1
| 本文作者： AI研習社-譯站 | 2018-05-03 14:27 |
雷鋒網按：本文為雷鋒字幕組編譯的Github項目，原標題A Pytorch Implementation of Detectron，作者為 roytseng-tw。
翻譯 | 楊婉迪 陳明霏 整理 | 凡江
使用Detectron預訓練權重輸出 *e2e_mask_rcnn-R-101-FPN_2x* 的示例
從Detectron輸出的相關示例
使用Detectron預訓練權重輸出 *e2e_keypoint_rcnn-R-50-FPN_s1x*的示例
這個代碼是按照Detectron的安裝架構來實現的，僅支持部分功能性，你可以通過點擊此鏈接來獲取更多相關信息。
通過這個代碼，你可以……
根據草圖訓練模型；
通過使用Detectron中得到預訓練權重(*.pk)來進行推斷；
這個儲存器最早是建在jwyang/faster-rcnn.pytorch上的，但是經過多次的修改，這個結構已經變了很多了而且現在更類似于Detectron。為了直接從正式的預訓練權重文件中重新得到結果，我刻意將所有東西弄得和Detectron的運行方法相似或者一致了。
這個工具有以下特征：
這個完全是Pytorch代碼，當然了，也有一些CUDA代碼。
它支持多圖像的批處理加工訓練。
它支持多GPUs 訓練。
它支持三種合并方法，但是需要注意的是只有roi align能被改進去匹配 Caffe2的安裝。所以，盡管去用就好了。
它可以高效利用內存。對于數據的批處理，這兒有兩種可選擇的技術去減少顯存使用量：1）根據類別分組：同批次的一組圖像是有相似的類別比率 2)根據類別剪裁：剪裁圖像太長了。 類別分組是在Detectron運行，所以用來默認，類別剪裁是來自jwyang/faster-rcnn.pytorch，所以它不能用來默認。
除此之外，我提供一個定制化的模型nn.DataParallel ，它能夠使不同批次混亂的型號出現在不同的繪圖處理器上。你可以在My nn.DataParallel 這節找到更多關于這個的詳細內容。
支持的網絡模型
主要架構：
ResNet series: ResNet50_conv4_body, ResNet50_conv5_body, ResNet101_Conv4_Body, ResNet101_Conv5_Body, ResNet152_Conv5_Body
FPN: fpn_ResNet50_conv5_body, fpn_ResNet50_conv5_P2only_body, fpn_ResNet101_conv5_body,fpn_ResNet101_conv5_P2only_body, fpn_ResNet152_conv5_body, fpn_ResNet152_conv5_P2only_body
ResNeXt也被運行了但是還沒有測試。
Box head: ResNet_roi_conv5_head, roi_2mlp_head
Mask head: mask_rcnn_fcn_head_v0upshare, mask_rcnn_fcn_head_v0up, mask_rcnn_fcn_head_v1up4convs, mask_rcnn_fcn_head_v1up
Keypoints head: roi_pose_head_v1convX
注意：這個命名和那個用在Detectron的是相似的。只是刪掉前置的add_，如果有的話。
支持的數據集
現在只有COCO是被支持的。但是，整個數據集庫運行幾乎是和 Detectron的是一樣的，所以用Detectron支持添加更多的數據集是很簡單的。
配置選擇
架構單一明確的配置文件是放在configs下的。 一般的配置文件lib/core/config.py里所有的選項都基本是和Detectron相同的默認值。所以把架構單一的configs轉化到Detectron是非常輕松的。
怎樣把配置文件從Detectron轉化出來
1. 刪除 MODEL.NUM_CLASSES 。在JsonDataset初賦值過程中被設置。
2. 刪除 TRAIN.WEIGHTS，TRAIN.DATASETS 和TEST.DATASETS。
3. 在模型類型的選擇中，
（比如： MODEL.CONV_BODY，FAST_RCNN.ROI_BOX_HEAD ……） 如果在數串中存在 add_，則將其刪除。
4. 如果想給模型加載更多的ImageNet 預訓練權重，添加指向預訓練權重文件的RESNETS.IMAGENET_PRETRAINED_WEIGHTS 。如果沒有就把MODEL.LOAD_IMAGENET_PRETRAINED_WEIGHTS設置成 False
更多的細節
一些選項是不能使用的因為相關的功能性還沒有實現。但是有一些不能被使用的原因是我用不同方法安裝了程序。
這里有一些沒有影響但值得注意的選項：
SOLVER.LR_POLICY, SOLVER.MAX_ITER, SOLVER.STEPS,SOLVER.LRS ：就目前情況，訓練指令被這些命令行參數控制：
--epochs：要訓練多少 epochs 。一個 epoch意味著要遍歷整個訓練集并且將默認值設為6。
