faster_rcnn_pytorch

Быстрее Rcnn с pytorch

Примечание: в этом проекте я заново внедрил RCNN, когда начал изучать Pytorch. Затем я использую Pytorch во всех своих проектах. Я до сих пор помню, что мне стоило одна неделя выяснить, как создать код CUDA в качестве слоя Pytorch :). Но на самом деле это не хорошая реализация, и я не достиг той же карты, что и исходный код Caffe.

Этот проект больше не поддерживается и может не совместим с новым пирогом (после 0,4,0). Итак, я предлагаю:

• Вы все еще можете прочитать и изучать этот код, если вы хотите переосмыслить быстрее RCNN самостоятельно;
• Вы можете использовать лучшую реализацию Pytorch Ruotianluo или Detectron.pytorch, если вы хотите обучиться более быстрому RCNN с вашими собственными данными;

Это реализация Pytorch более быстрого RCNN. Этот проект в основном основан на PY-FAST-RCNN и TFFRCNN.

Для получения подробной информации о R-CNN, пожалуйста, обратитесь к бумаге быстрее R-CNN: к обнаружению объектов в реальном времени с сети предложений региона Шаоцином Реном, Kaiming HE, Ross Girshick, Jian Sun.

Прогресс

• Вперед для обнаружения
• Объединение ROI с расширениями C на процессоре (только вперед)
• Объединение ROI на графическом процессоре (вперед и назад)
• Обучение на VOC2007
• Тенробоарная поддержка
• Оценка

Установка и демонстрация

0. Установите требования (вы можете использовать PIP или Anaconda):

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

1. Клонировать более быстрый репозиторий R-CNN

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

2. Создайте модули цинтона для NMS и слоя roi_pooling

    cd faster_rcnn_pytorch/faster_rcnn
   ./make.sh

3. Загрузите обученную модель vggnet_fast_rcnn_iter_70000.h5 (обновлена) и установите путь модели в demo.py

4. Запустить демонстрацию python demo.py

Обучение на Pascal VOC 2007

Следуйте этому проекту (TFFRCNN), чтобы загрузить и подготовить обучение, валидацию, тестовые данные и модель VGG16, предварительно обученную на ImageNet.

Поскольку программа, загружающая данные в faster_rcnn_pytorch/data по умолчанию, вы можете установить путь данных следующим образом.

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

Затем вы можете установить некоторые гиперпараметры в train.py и параметры обучения в файле .yml .

Теперь я получил карту 0,661 на VOC07, в то время как оригинальная бумага получила карту 0,699. Возможно, вам потребуется настроить функцию потери, определенную в faster_rcnn/faster_rcnn.py самостоятельно.

Тренировка с тенденсорным дозом

С помощью Crayon мы можем получить доступ к силе визуализации Tensorboard для любой структуры глубокого обучения.

Чтобы использовать Tensorboard, установите Crayon (https://github.com/torrvision/crayon) и установите use_tensorboard = True in faster_rcnn/train.py .

Оценка

Установите путь обученной модели в test.py

 cd faster_rcnn_pytorch
mkdir output
python test.py

Лицензия: лицензия MIT (MIT)