หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

คุณภาพสูงการอ้างอิงแบบแยกส่วนของ SSD ใน Pytorch 1.0

ที่เก็บนี้ใช้ SSD (เครื่องตรวจจับ multibox shot single) การดำเนินการได้รับอิทธิพลอย่างมากจากโครงการ SSD.Pytorch, Pytorch-SSD และ Maskrcnn-benchmark ที่เก็บนี้มีจุดมุ่งหมายที่จะเป็นฐานรหัสสำหรับการวิจัยตาม SSD

ตัวอย่างเอาต์พุต SSD (VGG_SSD300_VOC0712)

การสูญเสีย อัตราการเรียนรู้ ตัวชี้วัด
การสูญเสียLRตัวชี้วัด

ไฮไลท์

  • Pytorch 1.0 : สนับสนุน Pytorch 1.0 หรือสูงกว่า
  • การฝึกอบรมและการอนุมานแบบหลาย GPU : เราใช้ DistributedDataParallel คุณสามารถฝึกอบรมหรือทดสอบด้วย GPU โดยพลการสคีมาการฝึกอบรมจะเปลี่ยนไปตามนั้น
  • Modular : เพิ่มโมดูลของคุณเองโดยไม่มีอาการปวด เรานามธรรม backbone , Detector , BoxHead , BoxPredictor ฯลฯ คุณสามารถแทนที่ทุกองค์ประกอบด้วยรหัสของคุณเองโดยไม่ต้องเปลี่ยนฐานรหัส ตัวอย่างเช่นคุณสามารถเพิ่ม EfficientNet เป็น Backbone เพียงเพิ่ม efficient_net.py (เพิ่มแล้ว) และลงทะเบียนเฉพาะเฉพาะในไฟล์ config มันเสร็จสิ้นแล้ว!
  • การสนับสนุน CPU สำหรับการอนุมาน : ทำงานบน CPU ในเวลาอนุมาน
  • ขั้นตอนการฝึกอบรมที่ราบรื่นและสนุกสนาน : เราบันทึกสถานะของแบบจำลองเครื่องมือเพิ่มประสิทธิภาพตัวกำหนดตารางเวลาการฝึกซ้อมคุณสามารถหยุดการฝึกอบรมและการฝึกอบรมต่อจากจุดบันทึกโดยไม่เปลี่ยนการฝึกอบรม CMD ของคุณ
  • การอนุมานแบบแบทช์ : สามารถทำการอนุมานโดยใช้หลายภาพต่อชุดต่อ GPU
  • การประเมินในระหว่างการฝึกอบรม : ประเมินคุณเป็นแบบจำลองทุก eval_step เพื่อตรวจสอบประสิทธิภาพการปรับปรุงหรือไม่
  • การสร้างภาพตัวชี้วัด : แสดงภาพรายละเอียดตัวชี้วัดใน Tensorboard เช่น AP, APL, APM และ APS สำหรับชุดข้อมูล Coco หรือ MAP และ 20 หมวดหมู่ 'AP สำหรับชุดข้อมูล VOC
  • ดาวน์โหลดอัตโนมัติ : โหลดน้ำหนักที่ได้รับการฝึกอบรมล่วงหน้าจาก URL และแคช

การติดตั้ง

ความต้องการ

  1. Python3
  2. Pytorch 1.0 หรือสูงกว่า
  3. YACS
  4. เครื่องตัดเย็บ
  5. gcc> = 4.9
  6. opencv

การติดตั้งทีละขั้นตอน 

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.

รถไฟ

การตั้งค่าชุดข้อมูล

Pascal VOC

สำหรับชุดข้อมูล Pascal VOC ให้สร้างโครงสร้างโฟลเดอร์เช่นนี้: 

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

โดยที่ค่าเริ่มต้น VOC_ROOT เป็นโฟลเดอร์ชุด datasets ในโครงการปัจจุบันคุณสามารถสร้าง Symlinks ไปยัง datasets หรือ export VOC_ROOT="/path/to/voc_root"

โกโก้

สำหรับชุดข้อมูล Coco ให้สร้างโครงสร้างโฟลเดอร์เช่นนี้: 

 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
|__ ...

โดยที่ COCO_ROOT ค่าเริ่มต้นคือโฟลเดอร์ชุด datasets ในโครงการปัจจุบันคุณสามารถสร้าง symlinks ไปยัง datasets หรือ export COCO_ROOT="/path/to/coco_root"

การฝึกอบรม GPU เดี่ยว 

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

การฝึกอบรมหลาย 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

ไฟล์การกำหนดค่าที่ฉันให้ไว้สมมติว่าเรากำลังทำงานบน GPU เดียว เมื่อเปลี่ยนจำนวน GPU, พารามิเตอร์ไฮเปอร์ (LR, Max_iter, ... ) ก็จะเปลี่ยนไปตามบทความนี้: Minibatch ขนาดใหญ่ SGD ขนาดใหญ่: การฝึกอบรม Imagenet ใน 1 ชั่วโมง

ประเมิน

การประเมิน GPU เดี่ยว 

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

การประเมินแบบหลาย 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

การสาธิต

การทำนายภาพในโฟลเดอร์นั้นง่าย: 

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

จากนั้นจะดาวน์โหลดและแคช vgg_ssd300_voc0712.pth โดยอัตโนมัติและทำนายภาพด้วยกล่องคะแนนและชื่อฉลากจะบันทึกไปยัง demo/result ตามค่าเริ่มต้น

คุณจะเห็นผลลัพธ์ที่คล้ายกัน: 

 (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

สวนสัตว์รุ่น

กระดาษต้นกำเนิด:

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

Coco:

กระดูกสันหลัง ขนาดอินพุต กล่อง AP ขนาดรุ่น การดาวน์โหลด
VGG16 300 25.2 262MB แบบอย่าง
VGG16 512 29.0 275MB แบบอย่าง

Pascal VOC:

กระดูกสันหลัง ขนาดอินพุต แผนที่ ขนาดรุ่น การดาวน์โหลด
VGG16 300 77.7 201MB แบบอย่าง
VGG16 512 80.7 207MB แบบอย่าง
Mobilenet v2 320 68.9 25.5MB แบบอย่าง
Mobilenet v3 320 69.5 29.9MB แบบอย่าง
Efficientnet-B3 300 73.9 97.1MB แบบอย่าง

พัฒนาคู่มือ

หากคุณต้องการเพิ่มส่วนประกอบที่กำหนดเองของคุณโปรดดู Develop_Guide.md สำหรับรายละเอียดเพิ่มเติม

การแก้ไขปัญหา

หากคุณมีปัญหาในการรันหรือรวบรวมรหัสนี้เราได้รวบรวมรายการปัญหาทั่วไปในการแก้ไขปัญหา หากปัญหาของคุณไม่ได้อยู่ที่นั่นโปรดเปิดปัญหาใหม่

การอ้างอิง

หากคุณใช้โครงการนี้ในการวิจัยของคุณโปรดอ้างอิงโครงการนี้ 

 @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}}
}
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด