├── .gitignore ├── LICENSE ├── README.md ├── VOCdevkit └── VOC2007 │ ├── Annotations │ └── README.md │ ├── ImageSets │ └── Main │ │ └── README.md │ └── JPEGImages │ └── README.md ├── get_map.py ├── img └── street.jpg ├── logs └── README.md ├── model_data ├── simhei.ttf └── voc_classes.txt ├── nets ├── __init__.py ├── mobilenetv2.py ├── resnet.py ├── ssd.py ├── ssd_training.py └── vgg.py ├── predict.py ├── requirements.txt ├── ssd.py ├── summary.py ├── train.py ├── utils ├── __init__.py ├── anchors.py ├── callbacks.py ├── dataloader.py ├── utils.py ├── utils_bbox.py ├── utils_fit.py └── utils_map.py ├── voc_annotation.py └── 常见问题汇总.md /.gitignore: -------------------------------------------------------------------------------- 1 | # ignore map, miou, datasets 2 | map_out/ 3 | miou_out/ 4 | VOCdevkit/ 5 | datasets/ 6 | Medical_Datasets/ 7 | lfw/ 8 | logs/ 9 | model_data/ 10 | .temp_map_out/ 11 | 12 | # Byte-compiled / optimized / DLL files 13 | __pycache__/ 14 | *.py[cod] 15 | *$py.class 16 | 17 | # C extensions 18 | *.so 19 | 20 | # Distribution / packaging 21 | .Python 22 | build/ 23 | develop-eggs/ 24 | dist/ 25 | downloads/ 26 | eggs/ 27 | .eggs/ 28 | lib/ 29 | lib64/ 30 | parts/ 31 | sdist/ 32 | var/ 33 | wheels/ 34 | pip-wheel-metadata/ 35 | share/python-wheels/ 36 | *.egg-info/ 37 | .installed.cfg 38 | *.egg 39 | MANIFEST 40 | 41 | # PyInstaller 42 | # Usually these files are written by a python script from a template 43 | # before PyInstaller builds the exe, so as to inject date/other infos into it. 44 | *.manifest 45 | *.spec 46 | 47 | # Installer logs 48 | pip-log.txt 49 | pip-delete-this-directory.txt 50 | 51 | # Unit test / coverage reports 52 | htmlcov/ 53 | .tox/ 54 | .nox/ 55 | .coverage 56 | .coverage.* 57 | .cache 58 | nosetests.xml 59 | coverage.xml 60 | *.cover 61 | *.py,cover 62 | .hypothesis/ 63 | .pytest_cache/ 64 | 65 | # Translations 66 | *.mo 67 | *.pot 68 | 69 | # Django stuff: 70 | *.log 71 | local_settings.py 72 | db.sqlite3 73 | db.sqlite3-journal 74 | 75 | # Flask stuff: 76 | instance/ 77 | .webassets-cache 78 | 79 | # Scrapy stuff: 80 | .scrapy 81 | 82 | # Sphinx documentation 83 | docs/_build/ 84 | 85 | # PyBuilder 86 | target/ 87 | 88 | # Jupyter Notebook 89 | .ipynb_checkpoints 90 | 91 | # IPython 92 | profile_default/ 93 | ipython_config.py 94 | 95 | # pyenv 96 | .python-version 97 | 98 | # pipenv 99 | # According to pypa/pipenv#598, it is recommended to include Pipfile.lock in version control. 100 | # However, in case of collaboration, if having platform-specific dependencies or dependencies 101 | # having no cross-platform support, pipenv may install dependencies that don't work, or not 102 | # install all needed dependencies. 103 | #Pipfile.lock 104 | 105 | # PEP 582; used by e.g. github.com/David-OConnor/pyflow 106 | __pypackages__/ 107 | 108 | # Celery stuff 109 | celerybeat-schedule 110 | celerybeat.pid 111 | 112 | # SageMath parsed files 113 | *.sage.py 114 | 115 | # Environments 116 | .env 117 | .venv 118 | env/ 119 | venv/ 120 | ENV/ 121 | env.bak/ 122 | venv.bak/ 123 | 124 | # Spyder project settings 125 | .spyderproject 126 | .spyproject 127 | 128 | # Rope project settings 129 | .ropeproject 130 | 131 | # mkdocs documentation 132 | /site 133 | 134 | # mypy 135 | .mypy_cache/ 136 | .dmypy.json 137 | dmypy.json 138 | 139 | # Pyre type checker 140 | .pyre/ 141 | -------------------------------------------------------------------------------- /LICENSE: -------------------------------------------------------------------------------- 1 | MIT License 2 | 3 | Copyright (c) 2020 JiaQi Xu 4 | 5 | Permission is hereby granted, free of charge, to any person obtaining a copy 6 | of this software and associated documentation files (the "Software"), to deal 7 | in the Software without restriction, including without limitation the rights 8 | to use, copy, modify, merge, publish, distribute, sublicense, and/or sell 9 | copies of the Software, and to permit persons to whom the Software is 10 | furnished to do so, subject to the following conditions: 11 | 12 | The above copyright notice and this permission notice shall be included in all 13 | copies or substantial portions of the Software. 14 | 15 | THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR 16 | IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, 17 | FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE 18 | AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER 19 | LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, 20 | OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE 21 | SOFTWARE. 22 | -------------------------------------------------------------------------------- /README.md: -------------------------------------------------------------------------------- 1 | ## SSD：Single-Shot MultiBox Detector目标检测模型在Pytorch当中的实现 2 | --- 3 | 4 | ## 目录 5 | 1. [仓库更新 Top News](#仓库更新) 6 | 2. [性能情况 Performance](#性能情况) 7 | 3. [所需环境 Environment](#所需环境) 8 | 4. [文件下载 Download](#文件下载) 9 | 5. [训练步骤 How2train](#训练步骤) 10 | 6. [预测步骤 How2predict](#预测步骤) 11 | 7. [评估步骤 How2eval](#评估步骤) 12 | 8. [参考资料 Reference](#Reference) 13 | 14 | ## Top News 15 | **`2022-03`**:**进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪。** 16 | BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/ssd-pytorch/tree/bilibili 17 | 18 | **`2021-10`**:**进行了大幅度的更新，增加了mobilenetv2主干的选择、增加大量注释、增加了大量可调整参数、对代码的组成模块进行修改、增加fps、视频预测、批量预测等功能。** 19 | 20 | ## 性能情况 21 | | 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 | 22 | | :-----: | :-----: | :------: | :------: | :------: | :-----: | 23 | | VOC07+12 | [ssd_weights.pth](https://github.com/bubbliiiing/ssd-pytorch/releases/download/v1.0/ssd_weights.pth) | VOC-Test07 | 300x300| - | 78.55 24 | | VOC07+12 | [mobilenetv2_ssd_weights.pth](https://github.com/bubbliiiing/ssd-pytorch/releases/download/v1.0/mobilenetv2_ssd_weights.pth) | VOC-Test07 | 300x300| - | 71.32 25 | 26 | ## 所需环境 27 | torch == 1.2.0 28 | 29 | ## 文件下载 30 | 训练所需的ssd_weights.pth和主干的权值可以在百度云下载。 31 | 链接: https://pan.baidu.com/s/1iUVE50oLkzqhtZbUL9el9w 32 | 提取码: jgn8 33 | 34 | VOC数据集下载地址如下，里面已经包括了训练集、测试集、验证集（与测试集一样），无需再次划分： 35 | 链接: https://pan.baidu.com/s/1-1Ej6dayrx3g0iAA88uY5A 36 | 提取码: ph32 37 | 38 | ## 训练步骤 39 | ### a、训练VOC07+12数据集 40 | 1. 数据集的准备 41 | **本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，解压后放在根目录** 42 | 43 | 2. 数据集的处理 44 | 修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。 45 | 46 | 3. 开始网络训练 47 | train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。 48 | 49 | 4. 训练结果预测 50 | 训练结果预测需要用到两个文件，分别是ssd.py和predict.py。我们首先需要去ssd.py里面修改model_path以及classes_path，这两个参数必须要修改。 51 | **model_path指向训练好的权值文件，在logs文件夹里。 52 | classes_path指向检测类别所对应的txt。** 53 | 完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。 54 | 55 | ### b、训练自己的数据集 56 | 1. 数据集的准备 57 | **本文使用VOC格式进行训练，训练前需要自己制作好数据集，** 58 | 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。 59 | 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 60 | 61 | 2. 数据集的处理 62 | 在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。 63 | 修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。 64 | 训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。 65 | model_data/cls_classes.txt文件内容为： 66 | ```python 67 | cat 68 | dog 69 | ... 70 | ``` 71 | 修改voc_annotation.py中的classes_path，使其对应cls_classes.txt，并运行voc_annotation.py。 72 | 73 | 3. 开始网络训练 74 | **训练的参数较多，均在train.py中，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的classes_path。** 75 | **classes_path用于指向检测类别所对应的txt，这个txt和voc_annotation.py里面的txt一样！训练自己的数据集必须要修改！** 76 | 修改完classes_path后就可以运行train.py开始训练了，在训练多个epoch后，权值会生成在logs文件夹中。 77 | 78 | 4. 训练结果预测 79 | 训练结果预测需要用到两个文件，分别是ssd.py和predict.py。在ssd.py里面修改model_path以及classes_path。 80 | **model_path指向训练好的权值文件，在logs文件夹里。 81 | classes_path指向检测类别所对应的txt。** 82 | 完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。 83 | 84 | ## 预测步骤 85 | ### a、使用预训练权重 86 | 1. 下载完库后解压，在百度网盘下载，放入model_data，运行predict.py，输入 87 | ```python 88 | img/street.jpg 89 | ``` 90 | 2. 在predict.py里面进行设置可以进行fps测试和video视频检测。 91 | ### b、使用自己训练的权重 92 | 1. 按照训练步骤训练。 93 | 2. 在ssd.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。 94 | ```python 95 | _defaults = { 96 | #--------------------------------------------------------------------------# 97 | # 使用自己训练好的模型进行预测一定要修改model_path和classes_path！ 98 | # model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt 99 | # 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改 100 | #--------------------------------------------------------------------------# 101 | "model_path" : 'model_data/ssd_weights.pth', 102 | "classes_path" : 'model_data/voc_classes.txt', 103 | #---------------------------------------------------------------------# 104 | # 用于预测的图像大小，和train时使用同一个即可 105 | #---------------------------------------------------------------------# 106 | "input_shape" : [300, 300], 107 | #-------------------------------# 108 | # 主干网络的选择 109 | # vgg或者mobilenetv2 110 | #-------------------------------# 111 | "backbone" : "vgg", 112 | #---------------------------------------------------------------------# 113 | # 只有得分大于置信度的预测框会被保留下来 114 | #---------------------------------------------------------------------# 115 | "confidence" : 0.5, 116 | #---------------------------------------------------------------------# 117 | # 非极大抑制所用到的nms_iou大小 118 | #---------------------------------------------------------------------# 119 | "nms_iou" : 0.45, 120 | #---------------------------------------------------------------------# 121 | # 用于指定先验框的大小 122 | #---------------------------------------------------------------------# 123 | 'anchors_size' : [30, 60, 111, 162, 213, 264, 315], 124 | #---------------------------------------------------------------------# 125 | # 该变量用于控制是否使用letterbox_image对输入图像进行不失真的resize， 126 | # 在多次测试后，发现关闭letterbox_image直接resize的效果更好 127 | #---------------------------------------------------------------------# 128 | "letterbox_image" : False, 129 | #-------------------------------# 130 | # 是否使用Cuda 131 | # 没有GPU可以设置成False 132 | #-------------------------------# 133 | "cuda" : True, 134 | } 135 | ``` 136 | 3. 运行predict.py，输入 137 | ```python 138 | img/street.jpg 139 | ``` 140 | 4. 在predict.py里面进行设置可以进行fps测试和video视频检测。 141 | 142 | ## 评估步骤 143 | ### a、评估VOC07+12的测试集 144 | 1. 本文使用VOC格式进行评估。VOC07+12已经划分好了测试集，无需利用voc_annotation.py生成ImageSets文件夹下的txt。 145 | 2. 在ssd.py里面修改model_path以及classes_path。**model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。** 146 | 3. 运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。 147 | 148 | ### b、评估自己的数据集 149 | 1. 本文使用VOC格式进行评估。 150 | 2. 如果在训练前已经运行过voc_annotation.py文件，代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例，可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下 训练集:验证集 = 9:1。 151 | 3. 利用voc_annotation.py划分测试集后，前往get_map.py文件修改classes_path，classes_path用于指向检测类别所对应的txt，这个txt和训练时的txt一样。评估自己的数据集必须要修改。 152 | 4. 在ssd.py里面修改model_path以及classes_path。**model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。** 153 | 5. 运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。 154 | 155 | ## Reference 156 | https://github.com/pierluigiferrari/ssd_keras 157 | https://github.com/kuhung/SSD_keras 158 | -------------------------------------------------------------------------------- /VOCdevkit/VOC2007/Annotations/README.md: -------------------------------------------------------------------------------- 1 | 存放标签文件 -------------------------------------------------------------------------------- /VOCdevkit/VOC2007/ImageSets/Main/README.md: -------------------------------------------------------------------------------- 1 | 存放训练索引文件 -------------------------------------------------------------------------------- /VOCdevkit/VOC2007/JPEGImages/README.md: -------------------------------------------------------------------------------- 1 | 存放图片文件 -------------------------------------------------------------------------------- /get_map.py: -------------------------------------------------------------------------------- 1 | import os 2 | import xml.etree.ElementTree as ET 3 | 4 | from PIL import Image 5 | from tqdm import tqdm 6 | 7 | from utils.utils import get_classes 8 | from utils.utils_map import get_coco_map, get_map 9 | from ssd import SSD 10 | 11 | if __name__ == "__main__": 12 | ''' 13 | Recall和Precision不像AP是一个面积的概念，因此在门限值（Confidence）不同时，网络的Recall和Precision值是不同的。 14 | 默认情况下，本代码计算的Recall和Precision代表的是当门限值（Confidence）为0.5时，所对应的Recall和Precision值。 15 | 16 | 受到mAP计算原理的限制，网络在计算mAP时需要获得近乎所有的预测框，这样才可以计算不同门限条件下的Recall和Precision值 17 | 因此，本代码获得的map_out/detection-results/里面的txt的框的数量一般会比直接predict多一些，目的是列出所有可能的预测框， 18 | ''' 19 | #------------------------------------------------------------------------------------------------------------------# 20 | # map_mode用于指定该文件运行时计算的内容 21 | # map_mode为0代表整个map计算流程，包括获得预测结果、获得真实框、计算VOC_map。 22 | # map_mode为1代表仅仅获得预测结果。 23 | # map_mode为2代表仅仅获得真实框。 24 | # map_mode为3代表仅仅计算VOC_map。 25 | # map_mode为4代表利用COCO工具箱计算当前数据集的0.50:0.95map。需要获得预测结果、获得真实框后并安装pycocotools才行 26 | #-------------------------------------------------------------------------------------------------------------------# 27 | map_mode = 0 28 | #--------------------------------------------------------------------------------------# 29 | # 此处的classes_path用于指定需要测量VOC_map的类别 30 | # 一般情况下与训练和预测所用的classes_path一致即可 31 | #--------------------------------------------------------------------------------------# 32 | classes_path = 'model_data/voc_classes.txt' 33 | #--------------------------------------------------------------------------------------# 34 | # MINOVERLAP用于指定想要获得的mAP0.x，mAP0.x的意义是什么请同学们百度一下。 35 | # 比如计算mAP0.75，可以设定MINOVERLAP = 0.75。 36 | # 37 | # 当某一预测框与真实框重合度大于MINOVERLAP时，该预测框被认为是正样本，否则为负样本。 38 | # 因此MINOVERLAP的值越大，预测框要预测的越准确才能被认为是正样本，此时算出来的mAP值越低， 39 | #--------------------------------------------------------------------------------------# 40 | MINOVERLAP = 0.5 41 | #--------------------------------------------------------------------------------------# 42 | # 受到mAP计算原理的限制，网络在计算mAP时需要获得近乎所有的预测框，这样才可以计算mAP 43 | # 因此，confidence的值应当设置的尽量小进而获得全部可能的预测框。 44 | # 45 | # 该值一般不调整。因为计算mAP需要获得近乎所有的预测框，此处的confidence不能随便更改。 46 | # 想要获得不同门限值下的Recall和Precision值，请修改下方的score_threhold。 47 | #--------------------------------------------------------------------------------------# 48 | confidence = 0.02 49 | #--------------------------------------------------------------------------------------# 50 | # 预测时使用到的非极大抑制值的大小，越大表示非极大抑制越不严格。 51 | # 52 | # 该值一般不调整。 53 | #--------------------------------------------------------------------------------------# 54 | nms_iou = 0.5 55 | #---------------------------------------------------------------------------------------------------------------# 56 | # Recall和Precision不像AP是一个面积的概念，因此在门限值不同时，网络的Recall和Precision值是不同的。 57 | # 58 | # 默认情况下，本代码计算的Recall和Precision代表的是当门限值为0.5（此处定义为score_threhold）时所对应的Recall和Precision值。 59 | # 因为计算mAP需要获得近乎所有的预测框，上面定义的confidence不能随便更改。 60 | # 这里专门定义一个score_threhold用于代表门限值，进而在计算mAP时找到门限值对应的Recall和Precision值。 61 | #---------------------------------------------------------------------------------------------------------------# 62 | score_threhold = 0.5 63 | #-------------------------------------------------------# 64 | # map_vis用于指定是否开启VOC_map计算的可视化 65 | #-------------------------------------------------------# 66 | map_vis = False 67 | #-------------------------------------------------------# 68 | # 指向VOC数据集所在的文件夹 69 | # 默认指向根目录下的VOC数据集 70 | #-------------------------------------------------------# 71 | VOCdevkit_path = 'VOCdevkit' 72 | #-------------------------------------------------------# 73 | # 结果输出的文件夹，默认为map_out 74 | #-------------------------------------------------------# 75 | map_out_path = 'map_out' 76 | 77 | image_ids = open(os.path.join(VOCdevkit_path, "VOC2007/ImageSets/Main/test.txt")).read().strip().split() 78 | 79 | if not os.path.exists(map_out_path): 80 | os.makedirs(map_out_path) 81 | if not os.path.exists(os.path.join(map_out_path, 'ground-truth')): 82 | os.makedirs(os.path.join(map_out_path, 'ground-truth')) 83 | if not os.path.exists(os.path.join(map_out_path, 'detection-results')): 84 | os.makedirs(os.path.join(map_out_path, 'detection-results')) 85 | if not os.path.exists(os.path.join(map_out_path, 'images-optional')): 86 | os.makedirs(os.path.join(map_out_path, 'images-optional')) 87 | 88 | class_names, _ = get_classes(classes_path) 89 | 90 | if map_mode == 0 or map_mode == 1: 91 | print("Load model.") 92 | ssd = SSD(confidence = confidence, nms_iou = nms_iou) 93 | print("Load model done.") 94 | 95 | print("Get predict result.") 96 | for image_id in tqdm(image_ids): 97 | image_path = os.path.join(VOCdevkit_path, "VOC2007/JPEGImages/"+image_id+".jpg") 98 | image = Image.open(image_path) 99 | if map_vis: 100 | image.save(os.path.join(map_out_path, "images-optional/" + image_id + ".jpg")) 101 | ssd.get_map_txt(image_id, image, class_names, map_out_path) 102 | print("Get predict result done.") 103 | 104 | if map_mode == 0 or map_mode == 2: 105 | print("Get ground truth result.") 106 | for image_id in tqdm(image_ids): 107 | with open(os.path.join(map_out_path, "ground-truth/"+image_id+".txt"), "w") as new_f: 108 | root = ET.parse(os.path.join(VOCdevkit_path, "VOC2007/Annotations/"+image_id+".xml")).getroot() 109 | for obj in root.findall('object'): 110 | difficult_flag = False 111 | if obj.find('difficult')!=None: 112 | difficult = obj.find('difficult').text 113 | if int(difficult)==1: 114 | difficult_flag = True 115 | obj_name = obj.find('name').text 116 | if obj_name not in class_names: 117 | continue 118 | bndbox = obj.find('bndbox') 119 | left = bndbox.find('xmin').text 120 | top = bndbox.find('ymin').text 121 | right = bndbox.find('xmax').text 122 | bottom = bndbox.find('ymax').text 123 | 124 | if difficult_flag: 125 | new_f.write("%s %s %s %s %s difficult\n" % (obj_name, left, top, right, bottom)) 126 | else: 127 | new_f.write("%s %s %s %s %s\n" % (obj_name, left, top, right, bottom)) 128 | print("Get ground truth result done.") 129 | 130 | if map_mode == 0 or map_mode == 3: 131 | print("Get map.") 132 | get_map(MINOVERLAP, True, score_threhold = score_threhold, path = map_out_path) 133 | print("Get map done.") 134 | 135 | if map_mode == 4: 136 | print("Get map.") 137 | get_coco_map(class_names = class_names, path = map_out_path) 138 | print("Get map done.") 139 | -------------------------------------------------------------------------------- /img/street.jpg: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/bubbliiiing/ssd-pytorch/fedc8a889556c554c5e9b71554e35bd7fa305e62/img/street.jpg -------------------------------------------------------------------------------- /logs/README.md: -------------------------------------------------------------------------------- 1 | 存放训练后的模型 -------------------------------------------------------------------------------- /model_data/simhei.ttf: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/bubbliiiing/ssd-pytorch/fedc8a889556c554c5e9b71554e35bd7fa305e62/model_data/simhei.ttf -------------------------------------------------------------------------------- /model_data/voc_classes.txt: -------------------------------------------------------------------------------- 1 | aeroplane 2 | bicycle 3 | bird 4 | boat 5 | bottle 6 | bus 7 | car 8 | cat 9 | chair 10 | cow 11 | diningtable 12 | dog 13 | horse 14 | motorbike 15 | person 16 | pottedplant 17 | sheep 18 | sofa 19 | train 20 | tvmonitor -------------------------------------------------------------------------------- /nets/__init__.py: -------------------------------------------------------------------------------- 1 | # -------------------------------------------------------------------------------- /nets/mobilenetv2.py: -------------------------------------------------------------------------------- 1 | from torch import nn 2 | from torch.hub import load_state_dict_from_url 3 | 4 | def _make_divisible(v, divisor, min_value=None): 5 | if min_value is None: 6 | min_value = divisor 7 | new_v = max(min_value, int(v + divisor / 2) // divisor * divisor) 8 | if new_v < 0.9 * v: 9 | new_v += divisor 10 | return new_v 11 | 12 | class ConvBNReLU(nn.Sequential): 13 | def __init__(self, in_planes, out_planes, kernel_size=3, stride=1, groups=1): 14 | padding = (kernel_size - 1) // 2 15 | super(ConvBNReLU, self).__init__( 16 | nn.Conv2d(in_planes, out_planes, kernel_size, stride, padding, groups=groups, bias=False), 17 | nn.BatchNorm2d(out_planes), 18 | nn.ReLU6(inplace=True) 19 | ) 20 | self.out_channels = out_planes 21 | 22 | class InvertedResidual(nn.Module): 23 | def __init__(self, inp, oup, stride, expand_ratio): 24 | super(InvertedResidual, self).