SSD下載 - SSD源代碼下載

SSD

Python

More modular!

下載

pytorch 1.0中SSD的高質量，快速，模塊化參考實現

該存儲庫實現了SSD（單拍的多伯克斯檢測器）。該實施受到SSD.Pytorch，Pytorch-SSD和MaskRCNN基準的項目的嚴重影響。該存儲庫旨在成為基於SSD的研究的代碼基礎。

示例SSD輸出（VGG_SSD300_VOC0712）。

損失	學習率	指標

亮點

Pytorch 1.0 ：支持Pytorch 1.0或更高。
多GPU培訓和推理：我們使用DistributedDataParallel ，您可以使用任意GPU進行訓練或測試，培訓模式將相應地改變。
模塊化：添加自己的模塊而不會痛苦。我們抽象backbone ， Detector ， BoxHead ， BoxPredictor等。您可以用自己的代碼替換每個組件，而無需更改代碼庫。例如，您可以添加ExtricNET作為骨幹網，只需添加efficient_net.py （已經添加）並在配置文件中進行註冊，它已經完成了！
CPU支持推理：在推理時間內在CPU上運行。
流暢而愉快的培訓程序：我們節省了模型，優化器，調度程序，培訓ITER的狀態，您可以在不更改培訓CMD的情況下完全停止訓練和恢復培訓。
批處理推斷：可以使用每個GPU的批次使用多個圖像執行推理。
在培訓期間評估：評估您對每個eval_step進行建模，以檢查性能是否改善。
指標可視化：可視化指標詳細信息，例如可可數據集或MAP的AP，APL，APM和APS以及VOC數據集的20個類別的AP。
自動下載：從URL加載預訓練的權重並緩存。

安裝

要求

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

分步安裝

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.

火車

設置數據集

Pascal VOC

對於Pascal VOC數據集，將其製作這樣的文件夾結構：

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

在當前項目中， VOC_ROOT默認值為datasets集文件夾，您可以為datasets創建符號鏈接或export VOC_ROOT="/path/to/voc_root" 。

可可

對於可可數據集，使文件夾結構這樣：

 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
|__ ...

在當前項目中可可COCO_ROOT默認值為datasets集文件夾，您可以為datasets創建符號鏈接或export COCO_ROOT="/path/to/coco_root" 。

單GPU培訓

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

多GPU培訓

 # 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設我們正在單個GPU上運行。在更改GPU的數量時，超參數（LR，MAX_ITER，...）也將根據本文更改：準確，大型Minibatch SGD：1小時內訓練Imagenet。

評價

單GPU評估

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

多GPU評估

 # 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

在文件夾中預測圖像很簡單：

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

然後，它將自動下載和緩存vgg_ssd300_voc0712.pth ，並默認情況下將帶有框，得分和標籤名稱的圖像保存到demo/result文件夾。

您會看到類似的輸出：

 (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

模型動物園

起源論文：

	VOC2007測試	可可測試-DEV2015
SSD300*	77.2	25.1
SSD512*	79.8	28.8

可可：

骨幹	輸入大小	盒子AP	型號大小	下載
VGG16	300	25.2	262MB	模型
VGG16	512	29.0	275MB	模型

Pascal VOC：

骨幹	輸入大小	地圖	型號大小	下載
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
有效網絡-B3	300	73.9	97.1MB	模型

開髮指南

如果要添加自定義組件，請參閱develop_guide.md了解更多詳細信息。

故障排除

如果您遇到運行或編譯此代碼的問題，我們已經編制了故障排除中的常見問題列表。如果您的問題不存在，請隨時打開新問題。

引用

如果您在研究中使用此項目，請引用該項目。

 @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}}
}

展開

附加信息