ssd.pytorch

SSD：pytorch中的单镜头多伯克斯对象检测器

Wei Liu，Dragomir Anguelov，Dumitru Erhan，Christian Szegedy，Scott Reed，Cheng-Yang，Cheng-Yang和Alexander C. Berg的2016年论文中的单杆Multibox检测器实施了Pytorch。可以在此处找到官方和原始的咖啡式代码。

目录

• 安装
• 数据集
• 火车
• 评价
• 表现
• 演示
• 未来的工作
• 参考

安装

• 通过在网站上选择环境并运行适当的命令来安装Pytorch。
• 克隆这个存储库。
  • 注意：我们目前仅支持Python 3+。
• 然后按照以下说明下载数据集。
• 现在，我们支持训练期间实时损失可视化的vigns！
  • 在浏览器中使用vision：

   # First install Python server and client
  pip install visdom
  # Start the server (probably in a screen or tmux)
  python -m visdom.server

  • 然后（在培训期间）导航到http：// localhost：8097/（有关培训详细信息，请参见下面的火车部分）。
• 注意：对于培训，我们目前支持VOC和可可，并旨在尽快增加ImageNet支持。

数据集

为了使事情变得简单，我们提供BASH脚本来处理数据集下载和为您设置。我们还提供了简单的数据集加载程序，该加载程序继承了torch.utils.data.Dataset ，使其与torchvision.datasets API完全兼容。

可可

Microsoft Coco：上下文中的常见对象

下载可可2014

 # specify a directory for dataset to be downloaded into, else default is ~/data/
sh data/scripts/COCO2014.sh

VOC数据集

Pascal VOC：视觉对象类

下载VOC2007 TrainVal＆Test

 # specify a directory for dataset to be downloaded into, else default is ~/data/
sh data/scripts/VOC2007.sh # <directory> 

下载VOC2012 TrainVal

 # specify a directory for dataset to be downloaded into, else default is ~/data/
sh data/scripts/VOC2012.sh # <directory> 

培训SSD

• 首先下载FC降低的VGG-16 Pytorch基本网络权重：
• 默认情况下，我们假设您已在ssd.pytorch/weights dir中下载了该文件：

mkdir weights
cd weights
wget https://s3.amazonaws.com/amdegroot-models/vgg16_reducedfc.pth

• 要使用火车脚本进行训练SSD，只需将train.py中列出的参数指定为标志或手动更改它们即可。

python train.py

• 笔记：
  • 对于训练，强烈建议使用NVIDIA GPU以达到速度。
  • 有关视觉使用/安装的说明，请参见“安装”部分。
  • 您可以通过将路径指定为培训参数之一（再次，请参阅train.py ，请参阅选项），从检查站进行培训。

评估

评估训练有素的网络：

python eval.py

您可以通过标记或手动更改eval.py文件中列出的参数。

表现

VOC2007测试

地图

原来的	转换为Weiliu89的重量	从划痕/o数据8月	从划痕/数据八月
77.2％	77.26％	58.12％	77.43％

FPS

GTX 1060： 〜45.45 fps

演示

使用预训练的SSD网络进行检测

下载预训练的网络

• 我们正在尝试提供在不同数据集中训练的最新SSD模型定义的pytorch state_dicts （重量张量）。
• 目前，我们提供以下Pytorch模型：
  • SSD300在VOC0712（最新的Pytorch重量）上培训
    • https://s3.amazonaws.com/amdegroot-models/ssd300_map_77.43_v2.pth
  • SSD300在VOC0712上训练（原始咖啡馆）
    • https://s3.amazonaws.com/amdegroot-models/ssd_300_voc0712.pth
• 我们的目标是从原始论文中复制这张桌子

尝试演示笔记本

• 确保已安装了Jupyter笔记本。
• 安装Jupyter笔记本的两种替代方法：

  1. 如果您安装了带有conda的pytorch（建议），则应该已经拥有它了。 （只需导航到SSD.Pytorch克隆回购并运行）： jupyter notebook

  2. 如果使用PIP：

 # make sure pip is upgraded
pip3 install --upgrade pip
# install jupyter notebook
pip install jupyter
# Run this inside ssd.pytorch
jupyter notebook

• 现在在http：// localhost：8888（默认情况下）导航到demo/demo.ipynb ，并在其中！

尝试网络摄像头演示

• 在CPU上工作（可能必须调整cv2.waitkey以获得最佳FPS）或NVIDIA GPU
• 该演示当前需要OpenCV2+ W/ Python绑定和板载网络摄像头
  • 您可以更改demo/live.py中的默认网络摄像头
• 安装Imutils软件包以利用CPU上的多线程：
  • pip install imutils
• 运行python -m demo.live打开网络摄像头并开始检测！

托多

我们积累了以下待办事项清单，我们希望在不久的将来完成

• 仍将到来：
  • 支持MS可可数据集
  • 支持SSD512培训和测试
  • 支持自定义数据集培训

作者

• 最大degroot
• 埃利斯·布朗

注意：不幸的是，这只是我们的爱好，而不是全职工作，因此我们将尽力保持最新状态，但不能保证。话虽如此，感谢大家的持续帮助和反馈，这是非常感谢的。我们将尝试尽快解决所有问题。

参考

• Wei Liu等。 “ SSD：单枪Multibox检测器。” ECCV2016。
• 原始实施（Caffe）
• 非常感谢Alex Koltun及其在WebyClip的团队在完成数据增强部分方面的帮助。
• 其他伟大的SSD端口列表，这些端口是灵感来源（尤其是Chainer Repo）：
  • Chainer，Keras，Mxnet，TensorFlow