__init__() 25 | self.stride = stride 26 | assert stride in [1, 2] 27 | 28 | hidden_dim = int(round(inp * expand_ratio)) 29 | self.use_res_connect = self.stride == 1 and inp == oup 30 | 31 | layers = [] 32 | if expand_ratio != 1: 33 | layers.append(ConvBNReLU(inp, hidden_dim, kernel_size=1)) 34 | layers.extend([ 35 | ConvBNReLU(hidden_dim, hidden_dim, stride=stride, groups=hidden_dim), 36 | nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False), 37 | nn.BatchNorm2d(oup), 38 | ]) 39 | self.conv = nn.Sequential(*layers) 40 | 41 | self.out_channels = oup 42 | 43 | def forward(self, x): 44 | if self.use_res_connect: 45 | return x + self.conv(x) 46 | else: 47 | return self.conv(x) 48 | 49 | class MobileNetV2(nn.Module): 50 | def __init__(self, num_classes=1000, width_mult=1.0, inverted_residual_setting=None, round_nearest=8): 51 | super(MobileNetV2, self).__init__() 52 | block = InvertedResidual 53 | input_channel = 32 54 | last_channel = 1280 55 | 56 | if inverted_residual_setting is None: 57 | inverted_residual_setting = [ 58 | [1, 16, 1, 1], 59 | [6, 24, 2, 2], 60 | [6, 32, 3, 2], 61 | [6, 64, 4, 2], 62 | [6, 96, 3, 1], 63 | [6, 160, 3, 2], 64 | [6, 320, 1, 1], 65 | ] 66 | 67 | if len(inverted_residual_setting) == 0 or len(inverted_residual_setting[0]) != 4: 68 | raise ValueError("inverted_residual_setting should be non-empty " 69 | "or a 4-element list, got {}".format(inverted_residual_setting)) 70 | 71 | input_channel = _make_divisible(input_channel * width_mult, round_nearest) 72 | self.last_channel = _make_divisible(last_channel * max(1.0, width_mult), round_nearest) 73 | features = [ConvBNReLU(3, input_channel, stride=2)] 74 | for t, c, n, s in inverted_residual_setting: 75 | output_channel = _make_divisible(c * width_mult, round_nearest) 76 | for i in range(n): 77 | stride = s if i == 0 else 1 78 | features.append(block(input_channel, output_channel, stride, expand_ratio=t)) 79 | input_channel = output_channel 80 | features.append(ConvBNReLU(input_channel, self.last_channel, kernel_size=1)) 81 | self.features = nn.Sequential(*features) 82 | 83 | self.classifier = nn.Sequential( 84 | nn.Dropout(0.2), 85 | nn.Linear(self.last_channel, num_classes), 86 | ) 87 | 88 | for m in self.modules(): 89 | if isinstance(m, nn.Conv2d): 90 | nn.init.kaiming_normal_(m.weight, mode='fan_out') 91 | if m.bias is not None: 92 | nn.init.zeros_(m.bias) 93 | elif isinstance(m, nn.BatchNorm2d): 94 | nn.init.ones_(m.weight) 95 | nn.init.zeros_(m.bias) 96 | elif isinstance(m, nn.Linear): 97 | nn.init.normal_(m.weight, 0, 0.01) 98 | nn.init.zeros_(m.bias) 99 | 100 | def forward(self, x): 101 | x = self.features(x) 102 | x = x.mean([2, 3]) 103 | x = self.classifier(x) 104 | return x 105 | 106 | def mobilenet_v2(pretrained=False, progress=True, **kwargs): 107 | model = MobileNetV2(**kwargs) 108 | if pretrained: 109 | state_dict = load_state_dict_from_url('https://download.pytorch.org/models/mobilenet_v2-b0353104.pth', model_dir="./model_data", progress=progress) 110 | model.load_state_dict(state_dict) 111 | del model.classifier 112 | return model 113 | 114 | if __name__ == "__main__": 115 | net = mobilenet_v2() 116 | for i, layer in enumerate(net.features): 117 | print(i, layer) -------------------------------------------------------------------------------- /nets/resnet.py: -------------------------------------------------------------------------------- 1 | import math 2 | 3 | import torch.nn as nn 4 | import torch.utils.model_zoo as model_zoo 5 | 6 | def conv3x3(in_planes, out_planes, stride=1, groups=1, dilation=1): 7 | return nn.Conv2d(in_planes, out_planes, kernel_size=3, stride=stride, 8 | padding=dilation, groups=groups, bias=False, dilation=dilation) 9 | 10 | 11 | def conv1x1(in_planes, out_planes, stride=1): 12 | return nn.Conv2d(in_planes, out_planes, kernel_size=1, stride=stride, bias=False) 13 | 14 | 15 | class BasicBlock(nn.Module): 16 | expansion = 1 17 | 18 | def __init__(self, inplanes, planes, stride=1, downsample=None, groups=1, 19 | base_width=64, dilation=1, norm_layer=None): 20 | super(BasicBlock, self).__init__() 21 | if norm_layer is None: 22 | norm_layer = nn.BatchNorm2d 23 | if groups != 1 or base_width != 64: 24 | raise ValueError('BasicBlock only supports groups=1 and base_width=64') 25 | if dilation > 1: 26 | raise NotImplementedError("Dilation > 1 not supported in BasicBlock") 27 | self.conv1 = conv3x3(inplanes, planes, stride) 28 | self.bn1 = norm_layer(planes) 29 | self.relu = nn.ReLU(inplace=True) 30 | self.conv2 = conv3x3(planes, planes) 31 | self.bn2 = norm_layer(planes) 32 | self.downsample = downsample 33 | self.stride = stride 34 | 35 | def forward(self, x): 36 | identity = x 37 | 38 | out = self.conv1(x) 39 | out = self.bn1(out) 40 | out = self.relu(out) 41 | 42 | out = self.conv2(out) 43 | out = self.bn2(out) 44 | 45 | if self.downsample is not None: 46 | identity = self.downsample(x) 47 | 48 | out += identity 49 | out = self.relu(out) 50 | 51 | return out 52 | 53 | class Bottleneck(nn.Module): 54 | expansion = 4 55 | def __init__(self, inplanes, planes, stride=1, downsample=None, groups=1, 56 | base_width=64, dilation=1, norm_layer=None): 57 | super(Bottleneck, self).__init__() 58 | if norm_layer is None: 59 | norm_layer = nn.BatchNorm2d 60 | width = int(planes * (base_width / 64.)) * groups 61 | # 利用1x1卷积下降通道数 62 | self.conv1 = conv1x1(inplanes, width) 63 | self.bn1 = norm_layer(width) 64 | # 利用3x3卷积进行特征提取 65 | self.conv2 = conv3x3(width, width, stride, groups, dilation) 66 | self.bn2 = norm_layer(width) 67 | # 利用1x1卷积上升通道数 68 | self.conv3 = conv1x1(width, planes * self.expansion) 69 | self.bn3 = norm_layer(planes * self.expansion) 70 | 71 | self.relu = nn.ReLU(inplace=True) 72 | self.downsample = downsample 73 | self.stride = stride 74 | 75 | def forward(self, x): 76 | identity = x 77 | 78 | out = self.conv1(x) 79 | out = self.bn1(out) 80 | out = self.relu(out) 81 | 82 | out = self.conv2(out) 83 | out = self.bn2(out) 84 | out = self.relu(out) 85 | 86 | out = self.conv3(out) 87 | out = self.bn3(out) 88 | 89 | if self.downsample is not None: 90 | identity = self.downsample(x) 91 | 92 | out += identity 93 | out = self.relu(out) 94 | 95 | return out 96 | 97 | 98 | class ResNet(nn.Module): 99 | def __init__(self, block, layers, num_classes=1000): 100 | #-----------------------------------------------------------# 101 | # 假设输入图像为600,600,3 102 | # 当我们使用resnet50的时候 103 | #-----------------------------------------------------------# 104 | self.inplanes = 64 105 | super(ResNet, self).__init__() 106 | # 600,600,3 -> 300,300,64 107 | self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False) 108 | self.bn1 = nn.BatchNorm2d(64) 109 | self.relu = nn.ReLU(inplace=True) 110 | # 300,300,64 -> 150,150,64 111 | self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=0, ceil_mode=True) # change 112 | # 150,150,64 -> 150,150,256 113 | self.layer1 = self._make_layer(block, 64, layers[0]) 114 | # 150,150,256 -> 75,75,512 115 | self.layer2 = self._make_layer(block, 128, layers[1], stride=2) 116 | # 75,75,512 -> 38,38,1024 117 | self.layer3 = self._make_layer(block, 256, layers[2], stride=2) 118 | # 38,38,1024 -> 19,19,2048 119 | self.layer4 = self._make_layer(block, 512, layers[3], stride=2) 120 | self.features = [self.conv1, self.bn1, self.relu, self.maxpool, self.layer1, self.layer2, self.layer3] 121 | 122 | self.avgpool = nn.AvgPool2d(7) 123 | self.fc = nn.Linear(512 * block.expansion, num_classes) 124 | 125 | for m in self.modules(): 126 | if isinstance(m, nn.Conv2d): 127 | n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels 128 | m.weight.data.normal_(0, math.sqrt(2. / n)) 129 | elif isinstance(m, nn.BatchNorm2d): 130 | m.weight.data.fill_(1) 131 | m.bias.data.zero_() 132 | 133 | def _make_layer(self, block, planes, blocks, stride=1): 134 | downsample = None 135 | if stride != 1 or self.inplanes != planes * block.expansion: 136 | downsample = nn.Sequential( 137 | nn.Conv2d(self.inplanes, planes * block.expansion, 138 | kernel_size=1, stride=stride, bias=False), 139 | nn.BatchNorm2d(planes * block.expansion), 140 | ) 141 | 142 | layers = [] 143 | layers.append(block(self.inplanes, planes, stride, downsample)) 144 | self.inplanes = planes * block.expansion 145 | for i in range(1, blocks): 146 | layers.append(block(self.inplanes, planes)) 147 | 148 | return nn.Sequential(*layers) 149 | 150 | def forward(self, x): 151 | x = self.conv1(x) 152 | x = self.bn1(x) 153 | x = self.relu(x) 154 | x = self.maxpool(x) 155 | 156 | x = self.layer1(x) 157 | x = self.layer2(x) 158 | x = self.layer3(x) 159 | x = self.layer4(x) 160 | 161 | x = self.avgpool(x) 162 | x = x.view(x.size(0), -1) 163 | x = self.fc(x) 164 | 165 | return x 166 | 167 | def resnet50(pretrained=False, **kwargs): 168 | model = ResNet(Bottleneck, [3, 4, 6, 3], **kwargs) 169 | if pretrained: 170 | model.load_state_dict(model_zoo.load_url('https://s3.amazonaws.com/pytorch/models/resnet50-19c8e357.pth', model_dir='model_data'), strict=False) 171 | 172 | del model.avgpool 173 | del model.fc 174 | return model 175 | -------------------------------------------------------------------------------- /nets/ssd.py: -------------------------------------------------------------------------------- 1 | import torch 2 | import torch.nn as nn 3 | import torch.nn.functional as F 4 | import torch.nn.init as init 5 | 6 | from nets.mobilenetv2 import InvertedResidual, mobilenet_v2 7 | from nets.vgg import vgg as add_vgg 8 | from nets.resnet import resnet50 9 | 10 | 11 | class L2Norm(nn.Module): 12 | def __init__(self,n_channels, scale): 13 | super(L2Norm,self).__init__() 14 | self.n_channels = n_channels 15 | self.gamma = scale or None 16 | self.eps = 1e-10 17 | self.weight = nn.Parameter(torch.Tensor(self.n_channels)) 18 | self.reset_parameters() 19 | 20 | def reset_parameters(self): 21 | init.constant_(self.weight,self.gamma) 22 | 23 | def forward(self, x): 24 | norm = x.pow(2).sum(dim=1, keepdim=True).sqrt()+self.eps 25 | #x /= norm 26 | x = torch.div(x,norm) 27 | out = self.weight.unsqueeze(0).unsqueeze(2).unsqueeze(3).expand_as(x) * x 28 | return out 29 | 30 | def add_extras(in_channels, backbone_name): 31 | layers = [] 32 | if backbone_name == 'mobilenetv2': 33 | layers += [InvertedResidual(in_channels, 512, stride=2, expand_ratio=0.2)] 34 | layers += [InvertedResidual(512, 256, stride=2, expand_ratio=0.25)] 35 | layers += [InvertedResidual(256, 256, stride=2, expand_ratio=0.5)] 36 | layers += [InvertedResidual(256, 64, stride=2, expand_ratio=0.25)] 37 | else: 38 | # Block 6 39 | # 19,19,1024 -> 19,19,256 -> 10,10,512 40 | layers += [nn.Conv2d(in_channels, 256, kernel_size=1, stride=1)] 41 | layers += [nn.Conv2d(256, 512, kernel_size=3, stride=2, padding=1)] 42 | 43 | # Block 7 44 | # 10,10,512 -> 10,10,128 -> 5,5,256 45 | layers += [nn.Conv2d(512, 128, kernel_size=1, stride=1)] 46 | layers += [nn.Conv2d(128, 256, kernel_size=3, stride=2, padding=1)] 47 | 48 | # Block 8 49 | # 5,5,256 -> 5,5,128 -> 3,3,256 50 | layers += [nn.Conv2d(256, 128, kernel_size=1, stride=1)] 51 | layers += [nn.Conv2d(128, 256, kernel_size=3, stride=1)] 52 | 53 | # Block 9 54 | # 3,3,256 -> 3,3,128 -> 1,1,256 55 | layers += [nn.Conv2d(256, 128, kernel_size=1, stride=1)] 56 | layers += [nn.Conv2d(128, 256, kernel_size=3, stride=1)] 57 | 58 | return nn.ModuleList(layers) 59 | 60 | class SSD300(nn.Module): 61 | def __init__(self, num_classes, backbone_name, pretrained = False): 62 | super(SSD300, self).__init__() 63 | self.num_classes = num_classes 64 | if backbone_name == "vgg": 65 | self.vgg = add_vgg(pretrained) 66 | self.extras = add_extras(1024, backbone_name) 67 | self.L2Norm = L2Norm(512, 20) 68 | mbox = [4, 6, 6, 6, 4, 4] 69 | 70 | loc_layers = [] 71 | conf_layers = [] 72 | backbone_source = [21, -2] 73 | #---------------------------------------------------# 74 | # 在add_vgg获得的特征层里 75 | # 第21层和-2层可以用来进行回归预测和分类预测。 76 | # 分别是conv4-3(38,38,512)和conv7(19,19,1024)的输出 77 | #---------------------------------------------------# 78 | for k, v in enumerate(backbone_source): 79 | loc_layers += [nn.Conv2d(self.vgg[v].out_channels, mbox[k] * 4, kernel_size = 3, padding = 1)] 80 | conf_layers += [nn.Conv2d(self.vgg[v].out_channels, mbox[k] * num_classes, kernel_size = 3, padding = 1)] 81 | #-------------------------------------------------------------# 82 | # 在add_extras获得的特征层里 83 | # 第1层、第3层、第5层、第7层可以用来进行回归预测和分类预测。 84 | # shape分别为(10,10,512), (5,5,256), (3,3,256), (1,1,256) 85 | #-------------------------------------------------------------# 86 | for k, v in enumerate(self.extras[1::2], 2): 87 | loc_layers += [nn.Conv2d(v.out_channels, mbox[k] * 4, kernel_size = 3, padding = 1)] 88 | conf_layers += [nn.Conv2d(v.out_channels, mbox[k] * num_classes, kernel_size = 3, padding = 1)] 89 | elif backbone_name == "mobilenetv2": 90 | self.mobilenet = mobilenet_v2(pretrained).features 91 | self.extras = add_extras(1280, backbone_name) 92 | self.L2Norm = L2Norm(96, 20) 93 | mbox = [6, 6, 6, 6, 6, 6] 94 | 95 | loc_layers = [] 96 | conf_layers = [] 97 | backbone_source = [13, -1] 98 | for k, v in enumerate(backbone_source): 99 | loc_layers += [nn.Conv2d(self.mobilenet[v].out_channels, mbox[k] * 4, kernel_size = 3, padding = 1)] 100 | conf_layers += [nn.Conv2d(self.mobilenet[v].out_channels, mbox[k] * num_classes, kernel_size = 3, padding = 1)] 101 | for k, v in enumerate(self.extras, 2): 102 | loc_layers += [nn.Conv2d(v.out_channels, mbox[k] * 4, kernel_size = 3, padding = 1)] 103 | conf_layers += [nn.Conv2d(v.out_channels, mbox[k] * num_classes, kernel_size = 3, padding = 1)] 104 | elif backbone_name == "resnet50": 105 | self.resnet = nn.Sequential(*resnet50(pretrained).features) 106 | self.extras = add_extras(1024, backbone_name) 107 | self.L2Norm = L2Norm(512, 20) 108 | mbox = [4, 6, 6, 6, 4, 4] 109 | 110 | loc_layers = [] 111 | conf_layers = [] 112 | out_channels = [512, 1024] 113 | #---------------------------------------------------# 114 | # 在add_vgg获得的特征层里 115 | # 第layer3层和layer4层可以用来进行回归预测和分类预测。 116 | #---------------------------------------------------# 117 | for k, v in enumerate(out_channels): 118 | loc_layers += [nn.Conv2d(out_channels[k], mbox[k] * 4, kernel_size = 3, padding = 1)] 119 | conf_layers += [nn.Conv2d(out_channels[k], mbox[k] * num_classes, kernel_size = 3, padding = 1)] 120 | #-------------------------------------------------------------# 121 | # 在add_extras获得的特征层里 122 | # 第1层、第3层、第5层、第7层可以用来进行回归预测和分类预测。 123 | # shape分别为(10,10,512), (5,5,256), (3,3,256), (1,1,256) 124 | #-------------------------------------------------------------# 125 | for k, v in enumerate(self.extras[1::2], 2): 126 | loc_layers += [nn.Conv2d(v.out_channels, mbox[k] * 4, kernel_size = 3, padding = 1)] 127 | conf_layers += [nn.Conv2d(v.out_channels, mbox[k] * num_classes, kernel_size = 3, padding = 1)] 128 | else: 129 | raise ValueError("The backbone_name is not support") 130 | 131 | self.loc = nn.ModuleList(loc_layers) 132 | self.conf = nn.ModuleList(conf_layers) 133 | self.backbone_name = backbone_name 134 | 135 | def forward(self, x): 136 | #---------------------------# 137 | # x是300,300,3 138 | #---------------------------# 139 | sources = list() 140 | loc = list() 141 | conf = list() 142 | 143 | #---------------------------# 144 | # 获得conv4_3的内容 145 | # shape为38,38,512 146 | #---------------------------# 147 | if self.backbone_name == "vgg": 148 | for k in range(23): 149 | x = self.vgg[k](x) 150 | elif self.backbone_name == "mobilenetv2": 151 | for k in range(14): 152 | x = self.mobilenet[k](x) 153 | elif self.backbone_name == "resnet50": 154 | for k in range(6): 155 | x = self.resnet[k](x) 156 | #---------------------------# 157 | # conv4_3的内容 158 | # 需要进行L2标准化 159 | #---------------------------# 160 | s = self.L2Norm(x) 161 | sources.append(s) 162 | 163 | #---------------------------# 164 | # 获得conv7的内容 165 | # shape为19,19,1024 166 | #---------------------------# 167 | if self.backbone_name == "vgg": 168 | for k in range(23, len(self.vgg)): 169 | x = self.vgg[k](x) 170 | elif self.backbone_name == "mobilenetv2": 171 | for k in range(14, len(self.mobilenet)): 172 | x = self.mobilenet[k](x) 173 | elif self.backbone_name == "resnet50": 174 | for k in range(6, len(self.resnet)): 175 | x = self.resnet[k](x) 176 | 177 | sources.append(x) 178 | #-------------------------------------------------------------# 179 | # 在add_extras获得的特征层里 180 | # 第1层、第3层、第5层、第7层可以用来进行回归预测和分类预测。 181 | # shape分别为(10,10,512), (5,5,256), (3,3,256), (1,1,256) 182 | #-------------------------------------------------------------# 183 | for k, v in enumerate(self.extras): 184 | x = F.relu(v(x), inplace=True) 185 | if self.backbone_name == "vgg" or self.backbone_name == "resnet50": 186 | if k % 2 == 1: 187 | sources.append(x) 188 | else: 189 | sources.append(x) 190 | 191 | #-------------------------------------------------------------# 192 | # 为获得的6个有效特征层添加回归预测和分类预测 193 | #-------------------------------------------------------------# 194 | for (x, l, c) in zip(sources, self.loc, self.conf): 195 | loc.append(l(x).permute(0, 2, 3, 1).contiguous()) 196 | conf.append(c(x).permute(0, 2, 3, 1).contiguous()) 197 | 198 | #-------------------------------------------------------------# 199 | # 进行reshape方便堆叠 200 | #-------------------------------------------------------------# 201 | loc = torch.cat([o.view(o.size(0), -1) for o in loc], 1) 202 | conf = torch.cat([o.view(o.size(0), -1) for o in conf], 1) 203 | #-------------------------------------------------------------# 204 | # loc会reshape到batch_size, num_anchors, 4 205 | # conf会reshap到batch_size, num_anchors, self.num_classes 206 | #-------------------------------------------------------------# 207 | output = ( 208 | loc.view(loc.size(0), -1, 4), 209 | conf.view(conf.size(0), -1, self.num_classes), 210 | ) 211 | return output 212 | -------------------------------------------------------------------------------- /nets/ssd_training.py: -------------------------------------------------------------------------------- 1 | import math 2 | from functools import partial 3 | 4 | import torch 5 | import torch.nn as nn 6 | 7 | 8 | class MultiboxLoss(nn.Module): 9 | def __init__(self, num_classes, alpha=1.0, neg_pos_ratio=3.0, 10 | background_label_id=0, negatives_for_hard=100.0): 11 | self.num_classes = num_classes 12 | self.alpha = alpha 13 | self.neg_pos_ratio = neg_pos_ratio 14 | if background_label_id != 0: 15 | raise Exception('Only 0 as background label id is supported') 16 | self.background_label_id = background_label_id 17 | self.negatives_for_hard = torch.FloatTensor([negatives_for_hard])[0] 18 | 19 | def _l1_smooth_loss(self, y_true, y_pred): 20 | abs_loss = torch.abs(y_true - y_pred) 21 | sq_loss = 0.5 * (y_true - y_pred)**2 22 | l1_loss = torch.where(abs_loss < 1.0, sq_loss, abs_loss - 0.5) 23 | return torch.sum(l1_loss, -1) 24 | 25 | def _softmax_loss(self, y_true, y_pred): 26 | y_pred = torch.clamp(y_pred, min = 1e-7) 27 | softmax_loss = -torch.sum(y_true * torch.log(y_pred), 28 | axis=-1) 29 | return softmax_loss 30 | 31 | def forward(self, y_true, y_pred): 32 | # --------------------------------------------- # 33 | # y_true batch_size, 8732, 4 + self.num_classes + 1 34 | # y_pred batch_size, 8732, 4 + self.num_classes 35 | # --------------------------------------------- # 36 | num_boxes = y_true.size()[1] 37 | y_pred = torch.cat([y_pred[0], nn.Softmax(-1)(y_pred[1])], dim = -1) 38 | 39 | # --------------------------------------------- # 40 | # 分类的loss 41 | # batch_size,8732,21 -> batch_size,8732 42 | # --------------------------------------------- # 43 | conf_loss = self._softmax_loss(y_true[:, :, 4:-1], y_pred[:, :, 4:]) 44 | 45 | # --------------------------------------------- # 46 | # 框的位置的loss 47 | # batch_size,8732,4 -> batch_size,8732 48 | # --------------------------------------------- # 49 | loc_loss = self._l1_smooth_loss(y_true[:, :, :4], 50 | y_pred[:, :, :4]) 51 | 52 | # --------------------------------------------- # 53 | # 获取所有的正标签的loss 54 | # --------------------------------------------- # 55 | pos_loc_loss = torch.sum(loc_loss * y_true[:, :, -1], 56 | axis=1) 57 | pos_conf_loss = torch.sum(conf_loss * y_true[:, :, -1], 58 | axis=1) 59 | 60 | # --------------------------------------------- # 61 | # 每一张图的正样本的个数 62 | # num_pos [batch_size,] 63 | # --------------------------------------------- # 64 | num_pos = torch.sum(y_true[:, :, -1], axis=-1) 65 | 66 | # --------------------------------------------- # 67 | # 每一张图的负样本的个数 68 | # num_neg [batch_size,] 69 | # --------------------------------------------- # 70 | num_neg = torch.min(self.neg_pos_ratio * num_pos, num_boxes - num_pos) 71 | # 找到了哪些值是大于0的 72 | pos_num_neg_mask = num_neg > 0 73 | # --------------------------------------------- # 74 | # 如果所有的图，正样本的数量均为0 75 | # 那么则默认选取100个先验框作为负样本 76 | # --------------------------------------------- # 77 | has_min = torch.sum(pos_num_neg_mask) 78 | 79 | # --------------------------------------------- # 80 | # 从这里往后，与视频中看到的代码有些许不同。 