本文共 3663 字,大约阅读时间需要 12 分钟。
商汤科技(2018 COCO 目标检测挑战赛冠军)和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection,支持Faster-RCNN,Mask-RCNN,Fast-RCNN等主流的目标检测框架,后续会加入Cascade-RCNN以及其他一系列目标检测框架。
相比于Facebook开源的Detectron框架,作者声称mmdetection有三点优势:performance稍高、训练速度稍快、所需显存稍小。
我很早就听说了这个工具箱,但是一直没有开源。现在总算是开源了,于是就迫不及待地测试一下这个框架的效果。下面将记录一下我的测试过程,已经期间所遇到的一些坑。
2019.05.26更新了网盘里的demo.py文件,现在的demo应该可以匹配官方的最新代码了。
2019.02.22上传多个mmdetection模型,检测器包括Faster-RCNN、Mask-RCNN、RetinaNet,backbone包括Resnet-50、Resnet-101、ResNext-101,网盘链接:(密码:dpyl)
本人的系统环境:
这里推荐大家使用Anaconda,可以比较方便的创建Python虚拟环境,避免不同的Python库之间产生冲突。在安装mmdetection之前,需要安装以下几个依赖库:
下面是我的安装和测试步骤,以Anaconda 3为例。
conda create -n mmdetection python=3.6source activate mmdetection
这样就创建了名为mmdetection的Python3.6环境,并且在terminal中激活。如果不需要虚拟环境,则将下文的conda install改为pip install
conda install pytorch=1.1 -c pytorch
安装好以后,进入Python环境,输入以下代码测试是否安装成功,不报错则说明安装成功
import torch
conda install cython
官方代码已更新,直接运行下一步就可以自动安装所有依赖库了
git clone https://github.com/open-mmlab/mmdetection.gitcd mmdetectionpython setup.py develop
到此,我们就完成了mmdetection及其依赖库的安装
将下方的代码写入py文件,并存放到mmdetection文件夹目录下,然后运行。该代码的功能是检测图片中的目标,测试模型是官方给出的Faster-RCNN-fpn-resnet50的模型,运行代码会自动下载模型。由于模型是存储在亚马逊云服务器上,速度可能会稍慢,如果下载失败可以通过我的网盘链接(密码:dpyl)进行下载,存放到mmdetection文件夹目录下,然后修改下方代码的相关部分
from mmdet.apis import init_detector, inference_detector, show_result # 首先下载模型文件https://s3.ap-northeast-2.amazonaws.com/open-mmlab/mmdetection/models/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pthconfig_file = 'configs/faster_rcnn_r50_fpn_1x.py'checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth' # 初始化模型model = init_detector(config_file, checkpoint_file) # 测试一张图片img = 'test.jpg'result = inference_detector(model, img)show_result(img, result, model.CLASSES) # 测试一系列图片imgs = ['test1.jpg', 'test2.jpg']for i, result in enumerate(inference_detector(model, imgs, device='cuda:0')): show_result(imgs[i], result, model.CLASSES, out_file='result_{}.jpg'.format(i))
mmdetection支持coco格式和voc格式的数据集,下面将分别介绍这两种数据集的使用方式
mmdetection├── mmdet├── tools├── configs├── data│ ├── coco│ │ ├── annotations│ │ ├── train2017│ │ ├── val2017│ │ ├── test2017
推荐以软连接的方式创建data文件夹,下面是创建软连接的步骤
cd mmdetectionmkdir dataln -s $COCO_ROOT data
其中,$COCO_ROOT需改为你的coco数据集根目录
mmdetection├── mmdet├── tools├── configs├── data│ ├── VOCdevkit│ │ ├── VOC2007│ │ │ ├── Annotations│ │ │ ├── JPEGImages│ │ │ ├── ImageSets│ │ │ │ ├── Main│ │ │ │ │ ├── test.txt│ │ │ │ │ ├── trainval.txt
同样推荐以软连接的方式创建
cd mmdetectionmkdir dataln -s $VOC2007_ROOT data/VOCdevkit
其中,$VOC2007_ROOT需改为你的VOC2007数据集根目录
如果需要标注自己的数据,推荐使用工具标注
官方推荐使用分布式的训练方式,这样速度更快,如果是coco训练集,修改CONFIG_FILE中的pretrained参数,改为你的模型路径,然后运行下方代码
./tools/dist_train.sh[optional arguments]
如果是voc训练集,还需要修改config文件中的相关参数,可以参考 faster_rcnn_r50_mod.py (上方网盘地址中有),然后再运行上面的代码
如果不想采用分布式的训练方式,或者你只有一块显卡,则运行下方的代码
python tools/train.py--gpus --work_dir
至此,如果一切顺利的话,你的模型应该就开始训练了
转载地址:http://ojqqd.baihongyu.com/