Skip to content

Latest commit

 

History

History
113 lines (87 loc) · 5.03 KB

README.md

File metadata and controls

113 lines (87 loc) · 5.03 KB
Raw

安装

  1. 环境：Python 3
  2. 安装依赖：
    pip install -r requirements.txt
  1. 我们使用mmDetection训练模型，请访问this page进行mmDetection的安装。
  2. 我们使用RepPoints (ICCV'2019)作为模型进行训练和测试。

使用mmDetection训练模型

使用PANDA-IMAGE数据集微调RepPoints模型。

  1. 准备PANDA-IMAGE数据集；
  2. 准备mmDetection配置文件；
  3. 下载COCO预训练模型；
  4. 使用PANDA-IMAGE数据集对模型进行训练；
  5. 一些tricks。

准备PANDA-IMAGE数据集

根据官方baseline，准备PANDA-IMAGE数据集。

并将数据集转换为COCO格式。

准备mmDetection配置文件

准备配置文件保证模型可以成功读取数据集。

第一个配置文件 ./user_data/configs/reppoints/reppoints_moment_x101_fpn_dconv_c3-c5_gn-neck+head_2x_coco.py。

第二个配置文件 ./user_data/configs/_base_/datasets/coco_detection.py。

我们一次只训练一个类别，对于person_visible, person_full, person_head, vehicle分别训练四个分类器。

第三个配置文件 ./user_data/configs/_base_/default_runtime.py，将load_from设置为'./user_data/checkpoints/reppoints_moment_x101_fpn_dconv_c3-c5_gn-neck+head_2x_coco_20200329-f87da1ea.pth。

下载COCO预训练模型

下载RepPoints的COCO预训练模型。

使用PANDA-IMAGE数据集对模型进行训练

使用多gpu进行训练，可以运行：

bash ./code/train.sh --configs ./user_data/configs/reppoints/reppoints_moment_x101_fpn_dconv_c3-c5_gn-neck+head_2x_coco.py 2

Tricks

  1. 使用模型：
Method Backbone GN Anchor convert func Lr schd Mem (GB) Inf time (fps) box AP Config Download
RepPoints X-101-FPN-DCN Y none moment 2x 7.1 9.3 44.2 config model | log
  1. 针对不同类别的检测器，使用不同的图像尺度进行训练：
Class Scale
person_visible 0.5
person_full 0.5
person_head 1
vehicle 0.3
  1. 将缩放后的图像裁剪为(2048,1024)输入模型。
  2. 使用Multi-scale进行训练，将输入图像在线resize为(1333, 480)和(1333, 960)。
  3. 添加图像増广方法，随机更改亮度、对比度和滤波处理。
  4. 学习率设置请查看./user_data/configs/_base_/schedules/schedule_1x.py。
  5. 训练时使用两块2080TI，批量大小设置为6/gpu。

测试和推理

测试图像，可以运行：

bash ./code/run.sh

or

python ./code/test.py --source 
                      --config
                      --checkpoint
                      --out
                      --gpu-id
                      --tmpdir

NOTE

根据类别使用不同的缩放比例和滑动窗口尺寸：

Class Scale Window Size
person_visible (0.1, 0.3) (1000, 500)
person_full (0.1, 0.3) (1000, 500)
person_head (0.1, 0.3) (1000, 500)
vehicle (0.1, 0.3) (1000, 500)

根据类别使用不同的分数阈值和NMS阈值：

Class Score NMS
person_visible 0.4 0.3
person_full 0.4 0.3
person_head 0.3 0.3
vehicle 0.4 0.3

结果

Matrices Details Score
Score 0.458
Average Precision (AP) @[ IoU=0.50:0.95 | area = all | maxDets=500 ] 0.427
Average Precision (AP) @[ IoU=0.50 | area = all | maxDets=500 ] 0.675
Average Precision (AP) @[ IoU=0.75 | area = all | maxDets=500 ] 0.461
Average Recall (AR) @[ IoU=0.50:0.95 | area = all | maxDets= 10 ] 0.068
Average Recall (AR) @[ IoU=0.50:0.95 | area = all | maxDets=100 ] 0.331
Average Recall (AR) @[ IoU=0.50:0.95 | area = all | maxDets=500 ] 0.494