81 | # 由于以前的负样本选取方式存在一些问题， 82 | # 我对该部分代码进行重构。 83 | # 求整个batch应该的负样本数量总和 84 | # --------------------------------------------- # 85 | num_neg_batch = torch.sum(num_neg) if has_min > 0 else self.negatives_for_hard 86 | 87 | # --------------------------------------------- # 88 | # 对预测结果进行判断，如果该先验框没有包含物体 89 | # 那么它的不属于背景的预测概率过大的话 90 | # 就是难分类样本 91 | # --------------------------------------------- # 92 | confs_start = 4 + self.background_label_id + 1 93 | confs_end = confs_start + self.num_classes - 1 94 | 95 | # --------------------------------------------- # 96 | # batch_size,8732 97 | # 把不是背景的概率求和，求和后的概率越大 98 | # 代表越难分类。 99 | # --------------------------------------------- # 100 | max_confs = torch.sum(y_pred[:, :, confs_start:confs_end], dim=2) 101 | 102 | # --------------------------------------------------- # 103 | # 只有没有包含物体的先验框才得到保留 104 | # 我们在整个batch里面选取最难分类的num_neg_batch个 105 | # 先验框作为负样本。 106 | # --------------------------------------------------- # 107 | max_confs = (max_confs * (1 - y_true[:, :, -1])).view([-1]) 108 | 109 | _, indices = torch.topk(max_confs, k = int(num_neg_batch.cpu().numpy().tolist())) 110 | 111 | neg_conf_loss = torch.gather(conf_loss.view([-1]), 0, indices) 112 | 113 | # 进行归一化 114 | num_pos = torch.where(num_pos != 0, num_pos, torch.ones_like(num_pos)) 115 | total_loss = torch.sum(pos_conf_loss) + torch.sum(neg_conf_loss) + torch.sum(self.alpha * pos_loc_loss) 116 | total_loss = total_loss / torch.sum(num_pos) 117 | return total_loss 118 | 119 | def weights_init(net, init_type='normal', init_gain=0.02): 120 | def init_func(m): 121 | classname = m.__class__.__name__ 122 | if hasattr(m, 'weight') and classname.find('Conv') != -1: 123 | if init_type == 'normal': 124 | torch.nn.init.normal_(m.weight.data, 0.0, init_gain) 125 | elif init_type == 'xavier': 126 | torch.nn.init.xavier_normal_(m.weight.data, gain=init_gain) 127 | elif init_type == 'kaiming': 128 | torch.nn.init.kaiming_normal_(m.weight.data, a=0, mode='fan_in') 129 | elif init_type == 'orthogonal': 130 | torch.nn.init.orthogonal_(m.weight.data, gain=init_gain) 131 | else: 132 | raise NotImplementedError('initialization method [%s] is not implemented' % init_type) 133 | elif classname.find('BatchNorm2d') != -1: 134 | torch.nn.init.normal_(m.weight.data, 1.0, 0.02) 135 | torch.nn.init.constant_(m.bias.data, 0.0) 136 | print('initialize network with %s type' % init_type) 137 | net.apply(init_func) 138 | 139 | def get_lr_scheduler(lr_decay_type, lr, min_lr, total_iters, warmup_iters_ratio = 0.05, warmup_lr_ratio = 0.1, no_aug_iter_ratio = 0.05, step_num = 10): 140 | def yolox_warm_cos_lr(lr, min_lr, total_iters, warmup_total_iters, warmup_lr_start, no_aug_iter, iters): 141 | if iters <= warmup_total_iters: 142 | # lr = (lr - warmup_lr_start) * iters / float(warmup_total_iters) + warmup_lr_start 143 | lr = (lr - warmup_lr_start) * pow(iters / float(warmup_total_iters), 2) + warmup_lr_start 144 | elif iters >= total_iters - no_aug_iter: 145 | lr = min_lr 146 | else: 147 | lr = min_lr + 0.5 * (lr - min_lr) * ( 148 | 1.0 + math.cos(math.pi* (iters - warmup_total_iters) / (total_iters - warmup_total_iters - no_aug_iter)) 149 | ) 150 | return lr 151 | 152 | def step_lr(lr, decay_rate, step_size, iters): 153 | if step_size < 1: 154 | raise ValueError("step_size must above 1.") 155 | n = iters // step_size 156 | out_lr = lr * decay_rate ** n 157 | return out_lr 158 | 159 | if lr_decay_type == "cos": 160 | warmup_total_iters = min(max(warmup_iters_ratio * total_iters, 1), 3) 161 | warmup_lr_start = max(warmup_lr_ratio * lr, 1e-6) 162 | no_aug_iter = min(max(no_aug_iter_ratio * total_iters, 1), 15) 163 | func = partial(yolox_warm_cos_lr ,lr, min_lr, total_iters, warmup_total_iters, warmup_lr_start, no_aug_iter) 164 | else: 165 | decay_rate = (min_lr / lr) ** (1 / (step_num - 1)) 166 | step_size = total_iters / step_num 167 | func = partial(step_lr, lr, decay_rate, step_size) 168 | 169 | return func 170 | 171 | def set_optimizer_lr(optimizer, lr_scheduler_func, epoch): 172 | lr = lr_scheduler_func(epoch) 173 | for param_group in optimizer.param_groups: 174 | param_group['lr'] = lr 175 | -------------------------------------------------------------------------------- /nets/vgg.py: -------------------------------------------------------------------------------- 1 | import torch.nn as nn 2 | from torch.hub import load_state_dict_from_url 3 | 4 | 5 | ''' 6 | 该代码用于获得VGG主干特征提取网络的输出。 7 | 输入变量i代表的是输入图片的通道数，通常为3。 8 | 9 | 300, 300, 3 -> 300, 300, 64 -> 300, 300, 64 -> 150, 150, 64 -> 150, 150, 128 -> 150, 150, 128 -> 75, 75, 128 -> 10 | 75, 75, 256 -> 75, 75, 256 -> 75, 75, 256 -> 38, 38, 256 -> 38, 38, 512 -> 38, 38, 512 -> 38, 38, 512 -> 19, 19, 512 -> 11 | 19, 19, 512 -> 19, 19, 512 -> 19, 19, 512 -> 19, 19, 512 -> 19, 19, 1024 -> 19, 19, 1024 12 | 13 | 38, 38, 512的序号是22 14 | 19, 19, 1024的序号是34 15 | ''' 16 | base = [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'C', 512, 512, 512, 'M', 17 | 512, 512, 512] 18 | 19 | def vgg(pretrained = False): 20 | layers = [] 21 | in_channels = 3 22 | for v in base: 23 | if v == 'M': 24 | layers += [nn.MaxPool2d(kernel_size=2, stride=2)] 25 | elif v == 'C': 26 | layers += [nn.MaxPool2d(kernel_size=2, stride=2, ceil_mode=True)] 27 | else: 28 | conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1) 29 | layers += [conv2d, nn.ReLU(inplace=True)] 30 | in_channels = v 31 | # 19, 19, 512 -> 19, 19, 512 32 | pool5 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1) 33 | # 19, 19, 512 -> 19, 19, 1024 34 | conv6 = nn.Conv2d(512, 1024, kernel_size=3, padding=6, dilation=6) 35 | # 19, 19, 1024 -> 19, 19, 1024 36 | conv7 = nn.Conv2d(1024, 1024, kernel_size=1) 37 | layers += [pool5, conv6, 38 | nn.ReLU(inplace=True), conv7, nn.ReLU(inplace=True)] 39 | 40 | model = nn.ModuleList(layers) 41 | if pretrained: 42 | state_dict = load_state_dict_from_url("https://download.pytorch.org/models/vgg16-397923af.pth", model_dir="./model_data") 43 | state_dict = {k.replace('features.', '') : v for k, v in state_dict.items()} 44 | model.load_state_dict(state_dict, strict = False) 45 | return model 46 | 47 | if __name__ == "__main__": 48 | net = vgg() 49 | for i, layer in enumerate(net): 50 | print(i, layer) -------------------------------------------------------------------------------- /predict.py: -------------------------------------------------------------------------------- 1 | #-----------------------------------------------------------------------# 2 | # predict.py将单张图片预测、摄像头检测、FPS测试和目录遍历检测等功能 3 | # 整合到了一个py文件中，通过指定mode进行模式的修改。 4 | #-----------------------------------------------------------------------# 5 | import time 6 | 7 | import cv2 8 | import numpy as np 9 | from PIL import Image 10 | 11 | from ssd import SSD 12 | 13 | if __name__ == "__main__": 14 | ssd = SSD() 15 | #----------------------------------------------------------------------------------------------------------# 16 | # mode用于指定测试的模式： 17 | # 'predict' 表示单张图片预测，如果想对预测过程进行修改，如保存图片，截取对象等，可以先看下方详细的注释 18 | # 'video' 表示视频检测，可调用摄像头或者视频进行检测，详情查看下方注释。 19 | # 'fps' 表示测试fps，使用的图片是img里面的street.jpg，详情查看下方注释。 20 | # 'dir_predict' 表示遍历文件夹进行检测并保存。默认遍历img文件夹，保存img_out文件夹，详情查看下方注释。 21 | # 'export_onnx' 表示将模型导出为onnx，需要pytorch1.7.1以上。 22 | #----------------------------------------------------------------------------------------------------------# 23 | mode = "predict" 24 | #-------------------------------------------------------------------------# 25 | # crop 指定了是否在单张图片预测后对目标进行截取 26 | # count 指定了是否进行目标的计数 27 | # crop、count仅在mode='predict'时有效 28 | #-------------------------------------------------------------------------# 29 | crop = False 30 | count = False 31 | #----------------------------------------------------------------------------------------------------------# 32 | # video_path 用于指定视频的路径，当video_path=0时表示检测摄像头 33 | # 想要检测视频，则设置如video_path = "xxx.mp4"即可，代表读取出根目录下的xxx.mp4文件。 34 | # video_save_path 表示视频保存的路径，当video_save_path=""时表示不保存 35 | # 想要保存视频，则设置如video_save_path = "yyy.mp4"即可，代表保存为根目录下的yyy.mp4文件。 36 | # video_fps 用于保存的视频的fps 37 | # 38 | # video_path、video_save_path和video_fps仅在mode='video'时有效 39 | # 保存视频时需要ctrl+c退出或者运行到最后一帧才会完成完整的保存步骤。 40 | #----------------------------------------------------------------------------------------------------------# 41 | video_path = 0 42 | video_save_path = "" 43 | video_fps = 25.0 44 | #----------------------------------------------------------------------------------------------------------# 45 | # test_interval 用于指定测量fps的时候，图片检测的次数。理论上test_interval越大，fps越准确。 46 | # fps_image_path 用于指定测试的fps图片 47 | # 48 | # test_interval和fps_image_path仅在mode='fps'有效 49 | #----------------------------------------------------------------------------------------------------------# 50 | test_interval = 100 51 | fps_image_path = "img/street.jpg" 52 | #-------------------------------------------------------------------------# 53 | # dir_origin_path 指定了用于检测的图片的文件夹路径 54 | # dir_save_path 指定了检测完图片的保存路径 55 | # 56 | # dir_origin_path和dir_save_path仅在mode='dir_predict'时有效 57 | #-------------------------------------------------------------------------# 58 | dir_origin_path = "img/" 59 | dir_save_path = "img_out/" 60 | #-------------------------------------------------------------------------# 61 | # simplify 使用Simplify onnx 62 | # onnx_save_path 指定了onnx的保存路径 63 | #-------------------------------------------------------------------------# 64 | simplify = True 65 | onnx_save_path = "model_data/models.onnx" 66 | 67 | if mode == "predict": 68 | ''' 69 | 1、如果想要进行检测完的图片的保存，利用r_image.save("img.jpg")即可保存，直接在predict.py里进行修改即可。 70 | 2、如果想要获得预测框的坐标，可以进入ssd.detect_image函数，在绘图部分读取top，left，bottom，right这四个值。 71 | 3、如果想要利用预测框截取下目标，可以进入ssd.detect_image函数，在绘图部分利用获取到的top，left，bottom，right这四个值 72 | 在原图上利用矩阵的方式进行截取。 73 | 4、如果想要在预测图上写额外的字，比如检测到的特定目标的数量，可以进入ssd.detect_image函数，在绘图部分对predicted_class进行判断， 74 | 比如判断if predicted_class == 'car': 即可判断当前目标是否为车，然后记录数量即可。利用draw.text即可写字。 75 | ''' 76 | while True: 77 | img = input('Input image filename:') 78 | try: 79 | image = Image.open(img) 80 | except: 81 | print('Open Error! Try again!') 82 | continue 83 | else: 84 | r_image = ssd.detect_image(image, crop = crop, count=count) 85 | r_image.show() 86 | 87 | elif mode == "video": 88 | capture = cv2.VideoCapture(video_path) 89 | if video_save_path!="": 90 | fourcc = cv2.VideoWriter_fourcc(*'XVID') 91 | size = (int(capture.get(cv2.CAP_PROP_FRAME_WIDTH)), int(capture.get(cv2.CAP_PROP_FRAME_HEIGHT))) 92 | out = cv2.VideoWriter(video_save_path, fourcc, video_fps, size) 93 | 94 | ref, frame = capture.read() 95 | if not ref: 96 | raise ValueError("未能正确读取摄像头（视频），请注意是否正确安装摄像头（是否正确填写视频路径）。") 97 | 98 | fps = 0.0 99 | while(True): 100 | t1 = time.time() 101 | # 读取某一帧 102 | ref, frame = capture.read() 103 | if not ref: 104 | break 105 | # 格式转变，BGRtoRGB 106 | frame = cv2.cvtColor(frame,cv2.COLOR_BGR2RGB) 107 | # 转变成Image 108 | frame = Image.fromarray(np.uint8(frame)) 109 | # 进行检测 110 | frame = np.array(ssd.detect_image(frame)) 111 | # RGBtoBGR满足opencv显示格式 112 | frame = cv2.cvtColor(frame,cv2.COLOR_RGB2BGR) 113 | 114 | fps = ( fps + (1./(time.time()-t1)) ) / 2 115 | print("fps= %.2f"%(fps)) 116 | frame = cv2.putText(frame, "fps= %.2f"%(fps), (0, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) 117 | 118 | cv2.imshow("video",frame) 119 | c= cv2.waitKey(1) & 0xff 120 | if video_save_path!="": 121 | out.write(frame) 122 | 123 | if c==27: 124 | capture.release() 125 | break 126 | 127 | print("Video Detection Done!") 128 | capture.release() 129 | if video_save_path!="": 130 | print("Save processed video to the path :" + video_save_path) 131 | out.release() 132 | cv2.destroyAllWindows() 133 | 134 | elif mode == "fps": 135 | img = Image.open(fps_image_path) 136 | tact_time = ssd.get_FPS(img, test_interval) 137 | print(str(tact_time) + ' seconds, ' + str(1/tact_time) + 'FPS, @batch_size 1') 138 | 139 | elif mode == "dir_predict": 140 | import os 141 | 142 | from tqdm import tqdm 143 | 144 | img_names = os.listdir(dir_origin_path) 145 | for img_name in tqdm(img_names): 146 | if img_name.lower().endswith(('.bmp', '.dib', '.png', '.jpg', '.jpeg', '.pbm', '.pgm', '.ppm', '.tif', '.tiff')): 147 | image_path = os.path.join(dir_origin_path, img_name) 148 | image = Image.open(image_path) 149 | r_image = ssd.detect_image(image) 150 | if not os.path.exists(dir_save_path): 151 | os.makedirs(dir_save_path) 152 | r_image.save(os.path.join(dir_save_path, img_name.replace(".jpg", ".png")), quality=95, subsampling=0) 153 | 154 | elif mode == "export_onnx": 155 | ssd.convert_to_onnx(simplify, onnx_save_path) 156 | 157 | else: 158 | raise AssertionError("Please specify the correct mode: 'predict', 'video', 'fps' or 'dir_predict'.") 159 | -------------------------------------------------------------------------------- /requirements.txt: -------------------------------------------------------------------------------- 1 | torch 2 | torchvision 3 | tensorboard 4 | scipy==1.2.1 5 | numpy==1.17.0 6 | matplotlib==3.1.2 7 | opencv_python==4.1.2.30 8 | tqdm==4.60.0 9 | Pillow==8.2.0 10 | h5py==2.10.0 -------------------------------------------------------------------------------- /ssd.py: -------------------------------------------------------------------------------- 1 | import colorsys 2 | import os 3 | import time 4 | import warnings 5 | 6 | import numpy as np 7 | import torch 8 | import torch.backends.cudnn as cudnn 9 | from PIL import Image, ImageDraw, ImageFont 10 | 11 | from nets.ssd import SSD300 12 | from utils.anchors import get_anchors 13 | from utils.utils import (cvtColor, get_classes, preprocess_input, resize_image, 14 | show_config) 15 | from utils.utils_bbox import BBoxUtility 16 | 17 | warnings.filterwarnings("ignore") 18 | 19 | #--------------------------------------------# 20 | # 使用自己训练好的模型预测需要修改3个参数 21 | # model_path、backbone和classes_path都需要修改！ 22 | # 如果出现shape不匹配 23 | # 一定要注意训练时的config里面的num_classes、 24 | # model_path和classes_path参数的修改 25 | #--------------------------------------------# 26 | class SSD(object): 27 | _defaults = { 28 | #--------------------------------------------------------------------------# 29 | # 使用自己训练好的模型进行预测一定要修改model_path和classes_path！ 30 | # model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt 31 | # 32 | # 训练好后logs文件夹下存在多个权值文件，选择验证集损失较低的即可。 33 | # 验证集损失较低不代表mAP较高，仅代表该权值在验证集上泛化性能较好。 34 | # 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改 35 | #--------------------------------------------------------------------------# 36 | "model_path" : 'model_data/ssd_weights.pth', 37 | "classes_path" : 'model_data/voc_classes.txt', 38 | #---------------------------------------------------------------------# 39 | # 用于预测的图像大小，和train时使用同一个即可 40 | #---------------------------------------------------------------------# 41 | "input_shape" : [300, 300], 42 | #-------------------------------# 43 | # 主干网络的选择 44 | # vgg或者mobilenetv2或者resnet50 45 | #-------------------------------# 46 | "backbone" : "vgg", 47 | #---------------------------------------------------------------------# 48 | # 只有得分大于置信度的预测框会被保留下来 49 | #---------------------------------------------------------------------# 50 | "confidence" : 0.5, 51 | #---------------------------------------------------------------------# 52 | # 非极大抑制所用到的nms_iou大小 53 | #---------------------------------------------------------------------# 54 | "nms_iou" : 0.45, 55 | #---------------------------------------------------------------------# 56 | # 用于指定先验框的大小 57 | #---------------------------------------------------------------------# 58 | 'anchors_size' : [30, 60, 111, 162, 213, 264, 315], 59 | #---------------------------------------------------------------------# 60 | # 该变量用于控制是否使用letterbox_image对输入图像进行不失真的resize， 61 | # 在多次测试后，发现关闭letterbox_image直接resize的效果更好 62 | #---------------------------------------------------------------------# 63 | "letterbox_image" : False, 64 | #-------------------------------# 65 | # 是否使用Cuda 66 | # 没有GPU可以设置成False 67 | #-------------------------------# 68 | "cuda" : True, 69 | } 70 | 71 | @classmethod 72 | def get_defaults(cls, n): 73 | if n in cls._defaults: 74 | return cls._defaults[n] 75 | else: 76 | return "Unrecognized attribute name '" + n + "'" 77 | 78 | #---------------------------------------------------# 79 | # 初始化ssd 80 | #---------------------------------------------------# 81 | def __init__(self, **kwargs): 82 | self.__dict__.update(self._defaults) 83 | for name, value in kwargs.items(): 84 | setattr(self, name, value) 85 | #---------------------------------------------------# 86 | # 计算总的类的数量 87 | #---------------------------------------------------# 88 | self.class_names, self.num_classes = get_classes(self.classes_path) 89 | self.anchors = torch.from_numpy(get_anchors(self.input_shape, self.anchors_size, self.backbone)).type(torch.FloatTensor) 90 | if self.cuda: 91 | self.anchors = self.anchors.cuda() 92 | self.num_classes = self.num_classes + 1 93 | 94 | #---------------------------------------------------# 95 | # 画框设置不同的颜色 96 | #---------------------------------------------------# 97 | hsv_tuples = [(x / self.num_classes, 1., 1.) for x in range(self.num_classes)] 98 | self.colors = list(map(lambda x: colorsys.hsv_to_rgb(*x), hsv_tuples)) 99 | self.colors = list(map(lambda x: (int(x[0] * 255), int(x[1] * 255), int(x[2] * 255)), self.colors)) 100 | 101 | self.bbox_util = BBoxUtility(self.num_classes) 102 | self.generate() 103 | 104 | show_config(**self._defaults) 105 | 106 | #---------------------------------------------------# 107 | # 载入模型 108 | #---------------------------------------------------# 109 | def generate(self, onnx=False): 110 | #-------------------------------# 111 | # 载入模型与权值 112 | #-------------------------------# 113 | self.net = SSD300(self.num_classes, self.backbone) 114 | device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 115 | self.net.load_state_dict(torch.load(self.model_path, map_location=device)) 116 | self.net = self.net.eval() 117 | print('{} model, anchors, and classes loaded.'.format(self.model_path)) 118 | if not onnx: 119 | if self.cuda: 120 | self.net = torch.nn.DataParallel(self.net) 121 | self.net = self.net.cuda() 122 | 123 | #---------------------------------------------------# 124 | # 检测图片 125 | #---------------------------------------------------# 126 | def detect_image(self, image, crop = False, count = False): 127 | #---------------------------------------------------# 128 | # 计算输入图片的高和宽 129 | #---------------------------------------------------# 130 | image_shape = np.array(np.shape(image)[0:2]) 131 | #---------------------------------------------------------# 132 | # 在这里将图像转换成RGB图像，防止灰度图在预测时报错。 133 | # 代码仅仅支持RGB图像的预测，所有其它类型的图像都会转化成RGB 134 | #---------------------------------------------------------# 135 | image = cvtColor(image) 136 | #---------------------------------------------------------# 137 | # 给图像增加灰条，实现不失真的resize 138 | # 也可以直接resize进行识别 139 | #---------------------------------------------------------# 140 | image_data = resize_image(image, (self.input_shape[1], self.input_shape[0]), self.letterbox_image) 141 | #---------------------------------------------------------# 142 | # 添加上batch_size维度，图片预处理，归一化。 143 | #---------------------------------------------------------# 144 | image_data = np.expand_dims(np.transpose(preprocess_input(np.array(image_data, dtype='float32')), (2, 0, 1)), 0) 145 | 146 | with torch.no_grad(): 147 | #---------------------------------------------------# 148 | # 转化成torch的形式 149 | #---------------------------------------------------# 150 | images = torch.from_numpy(image_data).type(torch.FloatTensor) 151 | if self.cuda: 152 | images = images.cuda() 153 | #---------------------------------------------------------# 154 | # 将图像输入网络当中进行预测！ 