faster_rcnn_pytorch

rcnn เร็วขึ้นด้วย pytorch

หมายเหตุ: ฉันใช้งาน RCNN ที่เร็วขึ้นอีกครั้งในโครงการนี้เมื่อฉันเริ่มเรียนรู้ Pytorch จากนั้นฉันก็ใช้ Pytorch ในโครงการทั้งหมดของฉัน ฉันยังจำได้ว่ามันมีค่าใช้จ่ายหนึ่งสัปดาห์สำหรับฉันที่จะหาวิธีสร้างรหัส cuda เป็นเลเยอร์ pytorch :) แต่ที่จริงแล้วนี่ไม่ใช่การใช้งานที่ดีและฉันไม่ได้ทำแผนที่เดียวกันกับรหัสคาเฟอีนดั้งเดิม

โครงการนี้ไม่ได้รับการดูแลอีกต่อไปและอาจไม่สามารถใช้งานได้กับ Pytorch ใหม่ล่าสุด (หลังจาก 0.4.0) ดังนั้นฉันขอแนะนำ:

• คุณยังสามารถอ่านและศึกษารหัสนี้ได้หากคุณต้องการดำเนินการ RCNN ที่เร็วขึ้นด้วยตัวเองอีกครั้ง
• คุณสามารถใช้การใช้งาน Pytorch ที่ดีกว่าโดย Ruotianluo หรือ Detectron.pytorch หากคุณต้องการฝึก RCNN ที่เร็วขึ้นด้วยข้อมูลของคุณเอง

นี่คือการใช้งาน Pytorch ของ RCNN ที่เร็วขึ้น โครงการนี้ส่วนใหญ่ขึ้นอยู่กับ py-rcnn และ tffrcnn

สำหรับรายละเอียดเกี่ยวกับ R-CNN โปรดดูที่กระดาษที่เร็วขึ้น R-CNN: ไปสู่การตรวจจับวัตถุแบบเรียลไทม์กับเครือข่ายข้อเสนอภูมิภาคโดย Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun

ความคืบหน้า

• ส่งต่อสำหรับการตรวจจับ
• ROI Pooling Layer พร้อมส่วนขยาย C ใน CPU (ไปข้างหน้าเท่านั้น)
• ROI Pooling Layer บน GPU (ไปข้างหน้าและย้อนกลับ)
• การฝึกอบรมเกี่ยวกับ VOC2007
• การสนับสนุน Tensroboard
• การประเมิน

การติดตั้งและการสาธิต

0. ติดตั้งข้อกำหนด (คุณสามารถใช้ PIP หรือ Anaconda):

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

1. โคลนที่เก็บ R-CNN ที่เร็วขึ้น

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

2. สร้างโมดูล cython สำหรับ NMS และชั้น ROI_Pooling

    cd faster_rcnn_pytorch/faster_rcnn
   ./make.sh

3. ดาวน์โหลดรุ่นที่ผ่านการฝึกอบรม vggnet_fast_rcnn_iter_70000.h5 (อัปเดต) และตั้งค่าเส้นทางโมเดลใน demo.py

4. เรียกใช้ Demo python demo.py

การฝึกอบรมเกี่ยวกับ Pascal VOC 2007

ติดตามโครงการนี้ (TFFRCNN) เพื่อดาวน์โหลดและเตรียมการฝึกอบรมการตรวจสอบความถูกต้องข้อมูลทดสอบและรุ่น VGG16 ที่ได้รับการฝึกอบรมล่วงหน้าบน Imagenet

เนื่องจากโปรแกรมที่โหลดข้อมูลใน faster_rcnn_pytorch/data โดยค่าเริ่มต้นคุณสามารถตั้งค่าเส้นทางข้อมูลได้ดังต่อไปนี้

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

จากนั้นคุณสามารถตั้งค่าพารามิเตอร์ hyper-parameters ใน train.py และพารามิเตอร์การฝึกอบรมในไฟล์. .yml

ตอนนี้ฉันได้แผนที่ 0.661 บน VOC07 ในขณะที่กระดาษต้นกำเนิดมีแผนที่ 0.699 คุณอาจต้องปรับฟังก์ชั่นการสูญเสียที่กำหนดไว้ใน faster_rcnn/faster_rcnn.py ด้วยตัวเอง

การฝึกอบรมกับ Tensorboard

ด้วยความช่วยเหลือของดินสอสีเราสามารถเข้าถึงพลังการสร้างภาพของ Tensorboard สำหรับกรอบการเรียนรู้ที่ลึกซึ้ง

หากต้องการใช้ tensorboard ให้ติดตั้ง Crayon (https://github.com/torrvision/crayon) และตั้งค่า use_tensorboard = True ใน faster_rcnn/train.py

การประเมิน

ตั้งค่าเส้นทางของแบบจำลองที่ผ่านการฝึกอบรมใน test.py

 cd faster_rcnn_pytorch
mkdir output
python test.py

ใบอนุญาต: ใบอนุญาต MIT (MIT)