--lr_decay_epochs:每一epochs都是衰減學習率的。 衰減是發生在每個 epoch的開始。 Epoch 是 以0索引開始的，默認值是 [4, 5]。
要獲得更多地命令行參數，請參考python train_net.py --help
SOLVER.WARM_UP_ITERS, SOLVER.WARM_UP_FACTOR, SOLVER.WARM_UP_METHOD： 在紙上做預熱訓練Accurate，Large Minibatch SGD：在一小時內訓練 ImageNet 是不能被運行的。
OUTPUT_DIR ：使用命令行參數來代替--output_base_dir 去明確化輸出目錄。
當更多地選項被提供：
MODEL.LOAD_IMAGENET_PRETRAINED_WEIGHTS = True：是否載入 ImageNet的預訓練權重。
RESNETS.IMAGENET_PRETRAINED_WEIGHTS = ''：預訓練網絡的權重文件路徑。如果是以 '/' 開始的，那它就是一個絕對路徑。否則就會被當作是一個和ROOT_DIR相關的路徑。
TRAIN.ASPECT_CROPPING = False, TRAIN.ASPECT_HI = 2，TRAIN.ASPECT_LO = 0.：根據類別選項的剪裁去限制圖像類別比率范圍的選項。
RPN.OUT_DIM_AS_IN_DIM = True，RPN.OUT_DIM = 512 ，RPN.CLS_ACTIVATION = 'sigmoid' ：RPN的正式運行有相同的輸入和輸出特征通道，它們使用sigmoid作為激活函數作為對fg/bg class類的輸出預測，在jwyang's implementation，它把輸出路徑數字確定為512而且使用softmax為激活函數。
我的nn.DataParallel
TBA
開始
克隆這個倉庫：
git clone https://github.com/roytseng-tw/mask-rcnn.pytorch.git
命令
在 python3下測試。
python安裝包
pytorch==0.3.1 (cuda80, cudnn7.1.2)
torchvision==0.2.0
numpy
scipy
opencv
pyyaml
pycocotools — COCO數據集專用，也可以通過 pip安裝。
tensorboardX —可以在Tensorboard上記錄losses。
一個 NVIDAI GPU 和 CUDA 8.0 或者更高。一些操作只有gpu 安裝。
注意：不同版本的 Pytorch安裝包有不同的顯存使用量。
編寫
編寫CUDA代碼：
cd lib # please change to this directory
sh make.sh
如果你在使用 Volta GPU, 在lib/mask.sh 文件中取消注釋這一句并且記住在上面這行后打上一個反斜杠。CUDA_PATH 路徑默認為/usr/loca/cuda 。如果你想要在不同路徑下使用CUDA庫，根據實際情況改變這行語句。
這條語句將會編譯你需要的所有模塊，包括NMS、 ROI_Pooing、ROI_Crop 和 ROI_Align模塊。 （事實上GPU NMS模塊從未被使用過...）
特別注意的是，如果你使用CUDA_VISIBLE_DEVICES 來設置GPU，確保在編譯代碼的時候至少有一個GPU可見。
數據準備
在repo下創建一個數據文件夾，
cd {repo_root}
mkdir data
COCO：下載coco圖片數據 以及從coco網站上獲得的注釋
確保根據下面的文件結構將文件放置好：
coco
├── 注釋
| ├── instances_minival2014.json
│ ├── instances_train2014.json
│ ├── instances_train2017.json
│ ├── instances_val2014.json
│ ├── instances_val2017.json
│ ├── instances_valminusminival2014.json
│ ├── person_keypoints_train2014.json
│ ├── person_keypoints_train2017.json
│ ├── person_keypoints_val2014.json
│ └── person_keypoints_val2017.json
└── 圖片
├── train2014
├── train2017
├── val2014
└── val2017
下載instances_minival2014.json和instances_valminusminival2014.json的鏈接
隨便將數據集放在任意想放的地方，然后將數據集軟連接到data/ 文件夾下：
ln -s path/to/coco data/coco
推薦將圖片輸入SSD網絡來使訓練效果更加好。