155 | #---------------------------------------------------------# 156 | outputs = self.net(images) 157 | #-----------------------------------------------------------# 158 | # 将预测结果进行解码 159 | #-----------------------------------------------------------# 160 | results = self.bbox_util.decode_box(outputs, self.anchors, image_shape, self.input_shape, self.letterbox_image, 161 | nms_iou = self.nms_iou, confidence = self.confidence) 162 | #--------------------------------------# 163 | # 如果没有检测到物体，则返回原图 164 | #--------------------------------------# 165 | if len(results[0]) <= 0: 166 | return image 167 | 168 | top_label = np.array(results[0][:, 4], dtype = 'int32') 169 | top_conf = results[0][:, 5] 170 | top_boxes = results[0][:, :4] 171 | #---------------------------------------------------------# 172 | # 设置字体与边框厚度 173 | #---------------------------------------------------------# 174 | font = ImageFont.truetype(font='model_data/simhei.ttf', size=np.floor(3e-2 * np.shape(image)[1] + 0.5).astype('int32')) 175 | thickness = max((np.shape(image)[0] + np.shape(image)[1]) // self.input_shape[0], 1) 176 | #---------------------------------------------------------# 177 | # 计数 178 | #---------------------------------------------------------# 179 | if count: 180 | print("top_label:", top_label) 181 | classes_nums = np.zeros([self.num_classes]) 182 | for i in range(self.num_classes): 183 | num = np.sum(top_label == i) 184 | if num > 0: 185 | print(self.class_names[i], " : ", num) 186 | classes_nums[i] = num 187 | print("classes_nums:", classes_nums) 188 | #---------------------------------------------------------# 189 | # 是否进行目标的裁剪 190 | #---------------------------------------------------------# 191 | if crop: 192 | for i, c in list(enumerate(top_boxes)): 193 | top, left, bottom, right = top_boxes[i] 194 | top = max(0, np.floor(top).astype('int32')) 195 | left = max(0, np.floor(left).astype('int32')) 196 | bottom = min(image.size[1], np.floor(bottom).astype('int32')) 197 | right = min(image.size[0], np.floor(right).astype('int32')) 198 | 199 | dir_save_path = "img_crop" 200 | if not os.path.exists(dir_save_path): 201 | os.makedirs(dir_save_path) 202 | crop_image = image.crop([left, top, right, bottom]) 203 | crop_image.save(os.path.join(dir_save_path, "crop_" + str(i) + ".png"), quality=95, subsampling=0) 204 | print("save crop_" + str(i) + ".png to " + dir_save_path) 205 | #---------------------------------------------------------# 206 | # 图像绘制 207 | #---------------------------------------------------------# 208 | for i, c in list(enumerate(top_label)): 209 | predicted_class = self.class_names[int(c)] 210 | box = top_boxes[i] 211 | score = top_conf[i] 212 | 213 | top, left, bottom, right = box 214 | 215 | top = max(0, np.floor(top).astype('int32')) 216 | left = max(0, np.floor(left).astype('int32')) 217 | bottom = min(image.size[1], np.floor(bottom).astype('int32')) 218 | right = min(image.size[0], np.floor(right).astype('int32')) 219 | 220 | label = '{} {:.2f}'.format(predicted_class, score) 221 | draw = ImageDraw.Draw(image) 222 | label_size = draw.textsize(label, font) 223 | label = label.encode('utf-8') 224 | print(label, top, left, bottom, right) 225 | 226 | if top - label_size[1] >= 0: 227 | text_origin = np.array([left, top - label_size[1]]) 228 | else: 229 | text_origin = np.array([left, top + 1]) 230 | 231 | for i in range(thickness): 232 | draw.rectangle([left + i, top + i, right - i, bottom - i], outline=self.colors[c]) 233 | draw.rectangle([tuple(text_origin), tuple(text_origin + label_size)], fill=self.colors[c]) 234 | draw.text(text_origin, str(label,'UTF-8'), fill=(0, 0, 0), font=font) 235 | del draw 236 | 237 | return image 238 | 239 | def get_FPS(self, image, test_interval): 240 | #---------------------------------------------------# 241 | # 计算输入图片的高和宽 242 | #---------------------------------------------------# 243 | image_shape = np.array(np.shape(image)[0:2]) 244 | #---------------------------------------------------------# 245 | # 在这里将图像转换成RGB图像，防止灰度图在预测时报错。 246 | # 代码仅仅支持RGB图像的预测，所有其它类型的图像都会转化成RGB 247 | #---------------------------------------------------------# 248 | image = cvtColor(image) 249 | #---------------------------------------------------------# 250 | # 给图像增加灰条，实现不失真的resize 251 | # 也可以直接resize进行识别 252 | #---------------------------------------------------------# 253 | image_data = resize_image(image, (self.input_shape[1], self.input_shape[0]), self.letterbox_image) 254 | #---------------------------------------------------------# 255 | # 添加上batch_size维度，图片预处理，归一化。 256 | #---------------------------------------------------------# 257 | image_data = np.expand_dims(np.transpose(preprocess_input(np.array(image_data, dtype='float32')), (2, 0, 1)), 0) 258 | 259 | with torch.no_grad(): 260 | #---------------------------------------------------# 261 | # 转化成torch的形式 262 | #---------------------------------------------------# 263 | images = torch.from_numpy(image_data).type(torch.FloatTensor) 264 | if self.cuda: 265 | images = images.cuda() 266 | #---------------------------------------------------------# 267 | # 将图像输入网络当中进行预测！ 268 | #---------------------------------------------------------# 269 | outputs = self.net(images) 270 | #-----------------------------------------------------------# 271 | # 将预测结果进行解码 272 | #-----------------------------------------------------------# 273 | results = self.bbox_util.decode_box(outputs, self.anchors, image_shape, self.input_shape, self.letterbox_image, 274 | nms_iou = self.nms_iou, confidence = self.confidence) 275 | 276 | t1 = time.time() 277 | for _ in range(test_interval): 278 | with torch.no_grad(): 279 | #---------------------------------------------------------# 280 | # 将图像输入网络当中进行预测！ 281 | #---------------------------------------------------------# 282 | outputs = self.net(images) 283 | #-----------------------------------------------------------# 284 | # 将预测结果进行解码 285 | #-----------------------------------------------------------# 286 | results = self.bbox_util.decode_box(outputs, self.anchors, image_shape, self.input_shape, self.letterbox_image, 287 | nms_iou = self.nms_iou, confidence = self.confidence) 288 | 289 | t2 = time.time() 290 | tact_time = (t2 - t1) / test_interval 291 | return tact_time 292 | 293 | def convert_to_onnx(self, simplify, model_path): 294 | import onnx 295 | self.generate(onnx=True) 296 | 297 | im = torch.zeros(1, 3, *self.input_shape).to('cpu') # image size(1, 3, 512, 512) BCHW 298 | input_layer_names = ["images"] 299 | output_layer_names = ["output"] 300 | 301 | # Export the model 302 | print(f'Starting export with onnx {onnx.__version__}.') 303 | torch.onnx.export(self.net, 304 | im, 305 | f = model_path, 306 | verbose = False, 307 | opset_version = 12, 308 | training = torch.onnx.TrainingMode.EVAL, 309 | do_constant_folding = True, 310 | input_names = input_layer_names, 311 | output_names = output_layer_names, 312 | dynamic_axes = None) 313 | 314 | # Checks 315 | model_onnx = onnx.load(model_path) # load onnx model 316 | onnx.checker.check_model(model_onnx) # check onnx model 317 | 318 | # Simplify onnx 319 | if simplify: 320 | import onnxsim 321 | print(f'Simplifying with onnx-simplifier {onnxsim.__version__}.') 322 | model_onnx, check = onnxsim.simplify( 323 | model_onnx, 324 | dynamic_input_shape=False, 325 | input_shapes=None) 326 | assert check, 'assert check failed' 327 | onnx.save(model_onnx, model_path) 328 | 329 | print('Onnx model save as {}'.format(model_path)) 330 | 331 | def get_map_txt(self, image_id, image, class_names, map_out_path): 332 | f = open(os.path.join(map_out_path, "detection-results/"+image_id+".txt"),"w") 333 | #---------------------------------------------------# 334 | # 计算输入图片的高和宽 335 | #---------------------------------------------------# 336 | image_shape = np.array(np.shape(image)[0:2]) 337 | #---------------------------------------------------------# 338 | # 在这里将图像转换成RGB图像，防止灰度图在预测时报错。 339 | # 代码仅仅支持RGB图像的预测，所有其它类型的图像都会转化成RGB 340 | #---------------------------------------------------------# 341 | image = cvtColor(image) 342 | #---------------------------------------------------------# 343 | # 给图像增加灰条，实现不失真的resize 344 | # 也可以直接resize进行识别 345 | #---------------------------------------------------------# 346 | image_data = resize_image(image, (self.input_shape[1], self.input_shape[0]), self.letterbox_image) 347 | #---------------------------------------------------------# 348 | # 添加上batch_size维度，图片预处理，归一化。 349 | #---------------------------------------------------------# 350 | image_data = np.expand_dims(np.transpose(preprocess_input(np.array(image_data, dtype='float32')), (2, 0, 1)), 0) 351 | 352 | with torch.no_grad(): 353 | #---------------------------------------------------# 354 | # 转化成torch的形式 355 | #---------------------------------------------------# 356 | images = torch.from_numpy(image_data).type(torch.FloatTensor) 357 | if self.cuda: 358 | images = images.cuda() 359 | #---------------------------------------------------------# 360 | # 将图像输入网络当中进行预测！ 361 | #---------------------------------------------------------# 362 | outputs = self.net(images) 363 | #-----------------------------------------------------------# 364 | # 将预测结果进行解码 365 | #-----------------------------------------------------------# 366 | results = self.bbox_util.decode_box(outputs, self.anchors, image_shape, self.input_shape, self.letterbox_image, 367 | nms_iou = self.nms_iou, confidence = self.confidence) 368 | #--------------------------------------# 369 | # 如果没有检测到物体，则返回原图 370 | #--------------------------------------# 371 | if len(results[0]) <= 0: 372 | return 373 | 374 | top_label = np.array(results[0][:, 4], dtype = 'int32') 375 | top_conf = results[0][:, 5] 376 | top_boxes = results[0][:, :4] 377 | 378 | for i, c in list(enumerate(top_label)): 379 | predicted_class = self.class_names[int(c)] 380 | box = top_boxes[i] 381 | score = str(top_conf[i]) 382 | 383 | top, left, bottom, right = box 384 | if predicted_class not in class_names: 385 | continue 386 | 387 | f.write("%s %s %s %s %s %s\n" % (predicted_class, score[:6], str(int(left)), str(int(top)), str(int(right)),str(int(bottom)))) 388 | 389 | f.close() 390 | return 391 | -------------------------------------------------------------------------------- /summary.py: -------------------------------------------------------------------------------- 1 | #--------------------------------------------# 2 | # 该部分代码用于看网络结构 3 | #--------------------------------------------# 4 | import torch 5 | from thop import clever_format, profile 6 | from torchsummary import summary 7 | 8 | from nets.ssd import SSD300 9 | 10 | if __name__ == "__main__": 11 | input_shape = [300, 300] 12 | num_classes = 21 13 | backbone = "vgg" 14 | 15 | device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 16 | m = SSD300(num_classes, backbone).to(device) 17 | summary(m, (3, input_shape[0], input_shape[1])) 18 | 19 | dummy_input = torch.randn(1, 3, input_shape[0], input_shape[1]).to(device) 20 | flops, params = profile(m.to(device), (dummy_input, ), verbose=False) 21 | #--------------------------------------------------------# 22 | # flops * 2是因为profile没有将卷积作为两个operations 23 | # 有些论文将卷积算乘法、加法两个operations。此时乘2 24 | # 有些论文只考虑乘法的运算次数，忽略加法。此时不乘2 25 | # 本代码选择乘2，参考YOLOX。 26 | #--------------------------------------------------------# 27 | flops = flops * 2 28 | flops, params = clever_format([flops, params], "%.3f") 29 | print('Total GFLOPS: %s' % (flops)) 30 | print('Total params: %s' % (params)) 31 | 32 | -------------------------------------------------------------------------------- /train.py: -------------------------------------------------------------------------------- 1 | import datetime 2 | import os 3 | import warnings 4 | from functools import partial 5 | 6 | import numpy as np 7 | import torch 8 | import torch.backends.cudnn as cudnn 9 | import torch.distributed as dist 10 | import torch.nn as nn 11 | import torch.optim as optim 12 | from torch.utils.data import DataLoader 13 | 14 | from nets.ssd import SSD300 15 | from nets.ssd_training import (MultiboxLoss, get_lr_scheduler, 16 | set_optimizer_lr, weights_init) 17 | from utils.anchors import get_anchors 18 | from utils.callbacks import EvalCallback, LossHistory 19 | from utils.dataloader import SSDDataset, ssd_dataset_collate 20 | from utils.utils import (download_weights, get_classes, seed_everything, 21 | show_config, worker_init_fn) 22 | from utils.utils_fit import fit_one_epoch 23 | 24 | warnings.filterwarnings("ignore") 25 | 26 | ''' 27 | 训练自己的目标检测模型一定需要注意以下几点： 28 | 1、训练前仔细检查自己的格式是否满足要求，该库要求数据集格式为VOC格式，需要准备好的内容有输入图片和标签 29 | 输入图片为.jpg图片，无需固定大小，传入训练前会自动进行resize。 30 | 灰度图会自动转成RGB图片进行训练，无需自己修改。 31 | 输入图片如果后缀非jpg，需要自己批量转成jpg后再开始训练。 32 | 33 | 标签为.xml格式，文件中会有需要检测的目标信息，标签文件和输入图片文件相对应。 34 | 35 | 2、损失值的大小用于判断是否收敛，比较重要的是有收敛的趋势，即验证集损失不断下降，如果验证集损失基本上不改变的话，模型基本上就收敛了。 36 | 损失值的具体大小并没有什么意义，大和小只在于损失的计算方式，并不是接近于0才好。如果想要让损失好看点，可以直接到对应的损失函数里面除上10000。 37 | 训练过程中的损失值会保存在logs文件夹下的loss_%Y_%m_%d_%H_%M_%S文件夹中 38 | 39 | 3、训练好的权值文件保存在logs文件夹中，每个训练世代（Epoch）包含若干训练步长（Step），每个训练步长（Step）进行一次梯度下降。 40 | 如果只是训练了几个Step是不会保存的，Epoch和Step的概念要捋清楚一下。 41 | ''' 42 | if __name__ == "__main__": 43 | #---------------------------------# 44 | # Cuda 是否使用Cuda 45 | # 没有GPU可以设置成False 46 | #---------------------------------# 47 | Cuda = True 48 | #----------------------------------------------# 49 | # Seed 用于固定随机种子 50 | # 使得每次独立训练都可以获得一样的结果 51 | #----------------------------------------------# 52 | seed = 11 53 | #---------------------------------------------------------------------# 54 | # distributed 用于指定是否使用单机多卡分布式运行 55 | # 终端指令仅支持Ubuntu。CUDA_VISIBLE_DEVICES用于在Ubuntu下指定显卡。 56 | # Windows系统下默认使用DP模式调用所有显卡，不支持DDP。 57 | # DP模式： 58 | # 设置 distributed = False 59 | # 在终端中输入 CUDA_VISIBLE_DEVICES=0,1 python train.py 60 | # DDP模式： 61 | # 设置 distributed = True 62 | # 在终端中输入 CUDA_VISIBLE_DEVICES=0,1 python -m torch.distributed.launch --nproc_per_node=2 train.py 63 | #---------------------------------------------------------------------# 64 | distributed = False 65 | #---------------------------------------------------------------------# 66 | # sync_bn 是否使用sync_bn，DDP模式多卡可用 67 | #---------------------------------------------------------------------# 68 | sync_bn = False 69 | #---------------------------------------------------------------------# 70 | # fp16 是否使用混合精度训练 71 | # 可减少约一半的显存、需要pytorch1.7.1以上 72 | #---------------------------------------------------------------------# 73 | fp16 = False 74 | #---------------------------------------------------------------------# 75 | # classes_path 指向model_data下的txt，与自己训练的数据集相关 76 | # 训练前一定要修改classes_path，使其对应自己的数据集 77 | #---------------------------------------------------------------------# 78 | classes_path = 'model_data/voc_classes.txt' 79 | #----------------------------------------------------------------------------------------------------------------------------# 80 | # 权值文件的下载请看README，可以通过网盘下载。模型的 预训练权重 对不同数据集是通用的，因为特征是通用的。 81 | # 模型的 预训练权重 比较重要的部分是 主干特征提取网络的权值部分，用于进行特征提取。 82 | # 预训练权重对于99%的情况都必须要用，不用的话主干部分的权值太过随机，特征提取效果不明显，网络训练的结果也不会好 83 | # 84 | # 如果训练过程中存在中断训练的操作，可以将model_path设置成logs文件夹下的权值文件，将已经训练了一部分的权值再次载入。 85 | # 同时修改下方的 冻结阶段 或者 解冻阶段 的参数，来保证模型epoch的连续性。 86 | # 87 | # 当model_path = ''的时候不加载整个模型的权值。 88 | # 89 | # 此处使用的是整个模型的权重，因此是在train.py进行加载的，下面的pretrain不影响此处的权值加载。 90 | # 如果想要让模型从主干的预训练权值开始训练，则设置model_path = ''，下面的pretrain = True，此时仅加载主干。 91 | # 如果想要让模型从0开始训练，则设置model_path = ''，下面的pretrain = Fasle，Freeze_Train = Fasle，此时从0开始训练，且没有冻结主干的过程。 92 | # 一般来讲，从0开始训练效果会很差，因为权值太过随机，特征提取效果不明显。 93 | # 94 | # 网络一般不从0开始训练，至少会使用主干部分的权值，有些论文提到可以不用预训练，主要原因是他们 数据集较大 且 调参能力优秀。 95 | # 如果一定要训练网络的主干部分，可以了解imagenet数据集，首先训练分类模型，分类模型的 主干部分 和该模型通用，基于此进行训练。 96 | #----------------------------------------------------------------------------------------------------------------------------# 97 | model_path = 'model_data/ssd_weights.pth' 98 | #------------------------------------------------------# 99 | # input_shape 输入的shape大小 100 | #------------------------------------------------------# 101 | input_shape = [300, 300] 102 | #------------------------------------------------------# 103 | # vgg或者mobilenetv2或者resnet50 104 | #------------------------------------------------------# 105 | backbone = "vgg" 106 | #----------------------------------------------------------------------------------------------------------------------------# 107 | # pretrained 是否使用主干网络的预训练权重，此处使用的是主干的权重，因此是在模型构建的时候进行加载的。 108 | # 如果设置了model_path，则主干的权值无需加载，pretrained的值无意义。 109 | # 如果不设置model_path，pretrained = True，此时仅加载主干开始训练。 110 | # 如果不设置model_path，pretrained = False，Freeze_Train = Fasle，此时从0开始训练，且没有冻结主干的过程。 111 | #----------------------------------------------------------------------------------------------------------------------------# 112 | pretrained = False 113 | #------------------------------------------------------# 114 | # 可用于设定先验框的大小，默认的anchors_size 115 | # 是根据voc数据集设定的，大多数情况下都是通用的！ 116 | # 如果想要检测小物体，可以修改anchors_size 117 | # 一般调小浅层先验框的大小就行了！因为浅层负责小物体检测！ 118 | # 比如anchors_size = [21, 45, 99, 153, 207, 261, 315] 119 | #------------------------------------------------------# 120 | anchors_size = [30, 60, 111, 162, 213, 264, 315] 121 | 122 | #----------------------------------------------------------------------------------------------------------------------------# 123 | # 训练分为两个阶段，分别是冻结阶段和解冻阶段。设置冻结阶段是为了满足机器性能不足的同学的训练需求。 124 | # 冻结训练需要的显存较小，显卡非常差的情况下，可设置Freeze_Epoch等于UnFreeze_Epoch，此时仅仅进行冻结训练。 125 | # 126 | # 在此提供若干参数设置建议，各位训练者根据自己的需求进行灵活调整： 127 | # （一）从整个模型的预训练权重开始训练： 128 | # Adam： 129 | # Init_Epoch = 0，Freeze_Epoch = 50，UnFreeze_Epoch = 100，Freeze_Train = True，optimizer_type = 'adam'，Init_lr = 6e-4，weight_decay = 0。（冻结） 130 | # Init_Epoch = 0，UnFreeze_Epoch = 100，Freeze_Train = False，optimizer_type = 'adam'，Init_lr = 6e-4，weight_decay = 0。（不冻结） 131 | # SGD： 132 | # Init_Epoch = 0，Freeze_Epoch = 50，UnFreeze_Epoch = 200，Freeze_Train = True，optimizer_type = 'sgd'，Init_lr = 2e-3，weight_decay = 5e-4。（冻结） 133 | # Init_Epoch = 0，UnFreeze_Epoch = 200，Freeze_Train = False，optimizer_type = 'sgd'，Init_lr = 2e-3，weight_decay = 5e-4。（不冻结） 134 | # 其中：UnFreeze_Epoch可以在100-300之间调整。 135 | # （二）从主干网络的预训练权重开始训练： 136 | # Adam： 137 | # Init_Epoch = 0，Freeze_Epoch = 50，UnFreeze_Epoch = 100，Freeze_Train = True，optimizer_type = 'adam'，Init_lr = 6e-4，weight_decay = 0。（冻结） 138 | # Init_Epoch = 0，UnFreeze_Epoch = 100，Freeze_Train = False，optimizer_type = 'adam'，Init_lr = 6e-4，weight_decay = 0。（不冻结） 139 | # SGD： 140 | # Init_Epoch = 0，Freeze_Epoch = 50，UnFreeze_Epoch = 200，Freeze_Train = True，optimizer_type = 'sgd'，Init_lr = 2e-3，weight_decay = 5e-4。（冻结） 141 | # Init_Epoch = 0，UnFreeze_Epoch = 200，Freeze_Train = False，optimizer_type = 'sgd'，Init_lr = 2e-3，weight_decay = 5e-4。（不冻结） 142 | # 其中：由于从主干网络的预训练权重开始训练，主干的权值不一定适合目标检测，需要更多的训练跳出局部最优解。 143 | # UnFreeze_Epoch可以在200-300之间调整，YOLOV5和YOLOX均推荐使用300。 144 | # Adam相较于SGD收敛的快一些。因此UnFreeze_Epoch理论上可以小一点，但依然推荐更多的Epoch。 145 | # （三）batch_size的设置： 146 | # 在显卡能够接受的范围内，以大为好。显存不足与数据集大小无关，提示显存不足（OOM或者CUDA out of memory）请调小batch_size。 147 | # 受到BatchNorm层影响，batch_size最小为2，不能为1。 148 | # 正常情况下Freeze_batch_size建议为Unfreeze_batch_size的1-2倍。不建议设置的差距过大，因为关系到学习率的自动调整。 149 | #----------------------------------------------------------------------------------------------------------------------------# 150 | #------------------------------------------------------------------# 151 | # 冻结阶段训练参数 152 | # 此时模型的主干被冻结了，特征提取网络不发生改变 153 | # 占用的显存较小，仅对网络进行微调 154 | # Init_Epoch 模型当前开始的训练世代，其值可以大于Freeze_Epoch，如设置： 155 | # Init_Epoch = 60、Freeze_Epoch = 50、UnFreeze_Epoch = 100 156 | # 会跳过冻结阶段，直接从60代开始，并调整对应的学习率。 157 | # （断点续练时使用） 158 | # Freeze_Epoch 模型冻结训练的Freeze_Epoch 159 | # (当Freeze_Train=False时失效) 160 | # Freeze_batch_size 模型冻结训练的batch_size 161 | # (当Freeze_Train=False时失效) 162 | #------------------------------------------------------------------# 163 | Init_Epoch = 0 164 | Freeze_Epoch = 50 165 | Freeze_batch_size = 16 166 | #------------------------------------------------------------------# 167 | # 解冻阶段训练参数 168 | # 此时模型的主干不被冻结了，特征提取网络会发生改变 169 | # 占用的显存较大，网络所有的参数都会发生改变 170 | # UnFreeze_Epoch 模型总共训练的epoch 171 | # SGD需要更长的时间收敛，因此设置较大的UnFreeze_Epoch 172 | # Adam可以使用相对较小的UnFreeze_Epoch 173 | # Unfreeze_batch_size 模型在解冻后的batch_size 174 | #------------------------------------------------------------------# 175 | UnFreeze_Epoch = 200 176 | Unfreeze_batch_size = 8 177 | #------------------------------------------------------------------# 178 | # Freeze_Train 是否进行冻结训练 179 | # 默认先冻结主干训练后解冻训练。 180 | # 如果设置Freeze_Train=False，建议使用优化器为sgd 181 | #------------------------------------------------------------------# 182 | Freeze_Train = True 183 | 184 | #------------------------------------------------------------------# 185 | # 其它训练参数：学习率、优化器、学习率下降有关 186 | #------------------------------------------------------------------# 187 | #------------------------------------------------------------------# 188 | # Init_lr 模型的最大学习率 189 | # 当使用Adam优化器时建议设置 Init_lr=6e-4 190 | # 当使用SGD优化器时建议设置 Init_lr=2e-3 191 | # Min_lr 模型的最小学习率，默认为最大学习率的0.01 192 | #------------------------------------------------------------------# 193 | Init_lr = 2e-3 194 | Min_lr = Init_lr * 0.01 195 | #------------------------------------------------------------------# 196 | # optimizer_type 使用到的优化器种类，可选的有adam、sgd 197 | # 当使用Adam优化器时建议设置 Init_lr=6e-4 198 | # 当使用SGD优化器时建议设置 Init_lr=2e-3 199 | # momentum 优化器内部使用到的momentum参数 200 | # weight_decay 权值衰减，可防止过拟合 201 | # adam会导致weight_decay错误，使用adam时建议设置为0。 