ssd.pytorch

SSD：pytorch中的單鏡頭多伯克斯對象檢測器

Wei Liu，Dragomir Anguelov，Dumitru Erhan，Christian Szegedy，Scott Reed，Cheng-Yang，Cheng-Yang和Alexander C. Berg的2016年論文中的單桿Multibox檢測器實施了Pytorch。可以在此處找到官方和原始的咖啡式代碼。

目錄

• 安裝
• 數據集
• 火車
• 評價
• 表現
• 演示
• 未來的工作
• 參考

安裝

• 通過在網站上選擇環境並運行適當的命令來安裝Pytorch。
• 克隆這個存儲庫。
  • 注意：我們目前僅支持Python 3+。
• 然後按照以下說明下載數據集。
• 現在，我們支持訓練期間實時損失可視化的vigns！
  • 在瀏覽器中使用vision：

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

  • 然後（在培訓期間）導航到http：// localhost：8097/（有關培訓詳細信息，請參見下面的火車部分）。
• 注意：對於培訓，我們目前支持VOC和可可，並旨在盡快增加ImageNet支持。

數據集

為了使事情變得簡單，我們提供BASH腳本來處理數據集下載和為您設置。我們還提供了簡單的數據集加載程序，該加載程序繼承了torch.utils.data.Dataset ，使其與torchvision.datasets API完全兼容。

可可

Microsoft Coco：上下文中的常見對象

下載可可2014

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

VOC數據集

Pascal VOC：視覺對像類

下載VOC2007 TrainVal＆Test

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

下載VOC2012 TrainVal

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

培訓SSD

• 首先下載FC降低的VGG-16 Pytorch基本網絡權重：
• 默認情況下，我們假設您已在ssd.pytorch/weights dir中下載了該文件：

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

• 要使用火車腳本進行訓練SSD，只需將train.py中列出的參數指定為標誌或手動更改它們即可。

python train.py

• 筆記：
  • 對於訓練，強烈建議使用NVIDIA GPU以達到速度。
  • 有關視覺使用/安裝的說明，請參見“安裝”部分。
  • 您可以通過將路徑指定為培訓參數之一（再次，請參閱train.py ，請參閱選項），從檢查站進行培訓。

評估

評估訓練有素的網絡：

python eval.py

您可以通過標記或手動更改eval.py文件中列出的參數。

表現

VOC2007測試

地圖

原來的	轉換為Weiliu89的重量	從划痕/o數據8月	從划痕/數據八月
77.2％	77.26％	58.12％	77.43％

FPS

GTX 1060： 〜45.45 fps

演示

使用預訓練的SSD網絡進行檢測

下載預訓練的網絡

• 我們正在嘗試提供在不同數據集中訓練的最新SSD模型定義的pytorch state_dicts （重量張量）。
• 目前，我們提供以下Pytorch模型：
  • SSD300在VOC0712（最新的Pytorch重量）上培訓
    • https://s3.amazonaws.com/amdegroot-models/ssd300_map_77.43_v2.pth
  • SSD300在VOC0712上訓練（原始咖啡館）
    • https://s3.amazonaws.com/amdegroot-models/ssd_300_voc0712.pth
• 我們的目標是從原始論文中復制這張桌子

嘗試演示筆記本

• 確保已安裝了Jupyter筆記本。
• 安裝Jupyter筆記本的兩種替代方法：

  1. 如果您安裝了帶有conda的pytorch（建議），則應該已經擁有它了。 （只需導航到SSD.Pytorch克隆回購併運行）： 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

• 現在在http：// localhost：8888（默認情況下）導航到demo/demo.ipynb ，並在其中！

嘗試網絡攝像頭演示

• 在CPU上工作（可能必須調整cv2.waitkey以獲得最佳FPS）或NVIDIA GPU
• 該演示當前需要OpenCV2+ W/ Python綁定和板載網絡攝像頭
  • 您可以更改demo/live.py中的默認網絡攝像頭
• 安裝Imutils軟件包以利用CPU上的多線程：
  • pip install imutils
• 運行python -m demo.live打開網絡攝像頭並開始檢測！

托多

我們積累了以下待辦事項清單，我們希望在不久的將來完成

• 仍將到來：
  • 支持MS可可數據集
  • 支持SSD512培訓和測試
  • 支持自定義數據集培訓

作者

• 最大degroot
• 埃利斯·布朗

注意：不幸的是，這只是我們的愛好，而不是全職工作，因此我們將盡力保持最新狀態，但不能保證。話雖如此，感謝大家的持續幫助和反饋，這是非常感謝的。我們將嘗試盡快解決所有問題。

參考

• Wei Liu等。 “ SSD：單槍Multibox檢測器。” ECCV2016。
• 原始實施（Caffe）
• 非常感謝Alex Koltun及其在WebyClip的團隊在完成數據增強部分方面的幫助。
• 其他偉大的SSD端口列表，這些端口是靈感來源（尤其是Chainer Repo）：
  • Chainer，Keras，Mxnet，TensorFlow