SSD

Implementação de referência modular de alta qualidade, rápida e modular do SSD em Pytorch 1.0

Este repositório implementa SSD (detector multibox de tiro único). A implementação é fortemente influenciada pelos projetos ssd.pytorch, pytorch-ssd e maskrcnn-benchmark. Este repositório pretende ser a base de código para pesquisas baseadas no SSD.

Exemplo de saída SSD (VGG_SSD300_VOC0712).

Perdas	Taxa de aprendizado	Métricas

Destaques

• Pytorch 1.0 : Suporte Pytorch 1.0 ou superior.
• Treinamento e inferência de multi-GPU : Usamos DistributedDataParallel , você pode treinar ou testar com GPU (s) arbitrária (s), o esquema de treinamento mudará de acordo.
• Modular : adicione seus próprios módulos sem dor. Abstraímos backbone , Detector , BoxHead , BoxPredictor , etc. Você pode substituir todos os componentes por seu próprio código sem alterar a base de código. Por exemplo, você pode adicionar eficácia como backbone, basta adicionar efficient_net.py (já adicionado) e registrá -lo, específico no arquivo de configuração, está pronto!
• Suporte da CPU para inferência : é executado na CPU em tempo de inferência.
• Procedimento de treinamento suave e agradável : salvamos o estado do modelo, otimizador, agendador, iter de treinamento, você pode interromper seu treinamento e retomar o treinamento exatamente no ponto de salvamento sem alterar seu CMD de treinamento.
• Inferência em lote : pode executar a inferência usando várias imagens por lote por GPU.
• Avaliando durante o treinamento : avalie você modela todos eval_step para verificar o desempenho melhorando ou não.
• Visualização das métricas : visualize os detalhes das métricas em tensorboard, como AP, APL, APM e APS para conjunto de dados ou mapa do Coco e 20 categorias 'AP para o DAVAset.
• Download automático : carregue pesos pré-treinados do URL e cache.

Instalação

Requisitos

1. Python3
2. Pytorch 1.0 ou superior
3. yacs
4. Vizer
5. GCC> = 4.9
6. OpenEncv

Instalação passo a passo

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. 

Trem

Configurando conjuntos de dados

Pascal voc

Para o conjunto de dados Pascal VOC, faça a estrutura da pasta como esta:

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

Onde VOC_ROOT padrão é a pasta datasets no projeto atual, você pode criar symblinks para datasets ou export VOC_ROOT="/path/to/voc_root" .

COCO

Para o conjunto de dados Coco, faça a estrutura da pasta como esta:

 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
|__ ...

Onde o padrão COCO_ROOT é a pasta datasets no projeto atual, você pode criar symblinks para datasets ou export COCO_ROOT="/path/to/coco_root" .

Treinamento de GPU único

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

Treinamento 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

Os arquivos de configuração que eu forneço assumem que estamos executando em GPU único. Ao alterar o número de GPUs, o hiper-parâmetro (LR, max_iter, ...) também será alterado de acordo com este artigo: SGD de minibatch preciso e preciso: treinamento de imagenet em 1 hora.

Avaliar

Avaliação de GPU único

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

Avaliação 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

Demonstração

A imagem prevente em uma pasta é simples:

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

Em seguida, ele baixará e cache vgg_ssd300_voc0712.pth Imagens previstas automaticamente e com caixas, pontuações e nomes de etiquetas serão salvos na pasta de demo/result por padrão.

Você verá uma saída semelhante:

 (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

Modelo Zoológico

Papel de origem:

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

COCO:

Espinha dorsal	Tamanho de entrada	caixa ap	Tamanho do modelo	Download
VGG16	300	25.2	262 MB	modelo
VGG16	512	29.0	275 MB	modelo

Pascal voc:

Espinha dorsal	Tamanho de entrada	mapa	Tamanho do modelo	Download
VGG16	300	77.7	201MB	modelo
VGG16	512	80.7	207 MB	modelo
MobileNet V2	320	68.9	25,5 MB	modelo
MobileNet V3	320	69.5	29,9 MB	modelo
EficienteNET-B3	300	73.9	97,1 MB	modelo

Desenvolver guia

Se você deseja adicionar seus componentes personalizados, consulte Develop_guide.md para obter mais detalhes.

Solução de problemas

Se você tiver problemas em execução ou compilação deste código, compilamos uma lista de problemas comuns na solução de problemas.md. Se o seu problema não estiver presente lá, sinta -se à vontade para abrir um novo problema.

Citações

Se você usar este projeto em sua pesquisa, cite este projeto.

 @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}}
}