202 | #------------------------------------------------------------------# 203 | optimizer_type = "sgd" 204 | momentum = 0.937 205 | weight_decay = 5e-4 206 | #------------------------------------------------------------------# 207 | # lr_decay_type 使用到的学习率下降方式，可选的有'step'、'cos' 208 | #------------------------------------------------------------------# 209 | lr_decay_type = 'cos' 210 | #------------------------------------------------------------------# 211 | # save_period 多少个epoch保存一次权值 212 | #------------------------------------------------------------------# 213 | save_period = 10 214 | #------------------------------------------------------------------# 215 | # save_dir 权值与日志文件保存的文件夹 216 | #------------------------------------------------------------------# 217 | save_dir = 'logs' 218 | #------------------------------------------------------------------# 219 | # eval_flag 是否在训练时进行评估，评估对象为验证集 220 | # 安装pycocotools库后，评估体验更佳。 221 | # eval_period 代表多少个epoch评估一次，不建议频繁的评估 222 | # 评估需要消耗较多的时间，频繁评估会导致训练非常慢 223 | # 此处获得的mAP会与get_map.py获得的会有所不同，原因有二： 224 | # （一）此处获得的mAP为验证集的mAP。 225 | # （二）此处设置评估参数较为保守，目的是加快评估速度。 226 | #------------------------------------------------------------------# 227 | eval_flag = True 228 | eval_period = 10 229 | #------------------------------------------------------------------# 230 | # num_workers 用于设置是否使用多线程读取数据，1代表关闭多线程 231 | # 开启后会加快数据读取速度，但是会占用更多内存 232 | # keras里开启多线程有些时候速度反而慢了许多 233 | # 在IO为瓶颈的时候再开启多线程，即GPU运算速度远大于读取图片的速度。 234 | #------------------------------------------------------------------# 235 | num_workers = 4 236 | 237 | #------------------------------------------------------# 238 | # train_annotation_path 训练图片路径和标签 239 | # val_annotation_path 验证图片路径和标签 240 | #------------------------------------------------------# 241 | train_annotation_path = '2007_train.txt' 242 | val_annotation_path = '2007_val.txt' 243 | 244 | seed_everything(seed) 245 | #------------------------------------------------------# 246 | # 设置用到的显卡 247 | #------------------------------------------------------# 248 | ngpus_per_node = torch.cuda.device_count() 249 | if distributed: 250 | dist.init_process_group(backend="nccl") 251 | local_rank = int(os.environ["LOCAL_RANK"]) 252 | rank = int(os.environ["RANK"]) 253 | device = torch.device("cuda", local_rank) 254 | if local_rank == 0: 255 | print(f"[{os.getpid()}] (rank = {rank}, local_rank = {local_rank}) training...") 256 | print("Gpu Device Count : ", ngpus_per_node) 257 | else: 258 | device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 259 | local_rank = 0 260 | rank = 0 261 | 262 | if pretrained: 263 | if distributed: 264 | if local_rank == 0: 265 | download_weights(backbone) 266 | dist.barrier() 267 | else: 268 | download_weights(backbone) 269 | 270 | #----------------------------------------------------# 271 | # 获取classes和anchor 272 | #----------------------------------------------------# 273 | class_names, num_classes = get_classes(classes_path) 274 | num_classes += 1 275 | anchors = get_anchors(input_shape, anchors_size, backbone) 276 | 277 | model = SSD300(num_classes, backbone, pretrained) 278 | if not pretrained: 279 | weights_init(model) 280 | if model_path != '': 281 | #------------------------------------------------------# 282 | # 权值文件请看README，百度网盘下载 283 | #------------------------------------------------------# 284 | if local_rank == 0: 285 | print('Load weights {}.'.format(model_path)) 286 | 287 | #------------------------------------------------------# 288 | # 根据预训练权重的Key和模型的Key进行加载 289 | #------------------------------------------------------# 290 | model_dict = model.state_dict() 291 | pretrained_dict = torch.load(model_path, map_location = device) 292 | load_key, no_load_key, temp_dict = [], [], {} 293 | for k, v in pretrained_dict.items(): 294 | if k in model_dict.keys() and np.shape(model_dict[k]) == np.shape(v): 295 | temp_dict[k] = v 296 | load_key.append(k) 297 | else: 298 | no_load_key.append(k) 299 | model_dict.update(temp_dict) 300 | model.load_state_dict(model_dict) 301 | #------------------------------------------------------# 302 | # 显示没有匹配上的Key 303 | #------------------------------------------------------# 304 | if local_rank == 0: 305 | print("\nSuccessful Load Key:", str(load_key)[:500], "……\nSuccessful Load Key Num:", len(load_key)) 306 | print("\nFail To Load Key:", str(no_load_key)[:500], "……\nFail To Load Key num:", len(no_load_key)) 307 | print("\n\033[1;33;44m温馨提示，head部分没有载入是正常现象，Backbone部分没有载入是错误的。\033[0m") 308 | 309 | #----------------------# 310 | # 获得损失函数 311 | #----------------------# 312 | criterion = MultiboxLoss(num_classes, neg_pos_ratio=3.0) 313 | #----------------------# 314 | # 记录Loss 315 | #----------------------# 316 | if local_rank == 0: 317 | time_str = datetime.datetime.strftime(datetime.datetime.now(),'%Y_%m_%d_%H_%M_%S') 318 | log_dir = os.path.join(save_dir, "loss_" + str(time_str)) 319 | loss_history = LossHistory(log_dir, model, input_shape=input_shape) 320 | else: 321 | loss_history = None 322 | 323 | #------------------------------------------------------------------# 324 | # torch 1.2不支持amp，建议使用torch 1.7.1及以上正确使用fp16 325 | # 因此torch1.2这里显示"could not be resolve" 326 | #------------------------------------------------------------------# 327 | if fp16: 328 | from torch.cuda.amp import GradScaler as GradScaler 329 | scaler = GradScaler() 330 | else: 331 | scaler = None 332 | 333 | model_train = model.train() 334 | #----------------------------# 335 | # 多卡同步Bn 336 | #----------------------------# 337 | if sync_bn and ngpus_per_node > 1 and distributed: 338 | model_train = torch.nn.SyncBatchNorm.convert_sync_batchnorm(model_train) 339 | elif sync_bn: 340 | print("Sync_bn is not support in one gpu or not distributed.") 341 | 342 | if Cuda: 343 | if distributed: 344 | #----------------------------# 345 | # 多卡平行运行 346 | #----------------------------# 347 | model_train = model_train.cuda(local_rank) 348 | model_train = torch.nn.parallel.DistributedDataParallel(model_train, device_ids=[local_rank], find_unused_parameters=True) 349 | else: 350 | model_train = torch.nn.DataParallel(model) 351 | cudnn.benchmark = True 352 | model_train = model_train.cuda() 353 | 354 | #---------------------------# 355 | # 读取数据集对应的txt 356 | #---------------------------# 357 | with open(train_annotation_path, encoding='utf-8') as f: 358 | train_lines = f.readlines() 359 | with open(val_annotation_path, encoding='utf-8') as f: 360 | val_lines = f.readlines() 361 | num_train = len(train_lines) 362 | num_val = len(val_lines) 363 | 364 | if local_rank == 0: 365 | show_config( 366 | classes_path = classes_path, model_path = model_path, input_shape = input_shape, \ 367 | Init_Epoch = Init_Epoch, Freeze_Epoch = Freeze_Epoch, UnFreeze_Epoch = UnFreeze_Epoch, Freeze_batch_size = Freeze_batch_size, Unfreeze_batch_size = Unfreeze_batch_size, Freeze_Train = Freeze_Train, \ 368 | Init_lr = Init_lr, Min_lr = Min_lr, optimizer_type = optimizer_type, momentum = momentum, lr_decay_type = lr_decay_type, \ 369 | save_period = save_period, save_dir = save_dir, num_workers = num_workers, num_train = num_train, num_val = num_val 370 | ) 371 | #---------------------------------------------------------# 372 | # 总训练世代指的是遍历全部数据的总次数 373 | # 总训练步长指的是梯度下降的总次数 374 | # 每个训练世代包含若干训练步长，每个训练步长进行一次梯度下降。 375 | # 此处仅建议最低训练世代，上不封顶，计算时只考虑了解冻部分 376 | #----------------------------------------------------------# 377 | wanted_step = 5e4 if optimizer_type == "sgd" else 1.5e4 378 | total_step = num_train // Unfreeze_batch_size * UnFreeze_Epoch 379 | if total_step <= wanted_step: 380 | if num_train // Unfreeze_batch_size == 0: 381 | raise ValueError('数据集过小，无法进行训练，请扩充数据集。') 382 | wanted_epoch = wanted_step // (num_train // Unfreeze_batch_size) + 1 383 | print("\n\033[1;33;44m[Warning] 使用%s优化器时，建议将训练总步长设置到%d以上。\033[0m"%(optimizer_type, wanted_step)) 384 | print("\033[1;33;44m[Warning] 本次运行的总训练数据量为%d，Unfreeze_batch_size为%d，共训练%d个Epoch，计算出总训练步长为%d。\033[0m"%(num_train, Unfreeze_batch_size, UnFreeze_Epoch, total_step)) 385 | print("\033[1;33;44m[Warning] 由于总训练步长为%d，小于建议总步长%d，建议设置总世代为%d。\033[0m"%(total_step, wanted_step, wanted_epoch)) 386 | 387 | #------------------------------------------------------# 388 | # 主干特征提取网络特征通用，冻结训练可以加快训练速度 389 | # 也可以在训练初期防止权值被破坏。 390 | # Init_Epoch为起始世代 391 | # Freeze_Epoch为冻结训练的世代 392 | # UnFreeze_Epoch总训练世代 393 | # 提示OOM或者显存不足请调小Batch_size 394 | #------------------------------------------------------# 395 | if True: 396 | UnFreeze_flag = False 397 | #------------------------------------# 398 | # 冻结一定部分训练 399 | #------------------------------------# 400 | if Freeze_Train: 401 | if backbone == "vgg": 402 | for param in model.vgg[:28].parameters(): 403 | param.requires_grad = False 404 | elif backbone == "mobilenetv2": 405 | for param in model.mobilenet.parameters(): 406 | param.requires_grad = False 407 | else: 408 | for param in model.resnet.parameters(): 409 | param.requires_grad = False 410 | 411 | #-------------------------------------------------------------------# 412 | # 如果不冻结训练的话，直接设置batch_size为Unfreeze_batch_size 413 | #-------------------------------------------------------------------# 414 | batch_size = Freeze_batch_size if Freeze_Train else Unfreeze_batch_size 415 | 416 | #-------------------------------------------------------------------# 417 | # 判断当前batch_size，自适应调整学习率 418 | #-------------------------------------------------------------------# 419 | nbs = 64 420 | lr_limit_max = 1e-3 if optimizer_type == 'adam' else 5e-2 421 | lr_limit_min = 3e-4 if optimizer_type == 'adam' else 5e-5 422 | Init_lr_fit = min(max(batch_size / nbs * Init_lr, lr_limit_min), lr_limit_max) 423 | Min_lr_fit = min(max(batch_size / nbs * Min_lr, lr_limit_min * 1e-2), lr_limit_max * 1e-2) 424 | 425 | #---------------------------------------# 426 | # 根据optimizer_type选择优化器 427 | #---------------------------------------# 428 | optimizer = { 429 | 'adam' : optim.Adam(model.parameters(), Init_lr_fit, betas = (momentum, 0.999), weight_decay = weight_decay), 430 | 'sgd' : optim.SGD(model.parameters(), Init_lr_fit, momentum = momentum, nesterov=True, weight_decay = weight_decay) 431 | }[optimizer_type] 432 | 433 | #---------------------------------------# 434 | # 获得学习率下降的公式 435 | #---------------------------------------# 436 | lr_scheduler_func = get_lr_scheduler(lr_decay_type, Init_lr_fit, Min_lr_fit, UnFreeze_Epoch) 437 | 438 | #---------------------------------------# 439 | # 判断每一个世代的长度 440 | #---------------------------------------# 441 | epoch_step = num_train // batch_size 442 | epoch_step_val = num_val // batch_size 443 | 444 | if epoch_step == 0 or epoch_step_val == 0: 445 | raise ValueError("数据集过小，无法继续进行训练，请扩充数据集。") 446 | 447 | train_dataset = SSDDataset(train_lines, input_shape, anchors, batch_size, num_classes, train = True) 448 | val_dataset = SSDDataset(val_lines, input_shape, anchors, batch_size, num_classes, train = False) 449 | 450 | if distributed: 451 | train_sampler = torch.utils.data.distributed.DistributedSampler(train_dataset, shuffle=True,) 452 | val_sampler = torch.utils.data.distributed.DistributedSampler(val_dataset, shuffle=False,) 453 | batch_size = batch_size // ngpus_per_node 454 | shuffle = False 455 | else: 456 | train_sampler = None 457 | val_sampler = None 458 | shuffle = True 459 | 460 | gen = DataLoader(train_dataset, shuffle = shuffle, batch_size = batch_size, num_workers = num_workers, pin_memory=True, 461 | drop_last=True, collate_fn=ssd_dataset_collate, sampler=train_sampler, 462 | worker_init_fn=partial(worker_init_fn, rank=rank, seed=seed)) 463 | gen_val = DataLoader(val_dataset , shuffle = shuffle, batch_size = batch_size, num_workers = num_workers, pin_memory=True, 464 | drop_last=True, collate_fn=ssd_dataset_collate, sampler=val_sampler, 465 | worker_init_fn=partial(worker_init_fn, rank=rank, seed=seed)) 466 | 467 | #----------------------# 468 | # 记录eval的map曲线 469 | #----------------------# 470 | if local_rank == 0: 471 | eval_callback = EvalCallback(model, input_shape, anchors, class_names, num_classes, val_lines, log_dir, Cuda, \ 472 | eval_flag=eval_flag, period=eval_period) 473 | else: 474 | eval_callback = None 475 | 476 | #---------------------------------------# 477 | # 开始模型训练 478 | #---------------------------------------# 479 | for epoch in range(Init_Epoch, UnFreeze_Epoch): 480 | #---------------------------------------# 481 | # 如果模型有冻结学习部分 482 | # 则解冻，并设置参数 483 | #---------------------------------------# 484 | if epoch >= Freeze_Epoch and not UnFreeze_flag and Freeze_Train: 485 | batch_size = Unfreeze_batch_size 486 | 487 | #-------------------------------------------------------------------# 488 | # 判断当前batch_size，自适应调整学习率 489 | #-------------------------------------------------------------------# 490 | nbs = 64 491 | lr_limit_max = 1e-3 if optimizer_type == 'adam' else 5e-2 492 | lr_limit_min = 3e-4 if optimizer_type == 'adam' else 5e-5 493 | Init_lr_fit = min(max(batch_size / nbs * Init_lr, lr_limit_min), lr_limit_max) 494 | Min_lr_fit = min(max(batch_size / nbs * Min_lr, lr_limit_min * 1e-2), lr_limit_max * 1e-2) 495 | #---------------------------------------# 496 | # 获得学习率下降的公式 497 | #---------------------------------------# 498 | lr_scheduler_func = get_lr_scheduler(lr_decay_type, Init_lr_fit, Min_lr_fit, UnFreeze_Epoch) 499 | 500 | if backbone == "vgg": 501 | for param in model.vgg[:28].parameters(): 502 | param.requires_grad = True 503 | elif backbone == "mobilenetv2": 504 | for param in model.mobilenet.parameters(): 505 | param.requires_grad = True 506 | else: 507 | for param in model.resnet.parameters(): 508 | param.requires_grad = True 509 | 510 | epoch_step = num_train // batch_size 511 | epoch_step_val = num_val // batch_size 512 | 513 | if epoch_step == 0 or epoch_step_val == 0: 514 | raise ValueError("数据集过小，无法继续进行训练，请扩充数据集。") 515 | 516 | if distributed: 517 | batch_size = batch_size // ngpus_per_node 518 | 519 | gen = DataLoader(train_dataset, shuffle = shuffle, batch_size = batch_size, num_workers = num_workers, pin_memory=True, 520 | drop_last=True, collate_fn=ssd_dataset_collate, sampler=train_sampler, 521 | worker_init_fn=partial(worker_init_fn, rank=rank, seed=seed)) 522 | gen_val = DataLoader(val_dataset , shuffle = shuffle, batch_size = batch_size, num_workers = num_workers, pin_memory=True, 523 | drop_last=True, collate_fn=ssd_dataset_collate, sampler=val_sampler, 524 | worker_init_fn=partial(worker_init_fn, rank=rank, seed=seed)) 525 | 526 | UnFreeze_flag = True 527 | 528 | if distributed: 529 | train_sampler.set_epoch(epoch) 530 | 531 | set_optimizer_lr(optimizer, lr_scheduler_func, epoch) 532 | 533 | fit_one_epoch(model_train, model, criterion, loss_history, eval_callback, optimizer, epoch, 534 | epoch_step, epoch_step_val, gen, gen_val, UnFreeze_Epoch, Cuda, fp16, scaler, save_period, save_dir, local_rank) 535 | 536 | if distributed: 537 | dist.barrier() 538 | 539 | if local_rank == 0: 540 | loss_history.writer.close() 541 | -------------------------------------------------------------------------------- /utils/__init__.py: -------------------------------------------------------------------------------- 1 | # -------------------------------------------------------------------------------- /utils/anchors.py: -------------------------------------------------------------------------------- 1 | import numpy as np 2 | 3 | 4 | class AnchorBox(): 5 | def __init__(self, input_shape, min_size, max_size=None, aspect_ratios=None, flip=True): 6 | self.input_shape = input_shape 7 | 8 | self.min_size = min_size 9 | self.max_size = max_size 10 | 11 | self.aspect_ratios = [] 12 | for ar in aspect_ratios: 13 | self.aspect_ratios.append(ar) 14 | self.aspect_ratios.append(1.0 / ar) 15 | 16 | def call(self, layer_shape, mask=None): 17 | # --------------------------------- # 18 | # 获取输入进来的特征层的宽和高 19 | # 比如38x38 20 | # --------------------------------- # 21 | layer_height = layer_shape[0] 22 | layer_width = layer_shape[1] 23 | # --------------------------------- # 24 | # 获取输入进来的图片的宽和高 25 | # 比如300x300 26 | # --------------------------------- # 27 | img_height = self.input_shape[0] 28 | img_width = self.input_shape[1] 29 | 30 | box_widths = [] 31 | box_heights = [] 32 | # --------------------------------- # 33 | # self.aspect_ratios一般有两个值 34 | # [1, 1, 2, 1/2] 35 | # [1, 1, 2, 1/2, 3, 1/3] 36 | # --------------------------------- # 37 | for ar in self.aspect_ratios: 38 | # 首先添加一个较小的正方形 39 | if ar == 1 and len(box_widths) == 0: 40 | box_widths.append(self.min_size) 41 | box_heights.append(self.min_size) 42 | # 然后添加一个较大的正方形 43 | elif ar == 1 and len(box_widths) > 0: 44 | box_widths.append(np.sqrt(self.min_size * self.max_size)) 45 | box_heights.append(np.sqrt(self.min_size * self.max_size)) 46 | # 然后添加长方形 47 | elif ar != 1: 48 | box_widths.append(self.min_size * np.sqrt(ar)) 49 | box_heights.append(self.min_size / np.sqrt(ar)) 50 | 51 | # --------------------------------- # 52 | # 获得所有先验框的宽高1/2 53 | # --------------------------------- # 54 | box_widths = 0.5 * np.array(box_widths) 55 | box_heights = 0.5 * np.array(box_heights) 56 | 57 | # --------------------------------- # 58 | # 每一个特征层对应的步长 59 | # --------------------------------- # 60 | step_x = img_width / layer_width 61 | step_y = img_height / layer_height 62 | 63 | # --------------------------------- # 64 | # 生成网格中心 65 | # --------------------------------- # 66 | linx = np.linspace(0.5 * step_x, img_width - 0.5 * step_x, 67 | layer_width) 68 | liny = np.linspace(0.5 * step_y, img_height - 0.5 * step_y, 69 | layer_height) 70 | centers_x, centers_y = np.meshgrid(linx, liny) 71 | centers_x = centers_x.reshape(-1, 1) 72 | centers_y = centers_y.reshape(-1, 1) 73 | 74 | # 每一个先验框需要两个(centers_x, centers_y)，前一个用来计算左上角，后一个计算右下角 75 | num_anchors_ = len(self.aspect_ratios) 76 | anchor_boxes = np.concatenate((centers_x, centers_y), axis=1) 77 | anchor_boxes = np.tile(anchor_boxes, (1, 2 * num_anchors_)) 78 | # 获得先验框的左上角和右下角 79 | anchor_boxes[:, ::4] -= box_widths 80 | anchor_boxes[:, 1::4] -= box_heights 81 | anchor_boxes[:, 2::4] += box_widths 82 | anchor_boxes[:, 3::4] += box_heights 83 | 84 | # --------------------------------- # 85 | # 将先验框变成小数的形式 86 | # 归一化 87 | # --------------------------------- # 88 | anchor_boxes[:, ::2] /= img_width 89 | anchor_boxes[:, 1::2] /= img_height 90 | anchor_boxes = anchor_boxes.reshape(-1, 4) 91 | 92 | anchor_boxes = np.minimum(np.maximum(anchor_boxes, 0.0), 1.0) 93 | return anchor_boxes 94 | 95 | #---------------------------------------------------# 96 | # 用于计算共享特征层的大小 97 | #---------------------------------------------------# 98 | def get_vgg_output_length(height, width): 99 | filter_sizes = [3, 3, 3, 3, 3, 3, 3, 3] 100 | padding = [1, 1, 1, 1, 1, 1, 0, 0] 101 | stride = [2, 2, 2, 2, 2, 2, 1, 1] 102 | feature_heights = [] 103 | feature_widths = [] 104 | 105 | for i in range(len(filter_sizes)): 106 | height = (height + 2*padding[i] - filter_sizes[i]) // stride[i] + 1 107 | width = (width + 2*padding[i] - filter_sizes[i]) // stride[i] + 1 108 | feature_heights.append(height) 109 | feature_widths.append(width) 110 | return np.array(feature_heights)[-6:], np.array(feature_widths)[-6:] 111 | 112 | def get_mobilenet_output_length(height, width): 113 | filter_sizes = [3, 3, 3, 3, 3, 3, 3, 3, 3] 114 | padding = [1, 1, 1, 1, 1, 1, 1, 1, 1] 115 | stride = [2, 2, 2, 2, 2, 2, 2, 2, 2] 116 | feature_heights = [] 117 | feature_widths = [] 118 | 119 | for i in range(len(filter_sizes)): 120 | height = (height + 2*padding[i] - filter_sizes[i]) // stride[i] + 1 121 | width = (width + 2*padding[i] - filter_sizes[i]) // stride[i] + 1 122 | feature_heights.append(height) 123 | feature_widths.append(width) 124 | return np.array(feature_heights)[-6:], np.array(feature_widths)[-6:] 125 | 126 | def get_anchors(input_shape = [300,300], anchors_size = [30, 60, 111, 162, 213, 264, 315], backbone = 'vgg'): 127 | if backbone == 'vgg' or backbone == 'resnet50': 128 | feature_heights, feature_widths = get_vgg_output_length(input_shape[0], input_shape[1]) 129 | aspect_ratios = [[1, 2], [1, 2, 3], [1, 2, 3], [1, 2, 3], [1, 2], [1, 2]] 130 | else: 131 | feature_heights, feature_widths = get_mobilenet_output_length(input_shape[0], input_shape[1]) 132 | aspect_ratios = [[1, 2, 3], [1, 2, 3], [1, 2, 3], [1, 2, 3], [1, 2, 3], [1, 2, 3]] 133 | 134 | anchors = [] 135 | for i in range(len(feature_heights)): 136 | anchor_boxes = AnchorBox(input_shape, anchors_size[i], max_size = anchors_size[i+1], 137 | aspect_ratios = aspect_ratios[i]).call([feature_heights[i], feature_widths[i]]) 138 | anchors.append(anchor_boxes) 139 | 140 | anchors = np.concatenate(anchors, axis=0) 141 | return anchors 142 | 143 | if __name__ == '__main__': 144 | import matplotlib.pyplot as plt 145 | class AnchorBox_for_Vision(): 146 | def __init__(self, input_shape, min_size, max_size=None, aspect_ratios=None, flip=True): 147 | # 获得输入图片的大小，300x300 148 | self.input_shape = input_shape 149 | 150 | # 先验框的短边 151 | self.min_size = min_size 152 | # 