根據我的經驗來看， COCO2014針對相關的圖片數據有一些不同尺寸(h,w)的掩碼注釋。可能 instances_minival2014.jsoninstances_valminusminival2014.json 包含了錯誤的掩碼注釋。然而COCO2017 數據集并沒有這個問題.。據說 COCO train2017數據集 與 (COCO train 2014 + COCO minival 2014)相當 ，并且 COCO test 2017數據集 與COCO valminusminival 2014數據集相當。 因此，使用 COCO 2017 訓練-驗證切分集來重做結果是可以的。
預訓練模型
我使用ImageNet數據在 Caffe中為骨干網絡預訓練權重。
下載它們并把它們放在 {repo_root}/data/pretrained_model路徑下。
你可以使用下面的命令行語句將它們全部下載下來：
- 額外需要的安裝包：argparse_color_formater, colorama
python tools/download_imagenet_weights.py
注： Caffe的預訓練權重比Pytorch 預訓練的效果要稍好一些。我們使用Caffe 預訓練上面鏈接的模型來重做結果。順便提一點，Detectron（一個開源目標檢測庫）也使用Caffe預訓練得到的權重。
如果你想用pytorch預訓練模型，請記住將圖片數據從BGR矩陣轉化為RGB矩陣，并且也用pytorch預訓練模型過程中相同的數據處理方法（去均值以及標準化）。
訓練
基于res50骨干網絡從頭開始訓練mask-rcnn網絡
python tools/train_net.py --dataset coco2017 --cfg configs/e2e_mask_rcnn_R-50-C4.yml --use_tfboard --bs {batch_size} --nw {num_workers}
使用 --bs 來將默認的批處理規模 （例如8）改變為適合你GPU的合適值。類似地還有--nw（數據加載線程在config.py中默認為4）。
使用 —use_tfboard 在Tensorboard上展示損失函數的對數值。
在每個訓練期結束的時候，通過完全相同的設置對訓練效果進行概括性展示。
python tools/train_net.py --dataset coco2017 --cfg configs/e2e_mask_rcnn_R-50-C4.yml --resume --load_ckpt {path/to/the/checkpoint} --bs {batch_size}
w/ 和 w/o --resume的區別：如果規定了--resume，優化器狀態將會被從 checkpoint文件中加載下來，否則將不會加載。
訓練 keypoint-rcnn網絡
python tools/train_net.py --dataset keypoints_coco2017 ...
Detectron預訓練權重的調整
python train_net.py --dataset coco2017 --cfg cfgs/e2e_mask_rcnn_R-50-C4.yml --load_detectron {path/to/detectron/weight} --bs {batch_size}
注：優化器狀態 (SGD的動量) 沒有被加載(或被實現)。
推斷結果
python tools/infer_simple.py --dataset coco --cfg cfgs/e2e_mask_rcnn_R-50-C4.yml --load_detectron {path/to/detectron/weight} --image_dir {dir/of/input/images} --output_dir {dir/to/save/visualizations}
--output_dir 默認為infer_outputs。
衡量標準
keypoint_rcnn
e2e_keypoint_rcnn_R-50-FPN
訓練命令行： python tools/train_net.py --dataset keypoints_coco2017 --cfg configs/e2e_keypoint_rcnn_R-50-FPN.yaml --bs 8
以8張圖片為一個批訓練集，將數據集訓練6個周期，從第5個和第6個訓練周期開始后學習率以0.1倍速衰減。每個周期迭代 (113198 / 8) （向下取整）= 14149次。
數據集: keypoints_coco_2017_val
任務：框定盒
任務：關鍵點
表格中的值為Detectron e2e_keypoint_rcnn_R-50-FPN_1x網絡得到的AP值，該網絡以16張圖片為批訓練集迭代訓練90000次，在第60000次和第80000次迭代開始后學習率以0.1倍速衰減。
可視化
從頭開始基于coco_train_2017數據訓練 e2e_mask_rcnn_R-50_C4 網絡，以4張圖片為一批進行處理，訓練了1 個訓練周期：
Github原址 https://github.com/roytseng-tw/Detectron.pytorch/blob/master/README.md
雷鋒字幕組正在招募中，掃描下方二維碼，備注“雷鋒字幕組+姓名”加入我們。雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
