SSD下载 - SSD源代码下载

SSD

Python

More modular!

下载

pytorch 1.0中SSD的高质量，快速，模块化参考实现

该存储库实现了SSD（单拍的多伯克斯检测器）。该实施受到SSD.Pytorch，Pytorch-SSD和MaskRCNN基准的项目的严重影响。该存储库旨在成为基于SSD的研究的代码基础。

示例SSD输出（VGG_SSD300_VOC0712）。

损失	学习率	指标

亮点

Pytorch 1.0 ：支持Pytorch 1.0或更高。
多GPU培训和推理：我们使用DistributedDataParallel ，您可以使用任意GPU进行训练或测试，培训模式将相应地改变。
模块化：添加自己的模块而不会痛苦。我们抽象backbone ， Detector ， BoxHead ， BoxPredictor等。您可以用自己的代码替换每个组件，而无需更改代码库。例如，您可以添加ExtricNET作为骨干网，只需添加efficient_net.py （已经添加）并在配置文件中进行注册，它已经完成了！
CPU支持推理：在推理时间内在CPU上运行。
流畅而愉快的培训程序：我们节省了模型，优化器，调度程序，培训ITER的状态，您可以在不更改培训CMD的情况下完全停止训练和恢复培训。
批处理推断：可以使用每个GPU的批次使用多个图像执行推理。
在培训期间评估：评估您对每个eval_step进行建模，以检查性能是否改善。
指标可视化：可视化指标详细信息，例如可可数据集或MAP的AP，APL，APM和APS以及VOC数据集的20个类别的AP。
自动下载：从URL加载预训练的权重并缓存。

安装

要求

python3
Pytorch 1.0或更高
yacs
Vizer
GCC> = 4.9
OPENCV

分步安装

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.

火车

设置数据集

Pascal VOC

对于Pascal VOC数据集，将其制作这样的文件夹结构：

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

在当前项目中， VOC_ROOT默认值为datasets集文件夹，您可以为datasets创建符号链接或export VOC_ROOT="/path/to/voc_root" 。

可可

对于可可数据集，使文件夹结构这样：

 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
|__ ...

在当前项目中可可COCO_ROOT默认值为datasets集文件夹，您可以为datasets创建符号链接或export COCO_ROOT="/path/to/coco_root" 。

单GPU培训

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

多GPU培训

 # 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

我提供的配置文件假设我们正在单个GPU上运行。在更改GPU的数量时，超参数（LR，MAX_ITER，...）也将根据本文更改：准确，大型Minibatch SGD：1小时内训练Imagenet。

评价

单GPU评估

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

多GPU评估

 # 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

演示

在文件夹中预测图像很简单：

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

然后，它将自动下载和缓存vgg_ssd300_voc0712.pth ，并默认情况下将带有框，得分和标签名称的图像保存到demo/result文件夹。

您会看到类似的输出：

 (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

模型动物园

起源论文：

	VOC2007测试	可可测试-DEV2015
SSD300*	77.2	25.1
SSD512*	79.8	28.8

可可：

骨干	输入大小	盒子AP	型号大小	下载
VGG16	300	25.2	262MB	模型
VGG16	512	29.0	275MB	模型

Pascal VOC：

骨干	输入大小	地图	型号大小	下载
VGG16	300	77.7	201MB	模型
VGG16	512	80.7	207MB	模型
Mobilenet V2	320	68.9	25.5MB	模型
Mobilenet V3	320	69.5	29.9MB	模型
有效网络-B3	300	73.9	97.1MB	模型

开发指南

如果要添加自定义组件，请参阅develop_guide.md了解更多详细信息。

故障排除

如果您遇到运行或编译此代码的问题，我们已经编制了故障排除中的常见问题列表。如果您的问题不存在，请随时打开新问题。

引用

如果您在研究中使用此项目，请引用该项目。

 @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}}
}

展开

附加信息