先验框的长边 153 | self.max_size = max_size 154 | 155 | # [1, 2] => [1, 1, 2, 1/2] 156 | # [1, 2, 3] => [1, 1, 2, 1/2, 3, 1/3] 157 | self.aspect_ratios = [] 158 | for ar in aspect_ratios: 159 | self.aspect_ratios.append(ar) 160 | self.aspect_ratios.append(1.0 / ar) 161 | 162 | def call(self, layer_shape, mask=None): 163 | # --------------------------------- # 164 | # 获取输入进来的特征层的宽和高 165 | # 比如3x3 166 | # --------------------------------- # 167 | layer_height = layer_shape[0] 168 | layer_width = layer_shape[1] 169 | # --------------------------------- # 170 | # 获取输入进来的图片的宽和高 171 | # 比如300x300 172 | # --------------------------------- # 173 | img_height = self.input_shape[0] 174 | img_width = self.input_shape[1] 175 | 176 | box_widths = [] 177 | box_heights = [] 178 | # --------------------------------- # 179 | # self.aspect_ratios一般有两个值 180 | # [1, 1, 2, 1/2] 181 | # [1, 1, 2, 1/2, 3, 1/3] 182 | # --------------------------------- # 183 | for ar in self.aspect_ratios: 184 | # 首先添加一个较小的正方形 185 | if ar == 1 and len(box_widths) == 0: 186 | box_widths.append(self.min_size) 187 | box_heights.append(self.min_size) 188 | # 然后添加一个较大的正方形 189 | elif ar == 1 and len(box_widths) > 0: 190 | box_widths.append(np.sqrt(self.min_size * self.max_size)) 191 | box_heights.append(np.sqrt(self.min_size * self.max_size)) 192 | # 然后添加长方形 193 | elif ar != 1: 194 | box_widths.append(self.min_size * np.sqrt(ar)) 195 | box_heights.append(self.min_size / np.sqrt(ar)) 196 | 197 | print("box_widths:", box_widths) 198 | print("box_heights:", box_heights) 199 | 200 | # --------------------------------- # 201 | # 获得所有先验框的宽高1/2 202 | # --------------------------------- # 203 | box_widths = 0.5 * np.array(box_widths) 204 | box_heights = 0.5 * np.array(box_heights) 205 | 206 | # --------------------------------- # 207 | # 每一个特征层对应的步长 208 | # 3x3的步长为100 209 | # --------------------------------- # 210 | step_x = img_width / layer_width 211 | step_y = img_height / layer_height 212 | 213 | # --------------------------------- # 214 | # 生成网格中心 215 | # --------------------------------- # 216 | linx = np.linspace(0.5 * step_x, img_width - 0.5 * step_x, layer_width) 217 | liny = np.linspace(0.5 * step_y, img_height - 0.5 * step_y, layer_height) 218 | # 构建网格 219 | centers_x, centers_y = np.meshgrid(linx, liny) 220 | centers_x = centers_x.reshape(-1, 1) 221 | centers_y = centers_y.reshape(-1, 1) 222 | 223 | if layer_height == 3: 224 | fig = plt.figure() 225 | ax = fig.add_subplot(111) 226 | plt.ylim(-50,350) 227 | plt.xlim(-50,350) 228 | plt.scatter(centers_x,centers_y) 229 | 230 | # 每一个先验框需要两个(centers_x, centers_y)，前一个用来计算左上角，后一个计算右下角 231 | num_anchors_ = len(self.aspect_ratios) 232 | anchor_boxes = np.concatenate((centers_x, centers_y), axis=1) 233 | anchor_boxes = np.tile(anchor_boxes, (1, 2 * num_anchors_)) 234 | 235 | # 获得先验框的左上角和右下角 236 | anchor_boxes[:, ::4] -= box_widths 237 | anchor_boxes[:, 1::4] -= box_heights 238 | anchor_boxes[:, 2::4] += box_widths 239 | anchor_boxes[:, 3::4] += box_heights 240 | 241 | print(np.shape(anchor_boxes)) 242 | if layer_height == 3: 243 | rect1 = plt.Rectangle([anchor_boxes[4, 0],anchor_boxes[4, 1]],box_widths[0]*2,box_heights[0]*2,color="r",fill=False) 244 | rect2 = plt.Rectangle([anchor_boxes[4, 4],anchor_boxes[4, 5]],box_widths[1]*2,box_heights[1]*2,color="r",fill=False) 245 | rect3 = plt.Rectangle([anchor_boxes[4, 8],anchor_boxes[4, 9]],box_widths[2]*2,box_heights[2]*2,color="r",fill=False) 246 | rect4 = plt.Rectangle([anchor_boxes[4, 12],anchor_boxes[4, 13]],box_widths[3]*2,box_heights[3]*2,color="r",fill=False) 247 | 248 | ax.add_patch(rect1) 249 | ax.add_patch(rect2) 250 | ax.add_patch(rect3) 251 | ax.add_patch(rect4) 252 | 253 | plt.show() 254 | # --------------------------------- # 255 | # 将先验框变成小数的形式 256 | # 归一化 257 | # --------------------------------- # 258 | anchor_boxes[:, ::2] /= img_width 259 | anchor_boxes[:, 1::2] /= img_height 260 | anchor_boxes = anchor_boxes.reshape(-1, 4) 261 | 262 | anchor_boxes = np.minimum(np.maximum(anchor_boxes, 0.0), 1.0) 263 | return anchor_boxes 264 | 265 | # 输入图片大小为300, 300 266 | input_shape = [300, 300] 267 | # 指定先验框的大小，即宽高 268 | anchors_size = [30, 60, 111, 162, 213, 264, 315] 269 | # feature_heights [38, 19, 10, 5, 3, 1] 270 | # feature_widths [38, 19, 10, 5, 3, 1] 271 | feature_heights, feature_widths = get_vgg_output_length(input_shape[0], input_shape[1]) 272 | # 对先验框的数量进行一个指定 4，6 273 | aspect_ratios = [[1, 2], [1, 2, 3], [1, 2, 3], [1, 2, 3], [1, 2], [1, 2]] 274 | 275 | anchors = [] 276 | for i in range(len(feature_heights)): 277 | anchors.append(AnchorBox_for_Vision(input_shape, anchors_size[i], max_size = anchors_size[i+1], 278 | aspect_ratios = aspect_ratios[i]).call([feature_heights[i], feature_widths[i]])) 279 | 280 | anchors = np.concatenate(anchors, axis=0) 281 | print(np.shape(anchors)) 282 | -------------------------------------------------------------------------------- /utils/callbacks.py: -------------------------------------------------------------------------------- 1 | import datetime 2 | import os 3 | 4 | import torch 5 | import matplotlib 6 | matplotlib.use('Agg') 7 | import scipy.signal 8 | from matplotlib import pyplot as plt 9 | from torch.utils.tensorboard import SummaryWriter 10 | 11 | import shutil 12 | import numpy as np 13 | 14 | from PIL import Image 15 | from tqdm import tqdm 16 | from .utils import cvtColor, preprocess_input, resize_image 17 | from .utils_bbox import BBoxUtility 18 | from .utils_map import get_coco_map, get_map 19 | 20 | 21 | class LossHistory(): 22 | def __init__(self, log_dir, model, input_shape): 23 | self.log_dir = log_dir 24 | self.losses = [] 25 | self.val_loss = [] 26 | 27 | os.makedirs(self.log_dir) 28 | self.writer = SummaryWriter(self.log_dir) 29 | try: 30 | dummy_input = torch.randn(2, 3, input_shape[0], input_shape[1]) 31 | self.writer.add_graph(model, dummy_input) 32 | except: 33 | pass 34 | 35 | def append_loss(self, epoch, loss, val_loss): 36 | if not os.path.exists(self.log_dir): 37 | os.makedirs(self.log_dir) 38 | 39 | self.losses.append(loss) 40 | self.val_loss.append(val_loss) 41 | 42 | with open(os.path.join(self.log_dir, "epoch_loss.txt"), 'a') as f: 43 | f.write(str(loss)) 44 | f.write("\n") 45 | with open(os.path.join(self.log_dir, "epoch_val_loss.txt"), 'a') as f: 46 | f.write(str(val_loss)) 47 | f.write("\n") 48 | 49 | self.writer.add_scalar('loss', loss, epoch) 50 | self.writer.add_scalar('val_loss', val_loss, epoch) 51 | self.loss_plot() 52 | 53 | def loss_plot(self): 54 | iters = range(len(self.losses)) 55 | 56 | plt.figure() 57 | plt.plot(iters, self.losses, 'red', linewidth = 2, label='train loss') 58 | plt.plot(iters, self.val_loss, 'coral', linewidth = 2, label='val loss') 59 | try: 60 | if len(self.losses) < 25: 61 | num = 5 62 | else: 63 | num = 15 64 | 65 | plt.plot(iters, scipy.signal.savgol_filter(self.losses, num, 3), 'green', linestyle = '--', linewidth = 2, label='smooth train loss') 66 | plt.plot(iters, scipy.signal.savgol_filter(self.val_loss, num, 3), '#8B4513', linestyle = '--', linewidth = 2, label='smooth val loss') 67 | except: 68 | pass 69 | 70 | plt.grid(True) 71 | plt.xlabel('Epoch') 72 | plt.ylabel('Loss') 73 | plt.legend(loc="upper right") 74 | 75 | plt.savefig(os.path.join(self.log_dir, "epoch_loss.png")) 76 | 77 | plt.cla() 78 | plt.close("all") 79 | 80 | class EvalCallback(): 81 | def __init__(self, net, input_shape, anchors, class_names, num_classes, val_lines, log_dir, cuda, \ 82 | map_out_path=".temp_map_out", max_boxes=100, confidence=0.05, nms_iou=0.5, letterbox_image=True, MINOVERLAP=0.5, eval_flag=True, period=1): 83 | super(EvalCallback, self).__init__() 84 | 85 | self.net = net 86 | self.input_shape = input_shape 87 | self.anchors = anchors 88 | self.class_names = class_names 89 | self.num_classes = num_classes 90 | self.val_lines = val_lines 91 | self.log_dir = log_dir 92 | self.cuda = cuda 93 | self.map_out_path = map_out_path 94 | self.max_boxes = max_boxes 95 | self.confidence = confidence 96 | self.nms_iou = nms_iou 97 | self.letterbox_image = letterbox_image 98 | self.MINOVERLAP = MINOVERLAP 99 | self.eval_flag = eval_flag 100 | self.period = period 101 | 102 | self.anchors = torch.from_numpy(self.anchors).type(torch.FloatTensor) 103 | if self.cuda: 104 | self.anchors = self.anchors.cuda() 105 | 106 | self.bbox_util = BBoxUtility(self.num_classes) 107 | 108 | self.maps = [0] 109 | self.epoches = [0] 110 | if self.eval_flag: 111 | with open(os.path.join(self.log_dir, "epoch_map.txt"), 'a') as f: 112 | f.write(str(0)) 113 | f.write("\n") 114 | 115 | def get_map_txt(self, image_id, image, class_names, map_out_path): 116 | f = open(os.path.join(map_out_path, "detection-results/"+image_id+".txt"),"w") 117 | #---------------------------------------------------# 118 | # 计算输入图片的高和宽 119 | #---------------------------------------------------# 120 | image_shape = np.array(np.shape(image)[0:2]) 121 | #---------------------------------------------------------# 122 | # 在这里将图像转换成RGB图像，防止灰度图在预测时报错。 123 | # 代码仅仅支持RGB图像的预测，所有其它类型的图像都会转化成RGB 124 | #---------------------------------------------------------# 125 | image = cvtColor(image) 126 | #---------------------------------------------------------# 127 | # 给图像增加灰条，实现不失真的resize 128 | # 也可以直接resize进行识别 129 | #---------------------------------------------------------# 130 | image_data = resize_image(image, (self.input_shape[1], self.input_shape[0]), self.letterbox_image) 131 | #---------------------------------------------------------# 132 | # 添加上batch_size维度，图片预处理，归一化。 133 | #---------------------------------------------------------# 134 | image_data = np.expand_dims(np.transpose(preprocess_input(np.array(image_data, dtype='float32')), (2, 0, 1)), 0) 135 | 136 | with torch.no_grad(): 137 | #---------------------------------------------------# 138 | # 转化成torch的形式 139 | #---------------------------------------------------# 140 | images = torch.from_numpy(image_data).type(torch.FloatTensor) 141 | if self.cuda: 142 | images = images.cuda() 143 | #---------------------------------------------------------# 144 | # 将图像输入网络当中进行预测！ 145 | #---------------------------------------------------------# 146 | outputs = self.net(images) 147 | #-----------------------------------------------------------# 148 | # 将预测结果进行解码 149 | #-----------------------------------------------------------# 150 | results = self.bbox_util.decode_box(outputs, self.anchors, image_shape, self.input_shape, self.letterbox_image, 151 | nms_iou = self.nms_iou, confidence = self.confidence) 152 | #--------------------------------------# 153 | # 如果没有检测到物体，则返回原图 154 | #--------------------------------------# 155 | if len(results[0]) <= 0: 156 | return 157 | 158 | top_label = np.array(results[0][:, 4], dtype = 'int32') 159 | top_conf = results[0][:, 5] 160 | top_boxes = results[0][:, :4] 161 | 162 | top_100 = np.argsort(top_conf)[::-1][:self.max_boxes] 163 | top_boxes = top_boxes[top_100] 164 | top_conf = top_conf[top_100] 165 | top_label = top_label[top_100] 166 | 167 | for i, c in list(enumerate(top_label)): 168 | predicted_class = self.class_names[int(c)] 169 | box = top_boxes[i] 170 | score = str(top_conf[i]) 171 | 172 | top, left, bottom, right = box 173 | if predicted_class not in class_names: 174 | continue 175 | 176 | f.write("%s %s %s %s %s %s\n" % (predicted_class, score[:6], str(int(left)), str(int(top)), str(int(right)),str(int(bottom)))) 177 | 178 | f.close() 179 | return 180 | 181 | def on_epoch_end(self, epoch, model_eval): 182 | if epoch % self.period == 0 and self.eval_flag: 183 | self.net = model_eval 184 | if not os.path.exists(self.map_out_path): 185 | os.makedirs(self.map_out_path) 186 | if not os.path.exists(os.path.join(self.map_out_path, "ground-truth")): 187 | os.makedirs(os.path.join(self.map_out_path, "ground-truth")) 188 | if not os.path.exists(os.path.join(self.map_out_path, "detection-results")): 189 | os.makedirs(os.path.join(self.map_out_path, "detection-results")) 190 | print("Get map.") 191 | for annotation_line in tqdm(self.val_lines): 192 | line = annotation_line.split() 193 | image_id = os.path.basename(line[0]).split('.')[0] 194 | #------------------------------# 195 | # 读取图像并转换成RGB图像 196 | #------------------------------# 197 | image = Image.open(line[0]) 198 | #------------------------------# 199 | # 获得预测框 200 | #------------------------------# 201 | gt_boxes = np.array([np.array(list(map(int,box.split(',')))) for box in line[1:]]) 202 | #------------------------------# 203 | # 获得预测txt 204 | #------------------------------# 205 | self.get_map_txt(image_id, image, self.class_names, self.map_out_path) 206 | 207 | #------------------------------# 208 | # 获得真实框txt 209 | #------------------------------# 210 | with open(os.path.join(self.map_out_path, "ground-truth/"+image_id+".txt"), "w") as new_f: 211 | for box in gt_boxes: 212 | left, top, right, bottom, obj = box 213 | obj_name = self.class_names[obj] 214 | new_f.write("%s %s %s %s %s\n" % (obj_name, left, top, right, bottom)) 215 | 216 | print("Calculate Map.") 217 | try: 218 | temp_map = get_coco_map(class_names = self.class_names, path = self.map_out_path)[1] 219 | except: 220 | temp_map = get_map(self.MINOVERLAP, False, path = self.map_out_path) 221 | self.maps.append(temp_map) 222 | self.epoches.append(epoch) 223 | 224 | with open(os.path.join(self.log_dir, "epoch_map.txt"), 'a') as f: 225 | f.write(str(temp_map)) 226 | f.write("\n") 227 | 228 | plt.figure() 229 | plt.plot(self.epoches, self.maps, 'red', linewidth = 2, label='train map') 230 | 231 | plt.grid(True) 232 | plt.xlabel('Epoch') 233 | plt.ylabel('Map %s'%str(self.MINOVERLAP)) 234 | plt.title('A Map Curve') 235 | plt.legend(loc="upper right") 236 | 237 | plt.savefig(os.path.join(self.log_dir, "epoch_map.png")) 238 | plt.cla() 239 | plt.close("all") 240 | 241 | print("Get map done.") 242 | shutil.rmtree(self.map_out_path) 243 | -------------------------------------------------------------------------------- /utils/dataloader.py: -------------------------------------------------------------------------------- 1 | import cv2 2 | import numpy as np 3 | import torch 4 | from PIL import Image 5 | from torch.utils.data.dataset import Dataset 6 | 7 | from utils.utils import cvtColor, preprocess_input 8 | 9 | 10 | class SSDDataset(Dataset): 11 | def __init__(self, annotation_lines, input_shape, anchors, batch_size, num_classes, train, overlap_threshold = 0.5): 12 | super(SSDDataset, self).__init__() 13 | self.annotation_lines = annotation_lines 14 | self.length = len(self.annotation_lines) 15 | 16 | self.input_shape = input_shape 17 | self.anchors = anchors 18 | self.num_anchors = len(anchors) 19 | self.batch_size = batch_size 20 | self.num_classes = num_classes 21 | self.train = train 22 | self.overlap_threshold = overlap_threshold 23 | 24 | def __len__(self): 25 | return self.length 26 | 27 | def __getitem__(self, index): 28 | index = index % self.length 29 | #---------------------------------------------------# 30 | # 训练时进行数据的随机增强 31 | # 验证时不进行数据的随机增强 32 | #---------------------------------------------------# 33 | image, box = self.get_random_data(self.annotation_lines[index], self.input_shape, random = self.train) 34 | image_data = np.transpose(preprocess_input(np.array(image, dtype = np.float32)), (2, 0, 1)) 35 | if len(box)!=0: 36 | boxes = np.array(box[:,:4] , dtype=np.float32) 37 | # 进行归一化，调整到0-1之间 38 | boxes[:, [0, 2]] = boxes[:,[0, 2]] / self.input_shape[1] 39 | boxes[:, [1, 3]] = boxes[:,[1, 3]] / self.input_shape[0] 40 | # 对真实框的种类进行one hot处理 41 | one_hot_label = np.eye(self.num_classes - 1)[np.array(box[:,4], np.int32)] 42 | box = np.concatenate([boxes, one_hot_label], axis=-1) 43 | box = self.assign_boxes(box) 44 | 45 | return np.array(image_data, np.float32), np.array(box, np.float32) 46 | 47 | def rand(self, a=0, b=1): 48 | return np.random.rand()*(b-a) + a 49 | 50 | def get_random_data(self, annotation_line, input_shape, jitter=.3, hue=.1, sat=0.7, val=0.4, random=True): 51 | line = annotation_line.split() 52 | #------------------------------# 53 | # 读取图像并转换成RGB图像 54 | #------------------------------# 55 | image = Image.open(line[0]) 56 | image = cvtColor(image) 57 | #------------------------------# 58 | # 获得图像的高宽与目标高宽 59 | #------------------------------# 60 | iw, ih = image.size 61 | h, w = input_shape 62 | #------------------------------# 63 | # 获得预测框 64 | #------------------------------# 65 | box = np.array([np.array(list(map(int,box.split(',')))) for box in line[1:]]) 66 | 67 | if not random: 68 | scale = min(w/iw, h/ih) 69 | nw = int(iw*scale) 70 | nh = int(ih*scale) 71 | dx = (w-nw)//2 72 | dy = (h-nh)//2 73 | 74 | #---------------------------------# 75 | # 将图像多余的部分加上灰条 76 | #---------------------------------# 77 | image = image.resize((nw,nh), Image.BICUBIC) 78 | new_image = Image.new('RGB', (w,h), (128,128,128)) 79 | new_image.paste(image, (dx, dy)) 80 | image_data = np.array(new_image, np.float32) 81 | 82 | #---------------------------------# 83 | # 对真实框进行调整 84 | #---------------------------------# 85 | if len(box)>0: 86 | np.random.shuffle(box) 87 | box[:, [0,2]] = box[:, [0,2]]*nw/iw + dx 88 | box[:, [1,3]] = box[:, [1,3]]*nh/ih + dy 89 | box[:, 0:2][box[:, 0:2]<0] = 0 90 | box[:, 2][box[:, 2]>w] = w 91 | box[:, 3][box[:, 3]>h] = h 92 | box_w = box[:, 2] - box[:, 0] 93 | box_h = box[:, 3] - box[:, 1] 94 | box = box[np.logical_and(box_w>1, box_h>1)] # discard invalid box 95 | 96 | return image_data, box 97 | 98 | #------------------------------------------# 99 | # 对图像进行缩放并且进行长和宽的扭曲 100 | #------------------------------------------# 101 | new_ar = iw/ih * self.rand(1-jitter,1+jitter) / self.rand(1-jitter,1+jitter) 102 | scale = self.rand(.25, 2) 103 | if new_ar < 1: 104 | nh = int(scale*h) 105 | nw = int(nh*new_ar) 106 | else: 107 | nw = int(scale*w) 108 | nh = int(nw/new_ar) 109 | image = image.resize((nw,nh), Image.BICUBIC) 110 | 111 | #------------------------------------------# 112 | # 将图像多余的部分加上灰条 113 | #------------------------------------------# 114 | dx = int(self.rand(0, w-nw)) 115 | dy = int(self.rand(0, h-nh)) 116 | new_image = Image.new('RGB', (w,h), (128,128,128)) 117 | new_image.paste(image, (dx, dy)) 118 | image = new_image 119 | 120 | #------------------------------------------# 121 | # 翻转图像 122 | #------------------------------------------# 123 | flip = self.rand()<.5 124 | if flip: image = image.transpose(Image.FLIP_LEFT_RIGHT) 125 | 126 | image_data = np.array(image, np.uint8) 127 | #---------------------------------# 128 | # 对图像进行色域变换 129 | # 计算色域变换的参数 130 | #---------------------------------# 131 | r = np.random.uniform(-1, 1, 3) * [hue, sat, val] + 1 132 | #---------------------------------# 133 | # 将图像转到HSV上 134 | #---------------------------------# 135 | hue, sat, val = cv2.split(cv2.cvtColor(image_data, cv2.COLOR_RGB2HSV)) 136 | dtype = image_data.dtype 137 | #---------------------------------# 138 | # 应用变换 139 | #---------------------------------# 140 | x = np.arange(0, 256, dtype=r.dtype) 141 | lut_hue = ((x * r[0]) % 180).astype(dtype) 142 | lut_sat = np.clip(x * r[1], 0, 255).astype(dtype) 143 | lut_val = np.clip(x * r[2], 0, 255).astype(dtype) 144 | 145 | image_data = cv2.merge((cv2.LUT(hue, lut_hue), cv2.LUT(sat, lut_sat), cv2.LUT(val, lut_val))) 146 | image_data = cv2.cvtColor(image_data, cv2.COLOR_HSV2RGB) 147 | 148 | #---------------------------------# 149 | # 对真实框进行调整 150 | #---------------------------------# 151 | if len(box)>0: 152 | np.random.shuffle(box) 153 | box[:, [0,2]] = box[:, [0,2]]*nw/iw + dx 154 | box[:, [1,3]] = box[:, [1,3]]*nh/ih + dy 155 | if flip: box[:, [0,2]] = w - box[:, [2,0]] 156 | box[:, 0:2][box[:, 0:2]<0] = 0 157 | box[:, 2][box[:, 2]>w] = w 158 | box[:, 3][box[:, 3]>h] = h 159 | box_w = box[:, 2] - box[:, 0] 160 | box_h = box[:, 3] - box[:, 1] 161 | box = box[np.logical_and(box_w>1, box_h>1)] 162 | 163 | return image_data, box 164 | 165 | def iou(self, box): 166 | #---------------------------------------------# 167 | # 计算出每个真实框与所有的先验框的iou 168 | # 判断真实框与先验框的重合情况 169 | #---------------------------------------------# 170 | inter_upleft = np.maximum(self.anchors[:, :2], box[:2]) 171 | inter_botright = np.minimum(self.anchors[:, 2:4], box[2:]) 172 | 173 | inter_wh = inter_botright - inter_upleft 174 | inter_wh = np.maximum(inter_wh, 0) 175 | inter = inter_wh[:, 0] * inter_wh[:, 1] 176 | #---------------------------------------------# 177 | # 真实框的面积 178 | #---------------------------------------------# 179 | area_true = (box[2] - box[0]) * (box[3] - box[1]) 180 | #---------------------------------------------# 181 | # 先验框的面积 182 | #---------------------------------------------# 183 | area_gt = (self.anchors[:, 2] - self.anchors[:, 0])*(self.anchors[:, 3] - self.anchors[:, 