GIthub使用指北:
1.想将项目拷贝到自己帐号下就fork一下.
2.持续关注项目更新就star一下
3.watch是设置接收邮件提醒的.
Retinanet目标检测算法pytorch实现,
本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues）
由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型.
但项目代码验证无误.（但在使用时需要自己进行调整。不建议新手进行尝试。）
项目在架构上与 SSD-Pytorch 采用了相似的结构.
重用了大量SSD-Pytorch中代码,如训练器,测试器等.
本项目单机多卡,通过torch.nn.DataParallel实现,将单机环境统一包装.支持单机单卡,单机多卡,指定gpu训练及测试,但不支持多机多卡和cpu训练和测试. 不限定检测时的设备(cpu,gpu均可).
- pytorch
- opencv-python
- torchvision >= 0.3.0
- Vizer
- visdom
(均可pip安装)
| 文件夹 | 文件 | 说明 |
|---|---|---|
| Data | 数据相关 | |
| Dataloader | 数据加载器类'Our_Dataloader', 'Our_Dataloader_test' | |
| Dataset_VOC | VOC格式数据集类 | |
| Transfroms | 数据Transfroms | |
| Transfroms_tuils | Transfroms子方法 | |
| Model | 模型相关 | |
| base_models/Resnet | 支持resnet18,34,50,101,152 | |
| structs/Anchors | retinanet默认检测框生成器 | |
| structs/MutiBoxLoss | 损失函数 | |
| structs/Focal_Loss | focal_loss损失函数 | |
| structs/Fpn | 特征金字塔结构 | |
| structs/PostProcess | 后处理 | |
| structs/Predictor | 分类及回归网络 | |
| evaler | 验证器,用于在数据集上对模型进行验证(测试),计算ap,map | |
| retainnet | Retinanet模型类 | |
| trainer | 训练器,用于在数据集上训练模型 | |
| Utils | 各种工具 | |
| boxs_op | 各种框体操作,编码解码,IOU计算,框体格式转换等 | |
| Weights | 模型权重存放处 | |
| pretrained | 预训练模型权重存放处,本项目模型并没有训练完毕,因而没有上传训练好的模型,但是训练过程已经过验证 | |
| trained | 训练过程中默认模型存放处 | |
| ---- | Configs.py | 配置文件,包含了模型定义,数据以及训练过程,测试过程等的全部参数,建议备份一份再进行修改 |
| ---- | Demo_train.py | 模型训练的例子,训练过程中的模型会保存在Weights/Our/ |
| ---- | Demo_eval.py | 模型测试的例子,计算模型ap,map |
| ---- | Demo_detect_one_image.py | 检测单张图片例子 |
| ---- | Demo_detect_video.py | 视频检测例子,传入一个视频,进行检测 |
本项目配有训练,验证,检测部分的代码,所有Demo均经过测试,可直接运行.
同针对单机多卡环境的SSD目标检测算法实现(Single Shot MultiBox Detector)(简单,明了,易用,中文注释)一样,项目使用visdom进行训练过程可视化.在运行前请安装并运行visdom.
同样的,训练过程也只支持单机单卡或单机多卡环境,不支持cpu训练.
# -*- coding: utf-8 -*-
# @Author : LG
from Model import RetainNet, Trainer
from Data import vocdataset
from Configs import _C as cfg
from Data import transfrom,targettransform
# 训练数据集,VOC格式数据集, 训练数据取自 ImageSets/Main/train.txt'
train_dataset=vocdataset(cfg, is_train=True, transform=transfrom(cfg,is_train=True),
target_transform=targettransform(cfg))
# 测试数据集,VOC格式数据集, 测试数据取自 ImageSets/Main/eval.txt'
test_dataset = vocdataset(cfg=cfg, is_train=False,
transform=transfrom(cfg=cfg, is_train=False),
target_transform=targettransform(cfg))
if __name__ == '__main__':
"""
使用时,请先打开visdom
命令行 输入 pip install visdom 进行安装
输入 python -m visdom.server' 启动
"""
# 首次调用会下载resnet预训练模型
# 实例化模型. 模型的具体各种参数在Config文件中进行配置
net = RetainNet(cfg)
# 将模型移动到gpu上,cfg.DEVICE.MAINDEVICE定义了模型所使用的主GPU
net.to(cfg.DEVICE.MAINDEVICE)
# 初始化训练器,训练器参数通过cfg进行配置;也可传入参数进行配置,但不建议
trainer = Trainer(cfg)
# 训练器开始在 数据集上训练模型
trainer(net, train_dataset)验证过程支持单机多卡,单机单卡,不支持cpu.
# -*- coding: utf-8 -*-
# @Author : LG
from Model import RetainNet, Evaler
from Data import vocdataset
from Configs import _C as cfg
from Data import transfrom,targettransform
# 训练数据集,VOC格式数据集, 训练数据取自 ImageSets/Main/train.txt'
train_dataset=vocdataset(cfg, is_train=True, transform=transfrom(cfg,is_train=True),
target_transform=targettransform(cfg))
# 测试数据集,VOC格式数据集, 测试数据取自 ImageSets/Main/eval.txt'
test_dataset = vocdataset(cfg=cfg, is_train=False,
transform=transfrom(cfg=cfg, is_train=False),
target_transform=targettransform(cfg))
if __name__ == '__main__':
# 模型测试只支持GPU单卡或多卡,不支持cpu
net = RetainNet(cfg)
# 将模型移动到gpu上,cfg.DEVICE.MAINDEVICE定义了模型所使用的主GPU
net.to(cfg.DEVICE.MAINDEVICE)
# 模型从权重文件中加载权重
net.load_pretrained_weight('XXX.pkl')
# 初始化验证器,验证器参数通过cfg进行配置;也可传入参数进行配置,但不建议
evaler = Evaler(cfg, eval_devices=None)
# 验证器开始在数据集上验证模型
ap, map = evaler(model=net,
test_dataset=test_dataset)
print(ap)
print(map)单次检测过程支持单机单卡,cpu.
# -*- coding: utf-8 -*-
# @Author : LG
from Model import RetainNet
from Configs import _C as cfg
from PIL import Image
from matplotlib import pyplot as plt
# 实例化模型
net = RetainNet(cfg)
# 使用cpu或gpu
net.to('cuda')
# 模型从权重文件中加载权重
net.load_pretrained_weight('XXX.pkl')
# 打开图片
image = Image.open("XXX.jpg")
# 进行检测, 分别返回 绘制了检测框的图片数据/回归框/标签/分数.
drawn_image, boxes, labels, scores = net.Detect_single_img(image=image,score_threshold=0.5)
plt.imsave('XXX_det.jpg',drawn_image)
plt.imshow(drawn_image)
plt.show()# -*- coding: utf-8 -*-
# @Author : LG
from Model import RetainNet
from Configs import _C as cfg
# 实例化模型
net = RetainNet(cfg)
# 使用cpu或gpu
net.to('cuda')
# 模型从权重文件中加载权重
net.load_pretrained_weight('XXX.pkl')
video_path = 'XXX.mp4'
# 进行检测,
# if save_video_path不为None,则不保存视频,如需保存视频save_video_path=XXX.mp4 ,
# show=True,实时显示检测结果
net.Detect_video(video_path=video_path, score_threshold=0.02, save_video_path=None, show=True)support by jetbrains.
https://www.jetbrains.com/?from=SSD-Pytorch
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent