o Crayon (https://github.com/torrvision/crayon) e defina use_tensorboard = True em faster_rcnn/train.py .

Avaliação

Defina o caminho do modelo treinado em test.py

 cd faster_rcnn_pytorch
mkdir output
python test.py

Licença: MIT Licença (MIT)