1]) 184 | #---------------------------------------------# 185 | # 计算iou 186 | #---------------------------------------------# 187 | union = area_true + area_gt - inter 188 | 189 | iou = inter / union 190 | return iou 191 | 192 | def encode_box(self, box, return_iou=True, variances = [0.1, 0.1, 0.2, 0.2]): 193 | #---------------------------------------------# 194 | # 计算当前真实框和先验框的重合情况 195 | # iou [self.num_anchors] 196 | # encoded_box [self.num_anchors, 5] 197 | #---------------------------------------------# 198 | iou = self.iou(box) 199 | encoded_box = np.zeros((self.num_anchors, 4 + return_iou)) 200 | 201 | #---------------------------------------------# 202 | # 找到每一个真实框，重合程度较高的先验框 203 | # 真实框可以由这个先验框来负责预测 204 | #---------------------------------------------# 205 | assign_mask = iou > self.overlap_threshold 206 | 207 | #---------------------------------------------# 208 | # 如果没有一个先验框重合度大于self.overlap_threshold 209 | # 则选择重合度最大的为正样本 210 | #---------------------------------------------# 211 | if not assign_mask.any(): 212 | assign_mask[iou.argmax()] = True 213 | 214 | #---------------------------------------------# 215 | # 利用iou进行赋值 216 | #---------------------------------------------# 217 | if return_iou: 218 | encoded_box[:, -1][assign_mask] = iou[assign_mask] 219 | 220 | #---------------------------------------------# 221 | # 找到对应的先验框 222 | #---------------------------------------------# 223 | assigned_anchors = self.anchors[assign_mask] 224 | 225 | #---------------------------------------------# 226 | # 逆向编码，将真实框转化为ssd预测结果的格式 227 | # 先计算真实框的中心与长宽 228 | #---------------------------------------------# 229 | box_center = 0.5 * (box[:2] + box[2:]) 230 | box_wh = box[2:] - box[:2] 231 | #---------------------------------------------# 232 | # 再计算重合度较高的先验框的中心与长宽 233 | #---------------------------------------------# 234 | assigned_anchors_center = (assigned_anchors[:, 0:2] + assigned_anchors[:, 2:4]) * 0.5 235 | assigned_anchors_wh = (assigned_anchors[:, 2:4] - assigned_anchors[:, 0:2]) 236 | 237 | #------------------------------------------------# 238 | # 逆向求取ssd应该有的预测结果 239 | # 先求取中心的预测结果，再求取宽高的预测结果 240 | # 存在改变数量级的参数，默认为[0.1,0.1,0.2,0.2] 241 | #------------------------------------------------# 242 | encoded_box[:, :2][assign_mask] = box_center - assigned_anchors_center 243 | encoded_box[:, :2][assign_mask] /= assigned_anchors_wh 244 | encoded_box[:, :2][assign_mask] /= np.array(variances)[:2] 245 | 246 | encoded_box[:, 2:4][assign_mask] = np.log(box_wh / assigned_anchors_wh) 247 | encoded_box[:, 2:4][assign_mask] /= np.array(variances)[2:4] 248 | return encoded_box.ravel() 249 | 250 | def assign_boxes(self, boxes): 251 | #---------------------------------------------------# 252 | # assignment分为3个部分 253 | # :4 的内容为网络应该有的回归预测结果 254 | # 4:-1 的内容为先验框所对应的种类，默认为背景 255 | # -1 的内容为当前先验框是否包含目标 256 | #---------------------------------------------------# 257 | assignment = np.zeros((self.num_anchors, 4 + self.num_classes + 1)) 258 | assignment[:, 4] = 1.0 259 | if len(boxes) == 0: 260 | return assignment 261 | 262 | # 对每一个真实框都进行iou计算 263 | encoded_boxes = np.apply_along_axis(self.encode_box, 1, boxes[:, :4]) 264 | #---------------------------------------------------# 265 | # 在reshape后，获得的encoded_boxes的shape为： 266 | # [num_true_box, num_anchors, 4 + 1] 267 | # 4是编码后的结果，1为iou 268 | #---------------------------------------------------# 269 | encoded_boxes = encoded_boxes.reshape(-1, self.num_anchors, 5) 270 | 271 | #---------------------------------------------------# 272 | # [num_anchors]求取每一个先验框重合度最大的真实框 273 | #---------------------------------------------------# 274 | best_iou = encoded_boxes[:, :, -1].max(axis=0) 275 | best_iou_idx = encoded_boxes[:, :, -1].argmax(axis=0) 276 | best_iou_mask = best_iou > 0 277 | best_iou_idx = best_iou_idx[best_iou_mask] 278 | 279 | #---------------------------------------------------# 280 | # 计算一共有多少先验框满足需求 281 | #---------------------------------------------------# 282 | assign_num = len(best_iou_idx) 283 | 284 | # 将编码后的真实框取出 285 | encoded_boxes = encoded_boxes[:, best_iou_mask, :] 286 | #---------------------------------------------------# 287 | # 编码后的真实框的赋值 288 | #---------------------------------------------------# 289 | assignment[:, :4][best_iou_mask] = encoded_boxes[best_iou_idx, np.arange(assign_num), :4] 290 | #----------------------------------------------------------# 291 | # 4代表为背景的概率，设定为0，因为这些先验框有对应的物体 292 | #----------------------------------------------------------# 293 | assignment[:, 4][best_iou_mask] = 0 294 | assignment[:, 5:-1][best_iou_mask] = boxes[best_iou_idx, 4:] 295 | #----------------------------------------------------------# 296 | # -1表示先验框是否有对应的物体 297 | #----------------------------------------------------------# 298 | assignment[:, -1][best_iou_mask] = 1 299 | # 通过assign_boxes我们就获得了，输入进来的这张图片，应该有的预测结果是什么样子的 300 | return assignment 301 | 302 | # DataLoader中collate_fn使用 303 | def ssd_dataset_collate(batch): 304 | images = [] 305 | bboxes = [] 306 | for img, box in batch: 307 | images.append(img) 308 | bboxes.append(box) 309 | images = torch.from_numpy(np.array(images)).type(torch.FloatTensor) 310 | bboxes = torch.from_numpy(np.array(bboxes)).type(torch.FloatTensor) 311 | return images, bboxes 312 | -------------------------------------------------------------------------------- /utils/utils.py: -------------------------------------------------------------------------------- 1 | import random 2 | 3 | import numpy as np 4 | import torch 5 | from PIL import Image 6 | 7 | 8 | #---------------------------------------------------------# 9 | # 将图像转换成RGB图像，防止灰度图在预测时报错。 10 | # 代码仅仅支持RGB图像的预测，所有其它类型的图像都会转化成RGB 11 | #---------------------------------------------------------# 12 | def cvtColor(image): 13 | if len(np.shape(image)) == 3 and np.shape(image)[2] == 3: 14 | return image 15 | else: 16 | image = image.convert('RGB') 17 | return image 18 | 19 | #---------------------------------------------------# 20 | # 对输入图像进行resize 21 | #---------------------------------------------------# 22 | def resize_image(image, size, letterbox_image): 23 | iw, ih = image.size 24 | w, h = size 25 | if letterbox_image: 26 | scale = min(w/iw, h/ih) 27 | nw = int(iw*scale) 28 | nh = int(ih*scale) 29 | 30 | image = image.resize((nw,nh), Image.BICUBIC) 31 | new_image = Image.new('RGB', size, (128,128,128)) 32 | new_image.paste(image, ((w-nw)//2, (h-nh)//2)) 33 | else: 34 | new_image = image.resize((w, h), Image.BICUBIC) 35 | return new_image 36 | 37 | #---------------------------------------------------# 38 | # 获得类 39 | #---------------------------------------------------# 40 | def get_classes(classes_path): 41 | with open(classes_path, encoding='utf-8') as f: 42 | class_names = f.readlines() 43 | class_names = [c.strip() for c in class_names] 44 | return class_names, len(class_names) 45 | 46 | #---------------------------------------------------# 47 | # 获得学习率 48 | #---------------------------------------------------# 49 | def preprocess_input(inputs): 50 | MEANS = (104, 117, 123) 51 | return inputs - MEANS 52 | 53 | #---------------------------------------------------# 54 | # 获得学习率 55 | #---------------------------------------------------# 56 | def get_lr(optimizer): 57 | for param_group in optimizer.param_groups: 58 | return param_group['lr'] 59 | 60 | #---------------------------------------------------# 61 | # 设置种子 62 | #---------------------------------------------------# 63 | def seed_everything(seed=11): 64 | random.seed(seed) 65 | np.random.seed(seed) 66 | torch.manual_seed(seed) 67 | torch.cuda.manual_seed(seed) 68 | torch.cuda.manual_seed_all(seed) 69 | torch.backends.cudnn.deterministic = True 70 | torch.backends.cudnn.benchmark = False 71 | 72 | #---------------------------------------------------# 73 | # 设置Dataloader的种子 74 | #---------------------------------------------------# 75 | def worker_init_fn(worker_id, rank, seed): 76 | worker_seed = rank + seed 77 | random.seed(worker_seed) 78 | np.random.seed(worker_seed) 79 | torch.manual_seed(worker_seed) 80 | 81 | def show_config(**kwargs): 82 | print('Configurations:') 83 | print('-' * 70) 84 | print('|%25s | %40s|' % ('keys', 'values')) 85 | print('-' * 70) 86 | for key, value in kwargs.items(): 87 | print('|%25s | %40s|' % (str(key), str(value))) 88 | print('-' * 70) 89 | 90 | def download_weights(backbone, model_dir="./model_data"): 91 | import os 92 | from torch.hub import load_state_dict_from_url 93 | 94 | download_urls = { 95 | 'vgg' : 'https://download.pytorch.org/models/vgg16-397923af.pth', 96 | 'mobilenetv2' : 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth', 97 | 'resnet50' : 'https://s3.amazonaws.com/pytorch/models/resnet50-19c8e357.pth' 98 | } 99 | url = download_urls[backbone] 100 | 101 | if not os.path.exists(model_dir): 102 | os.makedirs(model_dir) 103 | load_state_dict_from_url(url, model_dir) -------------------------------------------------------------------------------- /utils/utils_bbox.py: -------------------------------------------------------------------------------- 1 | import numpy as np 2 | import torch 3 | from torch import nn 4 | from torchvision.ops import nms 5 | 6 | 7 | class BBoxUtility(object): 8 | def __init__(self, num_classes): 9 | self.num_classes = num_classes 10 | 11 | def ssd_correct_boxes(self, box_xy, box_wh, input_shape, image_shape, letterbox_image): 12 | #-----------------------------------------------------------------# 13 | # 把y轴放前面是因为方便预测框和图像的宽高进行相乘 14 | #-----------------------------------------------------------------# 15 | box_yx = box_xy[..., ::-1] 16 | box_hw = box_wh[..., ::-1] 17 | input_shape = np.array(input_shape) 18 | image_shape = np.array(image_shape) 19 | 20 | if letterbox_image: 21 | #-----------------------------------------------------------------# 22 | # 这里求出来的offset是图像有效区域相对于图像左上角的偏移情况 23 | # new_shape指的是宽高缩放情况 24 | #-----------------------------------------------------------------# 25 | new_shape = np.round(image_shape * np.min(input_shape/image_shape)) 26 | offset = (input_shape - new_shape)/2./input_shape 27 | scale = input_shape/new_shape 28 | 29 | box_yx = (box_yx - offset) * scale 30 | box_hw *= scale 31 | 32 | box_mins = box_yx - (box_hw / 2.) 33 | box_maxes = box_yx + (box_hw / 2.) 34 | boxes = np.concatenate([box_mins[..., 0:1], box_mins[..., 1:2], box_maxes[..., 0:1], box_maxes[..., 1:2]], axis=-1) 35 | boxes *= np.concatenate([image_shape, image_shape], axis=-1) 36 | return boxes 37 | 38 | def decode_boxes(self, mbox_loc, anchors, variances): 39 | # 获得先验框的宽与高 40 | anchor_width = anchors[:, 2] - anchors[:, 0] 41 | anchor_height = anchors[:, 3] - anchors[:, 1] 42 | # 获得先验框的中心点 43 | anchor_center_x = 0.5 * (anchors[:, 2] + anchors[:, 0]) 44 | anchor_center_y = 0.5 * (anchors[:, 3] + anchors[:, 1]) 45 | 46 | # 真实框距离先验框中心的xy轴偏移情况 47 | decode_bbox_center_x = mbox_loc[:, 0] * anchor_width * variances[0] 48 | decode_bbox_center_x += anchor_center_x 49 | decode_bbox_center_y = mbox_loc[:, 1] * anchor_height * variances[0] 50 | decode_bbox_center_y += anchor_center_y 51 | 52 | # 真实框的宽与高的求取 53 | decode_bbox_width = torch.exp(mbox_loc[:, 2] * variances[1]) 54 | decode_bbox_width *= anchor_width 55 | decode_bbox_height = torch.exp(mbox_loc[:, 3] * variances[1]) 56 | decode_bbox_height *= anchor_height 57 | 58 | # 获取真实框的左上角与右下角 59 | decode_bbox_xmin = decode_bbox_center_x - 0.5 * decode_bbox_width 60 | decode_bbox_ymin = decode_bbox_center_y - 0.5 * decode_bbox_height 61 | decode_bbox_xmax = decode_bbox_center_x + 0.5 * decode_bbox_width 62 | decode_bbox_ymax = decode_bbox_center_y + 0.5 * decode_bbox_height 63 | 64 | # 真实框的左上角与右下角进行堆叠 65 | decode_bbox = torch.cat((decode_bbox_xmin[:, None], 66 | decode_bbox_ymin[:, None], 67 | decode_bbox_xmax[:, None], 68 | decode_bbox_ymax[:, None]), dim=-1) 69 | # 防止超出0与1 70 | decode_bbox = torch.min(torch.max(decode_bbox, torch.zeros_like(decode_bbox)), torch.ones_like(decode_bbox)) 71 | return decode_bbox 72 | 73 | def decode_box(self, predictions, anchors, image_shape, input_shape, letterbox_image, variances = [0.1, 0.2], nms_iou = 0.3, confidence = 0.5): 74 | #---------------------------------------------------# 75 | # :4是回归预测结果 76 | #---------------------------------------------------# 77 | mbox_loc = predictions[0] 78 | #---------------------------------------------------# 79 | # 获得种类的置信度 80 | #---------------------------------------------------# 81 | mbox_conf = nn.Softmax(-1)(predictions[1]) 82 | 83 | results = [] 84 | #----------------------------------------------------------------------------------------------------------------# 85 | # 对每一张图片进行处理，由于在predict.py的时候，我们只输入一张图片，所以for i in range(len(mbox_loc))只进行一次 86 | #----------------------------------------------------------------------------------------------------------------# 87 | for i in range(len(mbox_loc)): 88 | results.append([]) 89 | #--------------------------------# 90 | # 利用回归结果对先验框进行解码 91 | #--------------------------------# 92 | decode_bbox = self.decode_boxes(mbox_loc[i], anchors, variances) 93 | 94 | for c in range(1, self.num_classes): 95 | #--------------------------------# 96 | # 取出属于该类的所有框的置信度 97 | # 判断是否大于门限 98 | #--------------------------------# 99 | c_confs = mbox_conf[i, :, c] 100 | c_confs_m = c_confs > confidence 101 | if len(c_confs[c_confs_m]) > 0: 102 | #-----------------------------------------# 103 | # 取出得分高于confidence的框 104 | #-----------------------------------------# 105 | boxes_to_process = decode_bbox[c_confs_m] 106 | confs_to_process = c_confs[c_confs_m] 107 | 108 | keep = nms( 109 | boxes_to_process, 110 | confs_to_process, 111 | nms_iou 112 | ) 113 | #-----------------------------------------# 114 | # 取出在非极大抑制中效果较好的内容 115 | #-----------------------------------------# 116 | good_boxes = boxes_to_process[keep] 117 | confs = confs_to_process[keep][:, None] 118 | labels = (c - 1) * torch.ones((len(keep), 1)).cuda() if confs.is_cuda else (c - 1) * torch.ones((len(keep), 1)) 119 | #-----------------------------------------# 120 | # 将label、置信度、框的位置进行堆叠。 121 | #-----------------------------------------# 122 | c_pred = torch.cat((good_boxes, labels, confs), dim=1).cpu().numpy() 123 | # 添加进result里 124 | results[-1].extend(c_pred) 125 | 126 | if len(results[-1]) > 0: 127 | results[-1] = np.array(results[-1]) 128 | box_xy, box_wh = (results[-1][:, 0:2] + results[-1][:, 2:4])/2, results[-1][:, 2:4] - results[-1][:, 0:2] 129 | results[-1][:, :4] = self.ssd_correct_boxes(box_xy, box_wh, input_shape, image_shape, letterbox_image) 130 | 131 | return results 132 | -------------------------------------------------------------------------------- /utils/utils_fit.py: -------------------------------------------------------------------------------- 1 | import os 2 | 3 | import torch 4 | from tqdm import tqdm 5 | 6 | from utils.utils import get_lr 7 | 8 | 9 | def fit_one_epoch(model_train, model, ssd_loss, loss_history, eval_callback, optimizer, epoch, epoch_step, epoch_step_val, gen, gen_val, Epoch, cuda, fp16, scaler, save_period, save_dir, local_rank=0): 10 | total_loss = 0 11 | val_loss = 0 12 | 13 | if local_rank == 0: 14 | print('Start Train') 15 | pbar = tqdm(total=epoch_step,desc=f'Epoch {epoch + 1}/{Epoch}',postfix=dict,mininterval=0.3) 16 | model_train.train() 17 | for iteration, batch in enumerate(gen): 18 | if iteration >= epoch_step: 19 | break 20 | images, targets = batch[0], batch[1] 21 | with torch.no_grad(): 22 | if cuda: 23 | images = images.cuda(local_rank) 24 | targets = targets.cuda(local_rank) 25 | if not fp16: 26 | #----------------------# 27 | # 前向传播 28 | #----------------------# 29 | out = model_train(images) 30 | #----------------------# 31 | # 清零梯度 32 | #----------------------# 33 | optimizer.zero_grad() 34 | #----------------------# 35 | # 计算损失 36 | #----------------------# 37 | loss = ssd_loss.forward(targets, out) 38 | #----------------------# 39 | # 反向传播 40 | #----------------------# 41 | loss.backward() 42 | optimizer.step() 43 | else: 44 | from torch.cuda.amp import autocast 45 | with autocast(): 46 | #----------------------# 47 | # 前向传播 48 | #----------------------# 49 | out = model_train(images) 50 | #----------------------# 51 | # 清零梯度 52 | #----------------------# 53 | optimizer.zero_grad() 54 | #----------------------# 55 | # 计算损失 56 | #----------------------# 57 | loss = ssd_loss.forward(targets, out) 58 | 59 | #----------------------# 60 | # 反向传播 61 | #----------------------# 62 | scaler.scale(loss).backward() 63 | scaler.step(optimizer) 64 | scaler.update() 65 | 66 | total_loss += loss.item() 67 | 68 | if local_rank == 0: 69 | pbar.set_postfix(**{'total_loss' : total_loss / (iteration + 1), 70 | 'lr' : get_lr(optimizer)}) 71 | pbar.update(1) 72 | 73 | if local_rank == 0: 74 | pbar.close() 75 | print('Finish Train') 76 | print('Start Validation') 77 | pbar = tqdm(total=epoch_step_val, desc=f'Epoch {epoch + 1}/{Epoch}',postfix=dict,mininterval=0.3) 78 | 79 | model_train.eval() 80 | for iteration, batch in enumerate(gen_val): 81 | if iteration >= epoch_step_val: 82 | break 83 | images, targets = batch[0], batch[1] 84 | with torch.no_grad(): 85 | if cuda: 86 | images = images.cuda(local_rank) 87 | targets = targets.cuda(local_rank) 88 | 89 | out = model_train(images) 90 | optimizer.zero_grad() 91 | loss = ssd_loss.forward(targets, out) 92 | val_loss += loss.item() 93 | 94 | if local_rank == 0: 95 | pbar.set_postfix(**{'val_loss' : val_loss / (iteration + 1), 96 | 'lr' : get_lr(optimizer)}) 97 | pbar.update(1) 98 | 99 | if local_rank == 0: 100 | pbar.close() 101 | print('Finish Validation') 102 | loss_history.append_loss(epoch + 1, total_loss / epoch_step, val_loss / epoch_step_val) 103 | eval_callback.on_epoch_end(epoch + 1, model_train) 104 | print('Epoch:'+ str(epoch+1) + '/' + str(Epoch)) 105 | print('Total Loss: %.3f || Val Loss: %.3f ' % (total_loss / epoch_step, val_loss / epoch_step_val)) 106 | 107 | #-----------------------------------------------# 108 | # 保存权值 109 | #-----------------------------------------------# 110 | if (epoch + 1) % save_period == 0 or epoch + 1 == Epoch: 111 | torch.save(model.state_dict(), os.path.join(save_dir, "ep%03d-loss%.3f-val_loss%.3f.pth" % (epoch + 1, total_loss / epoch_step, val_loss / epoch_step_val))) 112 | 113 | if len(loss_history.val_loss) <= 1 or (val_loss / epoch_step_val) <= min(loss_history.val_loss): 114 | print('Save best model to best_epoch_weights.pth') 115 | torch.save(model.state_dict(), os.path.join(save_dir, "best_epoch_weights.pth")) 116 | 117 | torch.save(model.state_dict(), os.path.join(save_dir, "last_epoch_weights.pth")) -------------------------------------------------------------------------------- /voc_annotation.py: -------------------------------------------------------------------------------- 1 | import os 2 | import random 3 | import xml.etree.ElementTree as ET 4 | 5 | import numpy as np 6 | 7 | from utils.utils import get_classes 8 | 9 | #--------------------------------------------------------------------------------------------------------------------------------# 10 | # annotation_mode用于指定该文件运行时计算的内容 11 | # annotation_mode为0代表整个标签处理过程，包括获得VOCdevkit/VOC2007/ImageSets里面的txt以及训练用的2007_train.txt、2007_val.txt 12 | # annotation_mode为1代表获得VOCdevkit/VOC2007/ImageSets里面的txt 13 | # annotation_mode为2代表获得训练用的2007_train.txt、2007_val.txt 14 | #--------------------------------------------------------------------------------------------------------------------------------# 15 | annotation_mode = 0 16 | #-------------------------------------------------------------------# 17 | # 必须要修改，用于生成2007_train.txt、2007_val.txt的目标信息 18 | # 与训练和预测所用的classes_path一致即可 19 | # 如果生成的2007_train.txt里面没有目标信息 20 | # 那么就是因为classes没有设定正确 21 | # 仅在annotation_mode为0和2的时候有效 22 | #-------------------------------------------------------------------# 23 | classes_path = 'model_data/voc_classes.txt' 24 | #--------------------------------------------------------------------------------------------------------------------------------# 25 | # trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1 26 | # train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下 训练集:验证集 = 9:1 27 | # 仅在annotation_mode为0和1的时候有效 28 | #--------------------------------------------------------------------------------------------------------------------------------# 29 | trainval_percent = 0.9 30 | train_percent = 0.9 31 | #-------------------------------------------------------# 32 | # 指向VOC数据集所在的文件夹 33 | # 默认指向根目录下的VOC数据集 34 | #-------------------------------------------------------# 35 | VOCdevkit_path = 'VOCdevkit' 36 | 37 | VOCdevkit_sets = [('2007', 'train'), ('2007', 'val')] 38 | classes, _ = get_classes(classes_path) 39 | 40 | #-------------------------------------------------------# 41 | # 统计目标数量 42 | #-------------------------------------------------------# 43 | photo_nums = np.zeros(len(VOCdevkit_sets)) 44 | nums = np.zeros(len(classes)) 45 | def convert_annotation(year, image_id, list_file): 46 | in_file = open(os.path.join(VOCdevkit_path, 'VOC%s/Annotations/%s.xml'%(year, image_id)), encoding='utf-8') 47 | tree=ET.parse(in_file) 48 | root = tree.getroot() 49 | 50 | for obj in root.iter('object'): 51 | difficult = 0 52 | if obj.find('difficult')!=None: 53 | difficult = obj.find('difficult').text 54 | cls = obj.find('name').text 55 | if cls not in classes or int(difficult)==1: 56 | continue 57 | cls_id = classes.index(cls) 58 | xmlbox = obj.find('bndbox') 59 | b = (int(float(xmlbox.find('xmin').text)), int(float(xmlbox.find('ymin').text)), int(float(xmlbox.find('xmax').text)), int(float(xmlbox.find('ymax').text))) 60 | list_file.write(" " + ",".join([str(a) for a in b]) + ',' + str(cls_id)) 61 | 62 | nums[classes.index(cls)] = nums[classes.index(cls)] + 1 63 | 64 | if __name__ == "__main__": 65 | random.seed(0) 66 | if " " in os.path.abspath(VOCdevkit_path): 67 | raise ValueError("数据集存放的文件夹路径与图片名称中不可以存在空格，否则会影响正常的模型训练，请注意修改。") 68 | 69 | if annotation_mode == 0 or annotation_mode == 1: 70 | print("Generate txt in ImageSets.") 71 | xmlfilepath = os.path.join(VOCdevkit_path, 'VOC2007/Annotations') 72 | saveBasePath = os.path.join(VOCdevkit_path, 'VOC2007/ImageSets/Main') 73 | temp_xml = os.listdir(xmlfilepath) 74 | total_xml = [] 75 | for xml in temp_xml: 76 | if xml.endswith(".xml"): 77 | total_xml.append(xml) 78 | 79 | num = len(total_xml) 80 | list = range(num) 81 | tv = int(num*trainval_percent) 82 | tr = int(tv*train_percent) 83 | trainval= random.sample(list,tv) 84 | train = random.sample(trainval,tr) 85 | 86 | print("train and val size",tv) 87 | print("train size",tr) 88 | ftrainval = open(os.path.join(saveBasePath,'trainval.txt'), 'w') 89 | ftest = open(os.path.join(saveBasePath,'test.txt'), 'w') 90 | ftrain = open(os.path.join(saveBasePath,'train.txt'), 'w') 91 | fval = open(os.path.join(saveBasePath,'val.txt'), 'w') 92 | 93 | for i in list: 94 | name=total_xml[i][:-4]+'\n' 95 | if i in trainval: 96 | ftrainval.write(name) 97 | if i in train: 98 | ftrain.write(name) 99 | else: 100 | fval.write(name) 101 | else: 102 | ftest.write(name) 103 | 104 | ftrainval.close() 105 | ftrain.close() 106 | fval.close() 107 | ftest.close() 108 | print("Generate txt in ImageSets done.") 109 | 110 | if annotation_mode == 0 or annotation_mode == 2: 111 | print("Generate 2007_train.txt and 2007_val.txt for train.") 112 | type_index = 0 113 | for year, image_set in VOCdevkit_sets: 114 | image_ids = open(os.path.join(VOCdevkit_path, 'VOC%s/ImageSets/Main/%s.txt'%(year, image_set)), encoding='utf-8').read().strip().split() 115 | list_file = open('%s_%s.txt'%(year, image_set), 'w', encoding='utf-8') 116 | for image_id in image_ids: 117 | list_file.write('%s/VOC%s/JPEGImages/%s.jpg'%(os.path.abspath(VOCdevkit_path), year, image_id)) 118 | 119 | convert_annotation(year, image_id, list_file) 120 | list_file.write('\n') 121 | photo_nums[type_index] = len(image_ids) 122 | type_index += 1 123 | list_file.close() 124 | print("Generate 2007_train.txt and 2007_val.txt for train done.") 125 | 126 | def printTable(List1, List2): 127 | for i in range(len(List1[0])): 128 | print("|", end=' ') 129 | for j in range(len(List1)): 130 | print(List1[j][i].rjust(int(List2[j])), end=' ') 131 | print("|", end=' ') 132 | print() 133 | 134 | str_nums = [str(int(x)) for x in nums] 135 | tableData = [ 136 | classes, str_nums 137 | ] 138 | colWidths = [0]*len(tableData) 139 | len1 = 0 140 | for i in range(len(tableData)): 141 | for j in range(len(tableData[i])): 142 | if len(tableData[i][j]) > colWidths[i]: 143 | colWidths[i] = len(tableData[i][j]) 144 | printTable(tableData, colWidths) 145 | 146 | if photo_nums[0] <= 500: 147 | print("训练集数量小于500，属于较小的数据量，请注意设置较大的训练世代（Epoch）以满足足够的梯度下降次数（Step）。") 148 | 149 | if np.sum(nums) == 0: 150 | print("在数据集中并未获得任何目标，请注意修改classes_path对应自己的数据集，并且保证标签名字正确，否则训练将会没有任何效果！") 151 | print("在数据集中并未获得任何目标，请注意修改classes_path对应自己的数据集，并且保证标签名字正确，否则训练将会没有任何效果！") 152 | print("在数据集中并未获得任何目标，请注意修改classes_path对应自己的数据集，并且保证标签名字正确，否则训练将会没有任何效果！") 153 | print("（重要的事情说三遍）。") 154 | -------------------------------------------------------------------------------- /常见问题汇总.md: -------------------------------------------------------------------------------- 1 | 问题汇总的博客地址为[https://blog.csdn.net/weixin_44791964/article/details/107517428](https://blog.csdn.net/weixin_44791964/article/details/107517428)。 2 | 3 | # 问题汇总 4 | ## 1、下载问题 5 | ### a、代码下载 6 | **问：up主，可以给我发一份代码吗，代码在哪里下载啊？ 7 | 答：Github上的地址就在视频简介里。复制一下就能进去下载了。** 8 | 9 | **问：up主，为什么我下载的代码提示压缩包损坏？ 10 | 答：重新去Github下载。** 11 | 12 | **问：up主，为什么我下载的代码和你在视频以及博客上的代码不一样？ 13 | 答：我常常会对代码进行更新，最终以实际的代码为准。** 14 | 15 | ### b、 权值下载 16 | **问：up主，为什么我下载的代码里面，model_data下面没有.pth或者.h5文件？ 17 | 答：我一般会把权值上传到Github和百度网盘，在GITHUB的README里面就能找到。** 18 | 19 | ### c、 数据集下载 20 | **问：up主，XXXX数据集在哪里下载啊？ 21 | 答：一般数据集的下载地址我会放在README里面，基本上都有，没有的话请及时联系我添加，直接发github的issue即可**。 22 | 23 | ## 2、环境配置问题 24 | ### a、20系列及以下显卡环境配置 25 | **pytorch代码对应的pytorch版本为1.2，博客地址对应**[https://blog.csdn.net/weixin_44791964/article/details/106037141](https://blog.csdn.net/weixin_44791964/article/details/106037141)。 26 | 27 | **keras代码对应的tensorflow版本为1.13.2，keras版本是2.1.5，博客地址对应**[https://blog.csdn.net/weixin_44791964/article/details/104702142](https://blog.csdn.net/weixin_44791964/article/details/104702142)。 28 | 29 | **tf2代码对应的tensorflow版本为2.2.0，无需安装keras，博客地址对应**[https://blog.csdn.net/weixin_44791964/article/details/109161493](https://blog.csdn.net/weixin_44791964/article/details/109161493)。 30 | 31 | **问：你的代码某某某版本的tensorflow和pytorch能用嘛？ 32 | 答：最好按照我推荐的配置，配置教程也有！其它版本的我没有试过！可能出现问题但是一般问题不大。仅需要改少量代码即可。** 33 | 34 | ### b、30系列显卡环境配置 35 | 30系显卡由于框架更新不可使用上述环境配置教程。 36 | 当前我已经测试的可以用的30显卡配置如下： 37 | **pytorch代码对应的pytorch版本为1.7.0，cuda为11.0，cudnn为8.0.5，博客地址对应**[https://blog.csdn.net/weixin_44791964/article/details/120668551](https://blog.csdn.net/weixin_44791964/article/details/120668551)。 38 | 39 | **keras代码无法在win10下配置cuda11，在ubuntu下可以百度查询一下，配置tensorflow版本为1.15.4，keras版本是2.1.5或者2.3.1（少量函数接口不同，代码可能还需要少量调整。）** 40 | 41 | **tf2代码对应的tensorflow版本为2.4.0，cuda为11.0，cudnn为8.0.5，博客地址对应为**[https://blog.csdn.net/weixin_44791964/article/details/120657664](https://blog.csdn.net/weixin_44791964/article/details/120657664)。 42 | 43 | ### c、CPU环境配置 44 | **pytorch代码对应的pytorch-cpu版本为1.2，博客地址对应**[https://blog.csdn.net/weixin_44791964/article/details/120655098](https://blog.csdn.net/weixin_44791964/article/details/120655098) 45 | 46 | **keras代码对应的tensorflow-cpu版本为1.13.2，keras版本是2.1.5，博客地址对应**[https://blog.csdn.net/weixin_44791964/article/details/120653717](https://blog.csdn.net/weixin_44791964/article/details/120653717)。 47 | 48 | **tf2代码对应的tensorflow-cpu版本为2.2.0，无需安装keras，博客地址对应**[https://blog.csdn.net/weixin_44791964/article/details/120656291](https://blog.csdn.net/weixin_44791964/article/details/120656291)。 49 | 50 | 51 | ### d、GPU利用问题与环境使用问题 52 | **问：为什么我安装了tensorflow-gpu但是却没用利用GPU进行训练呢？ 53 | 答：确认tensorflow-gpu已经装好，利用pip list查看tensorflow版本，然后查看任务管理器或者利用nvidia命令看看是否使用了gpu进行训练，任务管理器的话要看显存使用情况。** 54 | 55 | **问：up主，我好像没有在用gpu进行训练啊，怎么看是不是用了GPU进行训练？ 56 | 答：查看是否使用GPU进行训练一般使用NVIDIA在命令行的查看命令。在windows电脑中打开cmd然后利用nvidia-smi指令查看GPU利用情况** 57 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/f88ef794c9a341918f000eb2b1c67af6.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAQnViYmxpaWlpbmc=,size_20,color_FFFFFF,t_70,g_se,x_16) 58 | **如果要一定看任务管理器的话，请看性能部分GPU的显存是否利用，或者查看任务管理器的Cuda，而非Copy。** 59 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/20201013234241524.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA==,size_16,color_FFFFFF,t_70#pic_center) 60 | 61 | ### e、DLL load failed: 找不到指定的模块 62 | **问：出现如下错误** 63 | ```python 64 | Traceback (most recent call last): 65 | File "C:\Users\focus\Anaconda3\ana\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in 66 | from tensorflow.python.pywrap_tensorflow_internal import * 67 | File "C:\Users\focus\Anaconda3\ana\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 28, in 68 | pywrap_tensorflow_internal = swig_import_helper() 69 | File "C:\Users\focus\Anaconda3\ana\envs\tensorflow-gpu\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 24, in swig_import_helper 70 | _mod = imp.load_module('_pywrap_tensorflow_internal', fp, pathname, description) 71 | File "C:\Users\focus\Anaconda3\ana\envs\tensorflow-gpu\lib\imp.py", line 243, in load_modulereturn load_dynamic(name, filename, file) 72 | File "C:\Users\focus\Anaconda3\ana\envs\tensorflow-gpu\lib\imp.py", line 343, in load_dynamic 73 | return _load(spec) 74 | ImportError: DLL load failed: 找不到指定的模块。 75 | ``` 76 | **答：如果没重启过就重启一下，否则重新按照步骤安装，还无法解决则把你的GPU、CUDA、CUDNN、TF版本以及PYTORCH版本私聊告诉我。** 77 | 78 | ### f、no module问题（no module name utils.utils、no module named 'matplotlib' ） 79 | **问：为什么提示说no module name utils.utils（no module name nets.yolo、no module name nets.ssd等一系列问题）啊？ 80 | 答：utils并不需要用pip装，它就在我上传的仓库的根目录，出现这个问题的原因是根目录不对，查查相对目录和根目录的概念。查了基本上就明白了。** 81 | 82 | **问：为什么提示说no module name matplotlib（no module name PIL，no module name cv2等等）？ 83 | 答：这个库没安装打开命令行安装就好。pip install matplotlib** 84 | 85 | **问：为什么我已经用pip装了opencv（pillow、matplotlib等），还是提示no module name cv2？ 86 | 答：没有激活环境装，要激活对应的conda环境进行安装才可以正常使用** 87 | 88 | **问：为什么提示说No module named 'torch' ？ 89 | 答：其实我也真的很想知道为什么会有这个问题……这个pytorch没装是什么情况？一般就俩情况，一个是真的没装，还有一个是装到其它环境了，当前激活的环境不是自己装的环境。** 90 | 91 | **问：为什么提示说No module named 'tensorflow' ？ 92 | 答：同上。** 93 | 94 | ### g、cuda安装失败问题 95 | 一般cuda安装前需要安装Visual Studio，装个2017版本即可。 96 | 97 | ### h、Ubuntu系统问题 98 | **所有代码在Ubuntu下可以使用，我两个系统都试过。** 99 | 100 | ### i、VSCODE提示错误的问题 101 | **问：为什么在VSCODE里面提示一大堆的错误啊？ 102 | 答：我也提示一大堆的错误，但是不影响，是VSCODE的问题，如果不想看错误的话就装Pycharm。 103 | 最好将设置里面的Python:Language Server，调整为Pylance。** 104 | 105 | ### j、使用cpu进行训练与预测的问题 106 | **对于keras和tf2的代码而言，如果想用cpu进行训练和预测，直接装cpu版本的tensorflow就可以了。** 107 | 108 | **对于pytorch的代码而言，如果想用cpu进行训练和预测，需要将cuda=True修改成cuda=False。** 109 | 110 | ### k、tqdm没有pos参数问题 111 | **问：运行代码提示'tqdm' object has no attribute 'pos'。 112 | 答：重装tqdm，换个版本就可以了。** 113 | 114 | ### l、提示decode(“utf-8”)的问题 115 | **由于h5py库的更新，安装过程中会自动安装h5py=3.0.0以上的版本，会导致decode("utf-8")的错误！ 116 | 各位一定要在安装完tensorflow后利用命令装h5py=2.10.0！** 117 | ``` 118 | pip install h5py==2.10.0 119 | ``` 120 | 121 | ### m、提示TypeError: __array__() takes 1 positional argument but 2 were given错误 122 | 可以修改pillow版本解决。 123 | ``` 124 | pip install pillow==8.2.0 125 | ``` 126 | ### n、如何查看当前cuda和cudnn 127 | **window下cuda版本查看方式如下： 128 | 1、打开cmd窗口。 129 | 2、输入nvcc -V。 130 | 3、Cuda compilation tools, release XXXXXXXX中的XXXXXXXX即cuda版本。** 131 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/0389ea35107a408a80ab5cb6590d5a74.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAQnViYmxpaWlpbmc=,size_20,color_FFFFFF,t_70,g_se,x_16) 132 | window下cudnn版本查看方式如下： 133 | 1、进入cuda安装目录，进入incude文件夹。 134 | 2、找到cudnn.h文件。 135 | 3、右键文本打开，下拉，看到#define处可获得cudnn版本。 136 | ```python 137 | #define CUDNN_MAJOR 7 138 | #define CUDNN_MINOR 4 139 | #define CUDNN_PATCHLEVEL 1 140 | ``` 141 | 代表cudnn为7.4.1。 142 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/7a86b68b17c84feaa6fa95780d4ae4b4.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAQnViYmxpaWlpbmc=,size_20,color_FFFFFF,t_70,g_se,x_16) 143 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/81bb7c3e13cc492292530e4b69df86a9.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAQnViYmxpaWlpbmc=,size_20,color_FFFFFF,t_70,g_se,x_16) 144 | 145 | ### o、为什么按照你的环境配置后还是不能使用 146 | **问：up主，为什么我按照你的环境配置后还是不能使用？ 147 | 答：请把你的GPU、CUDA、CUDNN、TF版本以及PYTORCH版本B站私聊告诉我。** 148 | 149 | ### p、其它问题 150 | **问：为什么提示TypeError: cat() got an unexpected keyword argument 'axis'，Traceback (most recent call last)，AttributeError: 'Tensor' object has no attribute 'bool'？ 151 | 答：这是版本问题，建议使用torch1.2以上版本** 152 | 153 | **其它有很多稀奇古怪的问题，很多是版本问题，建议按照我的视频教程安装Keras和tensorflow。比如装的是tensorflow2，就不用问我说为什么我没法运行Keras-yolo啥的。那是必然不行的。** 154 | 155 | ## 3、目标检测库问题汇总（人脸检测和分类库也可参考） 156 | ### a、shape不匹配问题。 157 | #### 1）、训练时shape不匹配问题。 158 | **问：up主，为什么运行train.py会提示shape不匹配啊？ 159 | 答：在keras环境中，因为你训练的种类和原始的种类不同，网络结构会变化，所以最尾部的shape会有少量不匹配。** 160 | 161 | #### 2）、预测时shape不匹配问题。 162 | **问：为什么我运行predict.py会提示我说shape不匹配呀。** 163 | ##### i、copying a param with shape torch.Size([75, 704, 1, 1]) from checkpoint 164 | 在Pytorch里面是这样的： 165 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200722171631901.png) 166 | ##### ii、Shapes are [1,1,1024,75] and [255,1024,1,1]. for 'Assign_360' (op: 'Assign') with input shapes: [1,1,1024,75], [255,1024,1,1]. 167 | 在Keras里面是这样的： 168 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200722171523380.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA==,size_16,color_FFFFFF,t_70) 169 | **答：原因主要有仨： 170 | 1、训练的classes_path没改，就开始训练了。 171 | 2、训练的model_path没改。 172 | 3、训练的classes_path没改。 173 | 请检查清楚了！确定自己所用的model_path和classes_path是对应的！训练的时候用到的num_classes或者classes_path也需要检查！** 174 | 175 | ### b、显存不足问题（OOM、RuntimeError: CUDA out of memory）。 176 | **问：为什么我运行train.py下面的命令行闪的贼快，还提示OOM啥的？ 177 | 答：这是在keras中出现的，爆显存了，可以改小batch_size，SSD的显存占用率是最小的，建议用SSD； 178 | 2G显存：SSD、YOLOV4-TINY 179 | 4G显存：YOLOV3 180 | 6G显存：YOLOV4、Retinanet、M2det、Efficientdet、Faster RCNN等 181 | 8G+显存：随便选吧。** 182 | **需要注意的是，受到BatchNorm2d影响，batch_size不可为1，至少为2。** 183 | 184 | **问：为什么提示 RuntimeError: CUDA out of memory. Tried to allocate 52.00 MiB (GPU 0; 15.90 GiB total capacity; 14.85 GiB already allocated; 51.88 MiB free; 15.07 GiB reserved in total by PyTorch)？ 185 | 答：这是pytorch中出现的，爆显存了，同上。** 186 | 187 | **问：为什么我显存都没利用，就直接爆显存了？ 188 | 答：都爆显存了，自然就不利用了，模型没有开始训练。** 189 | ### c、为什么要进行冻结训练与解冻训练，不进行行吗？ 190 | **问：为什么要冻结训练和解冻训练呀？ 191 | 答：可以不进行，本质上是为了保证性能不足的同学的训练，如果电脑性能完全不够，可以将Freeze_Epoch和UnFreeze_Epoch设置成一样，只进行冻结训练。** 192 | 193 | **同时这也是迁移学习的思想，因为神经网络主干特征提取部分所提取到的特征是通用的，我们冻结起来训练可以加快训练效率，也可以防止权值被破坏。** 194 | 在冻结阶段，模型的主干被冻结了，特征提取网络不发生改变。占用的显存较小，仅对网络进行微调。 195 | 在解冻阶段，模型的主干不被冻结了，特征提取网络会发生改变。占用的显存较大，网络所有的参数都会发生改变。 196 | 197 | ### d、我的LOSS好大啊，有问题吗？（我的LOSS好小啊，有问题吗？） 198 | **问：为什么我的网络不收敛啊，LOSS是XXXX。 199 | 答：不同网络的LOSS不同，LOSS只是一个参考指标，用于查看网络是否收敛，而非评价网络好坏，我的yolo代码都没有归一化，所以LOSS值看起来比较高，LOSS的值不重要，重要的是是否在变小，预测是否有效果。** 200 | 201 | ### e、为什么我训练出来的模型没有预测结果？ 202 | **问：为什么我的训练效果不好？预测了没有框（框不准）。 203 | 答：** 204 | 考虑几个问题： 205 | 1、目标信息问题，查看2007_train.txt文件是否有目标信息，没有的话请修改voc_annotation.py。 206 | 2、数据集问题，小于500的自行考虑增加数据集，同时测试不同的模型，确认数据集是好的。 207 | 3、是否解冻训练，如果数据集分布与常规画面差距过大需要进一步解冻训练，调整主干，加强特征提取能力。 208 | 4、网络问题，比如SSD不适合小目标，因为先验框固定了。 209 | 5、训练时长问题，有些同学只训练了几代表示没有效果，按默认参数训练完。 210 | 6、确认自己是否按照步骤去做了，如果比如voc_annotation.py里面的classes是否修改了等。 211 | 7、不同网络的LOSS不同，LOSS只是一个参考指标，用于查看网络是否收敛，而非评价网络好坏，LOSS的值不重要，重要的是是否收敛。 212 | 8、是否修改了网络的主干，如果修改了没有预训练权重，网络不容易收敛，自然效果不好。 213 | 214 | ### f、为什么我计算出来的map是0？ 215 | **问：为什么我的训练效果不好？没有map？ 216 | 答：** 217 | 首先尝试利用predict.py预测一下，如果有效果的话应该是get_map.py里面的classes_path设置错误。如果没有预测结果的话，解决方法同e问题，对下面几点进行检查： 218 | 1、目标信息问题，查看2007_train.txt文件是否有目标信息，没有的话请修改voc_annotation.py。 219 | 2、数据集问题，小于500的自行考虑增加数据集，同时测试不同的模型，确认数据集是好的。 220 | 3、是否解冻训练，如果数据集分布与常规画面差距过大需要进一步解冻训练，调整主干，加强特征提取能力。 221 | 4、网络问题，比如SSD不适合小目标，因为先验框固定了。 222 | 5、训练时长问题，有些同学只训练了几代表示没有效果，按默认参数训练完。 223 | 6、确认自己是否按照步骤去做了，如果比如voc_annotation.py里面的classes是否修改了等。 224 | 7、不同网络的LOSS不同，LOSS只是一个参考指标，用于查看网络是否收敛，而非评价网络好坏，LOSS的值不重要，重要的是是否收敛。 225 | 8、是否修改了网络的主干，如果修改了没有预训练权重，网络不容易收敛，自然效果不好。 226 | 227 | ### g、gbk编码错误（'gbk' codec can't decode byte）。 228 | **问：我怎么出现了gbk什么的编码错误啊：** 229 | ```python 230 | UnicodeDecodeError: 'gbk' codec can't decode byte 0xa6 in position 446: illegal multibyte sequence 231 | ``` 232 | **答：标签和路径不要使用中文，如果一定要使用中文，请注意处理的时候编码的问题，改成打开文件的encoding方式改为utf-8。** 233 | 234 | ### h、我的图片是xxx*xxx的分辨率的，可以用吗？ 235 | **问：我的图片是xxx*xxx的分辨率的，可以用吗！** 236 | **答：可以用，代码里面会自动进行resize与数据增强。** 237 | 238 | ### i、我想进行数据增强！怎么增强？ 239 | **问：我想要进行数据增强！怎么做呢？** 240 | **答：可以用，代码里面会自动进行resize与数据增强。** 241 | 242 | ### j、多GPU训练。 243 | **问：怎么进行多GPU训练？ 244 | 答：pytorch的大多数代码可以直接使用gpu训练，keras的话直接百度就好了，实现并不复杂，我没有多卡没法详细测试，还需要各位同学自己努力了。** 245 | 246 | ### k、能不能训练灰度图？ 247 | **问：能不能训练灰度图（预测灰度图）啊？ 248 | 答：我的大多数库会将灰度图转化成RGB进行训练和预测，如果遇到代码不能训练或者预测灰度图的情况，可以尝试一下在get_random_data里面将Image.open后的结果转换成RGB，预测的时候也这样试试。（仅供参考）** 249 | 250 | ### l、断点续练问题。 251 | **问：我已经训练过几个世代了，能不能从这个基础上继续开始训练 252 | 答：可以，你在训练前，和载入预训练权重一样载入训练过的权重就行了。一般训练好的权重会保存在logs文件夹里面，将model_path修改成你要开始的权值的路径即可。** 253 | 254 | ### m、我要训练其它的数据集，预训练权重能不能用？ 255 | **问：如果我要训练其它的数据集，预训练权重要怎么办啊？** 256 | **答：数据的预训练权重对不同数据集是通用的，因为特征是通用的，预训练权重对于99%的情况都必须要用，不用的话权值太过随机，特征提取效果不明显，网络训练的结果也不会好。** 257 | 258 | ### n、网络如何从0开始训练？ 259 | **问：我要怎么不使用预训练权重啊？ 260 | 答：看一看注释、大多数代码是model_path = ''，Freeze_Train = Fasle**，如果设置model_path无用，**那么把载入预训练权重的代码注释了就行。** 261 | 262 | ### o、为什么从0开始训练效果这么差（修改了网络主干，效果不好怎么办）？ 263 | **问：为什么我不使用预训练权重效果这么差啊？ 264 | 答：因为随机初始化的权值不好，提取的特征不好，也就导致了模型训练的效果不好，voc07+12、coco+voc07+12效果都不一样，预训练权重还是非常重要的。** 265 | 266 | **问：up，我修改了网络，预训练权重还能用吗？ 267 | 答：修改了主干的话，如果不是用的现有的网络，基本上预训练权重是不能用的，要么就自己判断权值里卷积核的shape然后自己匹配，要么只能自己预训练去了；修改了后半部分的话，前半部分的主干部分的预训练权重还是可以用的，如果是pytorch代码的话，需要自己修改一下载入权值的方式，判断shape后载入，如果是keras代码，直接by_name=True,skip_mismatch=True即可。** 268 | 权值匹配的方式可以参考如下： 269 | ```python 270 | # 加快模型训练的效率 271 | print('Loading weights into state dict...') 272 | device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 273 | model_dict = model.state_dict() 274 | pretrained_dict = torch.load(model_path, map_location=device) 275 | a = {} 276 | for k, v in pretrained_dict.items(): 277 | try: 278 | if np.shape(model_dict[k]) == np.shape(v): 279 | a[k]=v 280 | except: 281 | pass 282 | model_dict.update(a) 283 | model.load_state_dict(model_dict) 284 | print('Finished!') 285 | ``` 286 | 287 | **问：为什么从0开始训练效果这么差（我修改了网络主干，效果不好怎么办）？ 288 | 答：一般来讲，网络从0开始的训练效果会很差，因为权值太过随机，特征提取效果不明显，因此非常、非常、非常不建议大家从0开始训练！如果一定要从0开始，可以了解imagenet数据集，首先训练分类模型，获得网络的主干部分权值，分类模型的 主干部分 和该模型通用，基于此进行训练。 289 | 网络修改了主干之后也是同样的问题，随机的权值效果很差。** 290 | 291 | **问：怎么在模型上从0开始训练？ 292 | 答：在算力不足与调参能力不足的情况下从0开始训练毫无意义。模型特征提取能力在随机初始化参数的情况下非常差。没有好的参数调节能力和算力，无法使得网络正常收敛。** 293 | 如果一定要从0开始，那么训练的时候请注意几点： 294 | - 不载入预训练权重。 295 | - 不要进行冻结训练，注释冻结模型的代码。 296 | 297 | **问：为什么我不使用预训练权重效果这么差啊？ 298 | 答：因为随机初始化的权值不好，提取的特征不好，也就导致了模型训练的效果不好，voc07+12、coco+voc07+12效果都不一样，预训练权重还是非常重要的。** 299 | 300 | ### p、你的权值都是哪里来的？ 301 | **问：如果网络不能从0开始训练的话你的权值哪里来的？ 302 | 答：有些权值是官方转换过来的，有些权值是自己训练出来的，我用到的主干的imagenet的权值都是官方的。** 303 | 304 | ### q、视频检测与摄像头检测 305 | **问：怎么用摄像头检测呀？ 306 | 答：predict.py修改参数可以进行摄像头检测，也有视频详细解释了摄像头检测的思路。** 307 | 308 | **问：怎么用视频检测呀？ 309 | 答：同上** 310 | 311 | ### r、如何保存检测出的图片 312 | **问：检测完的图片怎么保存？ 313 | 答：一般目标检测用的是Image，所以查询一下PIL库的Image如何进行保存。详细看看predict.py文件的注释。** 314 | 315 | **问：怎么用视频保存呀？ 316 | 答：详细看看predict.py文件的注释。** 317 | 318 | ### s、遍历问题 319 | **问：如何对一个文件夹的图片进行遍历？ 320 | 答：一般使用os.listdir先找出文件夹里面的所有图片，然后根据predict.py文件里面的执行思路检测图片就行了，详细看看predict.py文件的注释。** 321 | 322 | **问：如何对一个文件夹的图片进行遍历？并且保存。 323 | 答：遍历的话一般使用os.listdir先找出文件夹里面的所有图片，然后根据predict.py文件里面的执行思路检测图片就行了。保存的话一般目标检测用的是Image，所以查询一下PIL库的Image如何进行保存。如果有些库用的是cv2，那就是查一下cv2怎么保存图片。详细看看predict.py文件的注释。** 324 | 325 | ### t、路径问题（No such file or directory、StopIteration: [Errno 13] Permission denied: 'XXXXXX'） 326 | **问：我怎么出现了这样的错误呀：** 327 | ```python 328 | FileNotFoundError: 【Errno 2】 No such file or directory 329 | StopIteration: [Errno 13] Permission denied: 'D:\\Study\\Collection\\Dataset\\VOC07+12+test\\VOCdevkit/VOC2007' 330 | …………………………………… 331 | …………………………………… 332 | ``` 333 | **答：去检查一下文件夹路径，查看是否有对应文件；并且检查一下2007_train.txt，其中文件路径是否有错。** 334 | 关于路径有几个重要的点： 335 | **文件夹名称中一定不要有空格。 336 | 注意相对路径和绝对路径。 337 | 多百度路径相关的知识。** 338 | 339 | **所有的路径问题基本上都是根目录问题，好好查一下相对目录的概念！** 340 | ### u、和原版比较问题，你怎么和原版不一样啊？ 341 | **问：原版的代码是XXX，为什么你的代码是XXX？ 342 | 答：是啊……这要不怎么说我不是原版呢……** 343 | 344 | **问：你这个代码和原版比怎么样，可以达到原版的效果么？ 345 | 答：基本上可以达到，我都用voc数据测过，我没有好显卡，没有能力在coco上测试与训练。** 346 | 347 | **问：你有没有实现yolov4所有的tricks，和原版差距多少？ 348 | 答：并没有实现全部的改进部分，由于YOLOV4使用的改进实在太多了，很难完全实现与列出来，这里只列出来了一些我比较感兴趣，而且非常有效的改进。论文中提到的SAM（注意力机制模块），作者自己的源码也没有使用。还有其它很多的tricks，不是所有的tricks都有提升，我也没法实现全部的tricks。至于和原版的比较，我没有能力训练coco数据集，根据使用过的同学反应差距不大。** 349 | 350 | ### v、我的检测速度是xxx正常吗？我的检测速度还能增快吗？ 351 | **问：你这个FPS可以到达多少，可以到 XX FPS么？ 352 | 答：FPS和机子的配置有关，配置高就快，配置低就慢。** 353 | 354 | **问：我的检测速度是xxx正常吗？我的检测速度还能增快吗？ 355 | 答：看配置，配置好速度就快，如果想要配置不变的情况下加快速度，就要修改网络了。** 356 | 357 | **问：为什么我用服务器去测试yolov4（or others）的FPS只有十几？ 358 | 答：检查是否正确安装了tensorflow-gpu或者pytorch的gpu版本，如果已经正确安装，可以去利用time.time()的方法查看detect_image里面，哪一段代码耗时更长（不仅只有网络耗时长，其它处理部分也会耗时，如绘图等）。** 359 | 360 | **问：为什么论文中说速度可以达到XX，但是这里却没有？ 361 | 答：检查是否正确安装了tensorflow-gpu或者pytorch的gpu版本，如果已经正确安装，可以去利用time.time()的方法查看detect_image里面，哪一段代码耗时更长（不仅只有网络耗时长，其它处理部分也会耗时，如绘图等）。有些论文还会使用多batch进行预测，我并没有去实现这个部分。** 362 | 363 | ### w、预测图片不显示问题 364 | **问：为什么你的代码在预测完成后不显示图片？只是在命令行告诉我有什么目标。 365 | 答：给系统安装一个图片查看器就行了。** 366 | 367 | ### x、算法评价问题（目标检测的map、PR曲线、Recall、Precision等） 368 | **问：怎么计算map？ 369 | 答：看map视频，都一个流程。** 370 | 371 | **问：计算map的时候，get_map.py里面有一个MINOVERLAP是什么用的，是iou吗？ 372 | 答：是iou，它的作用是判断预测框和真实框的重合成度，如果重合程度大于MINOVERLAP，则预测正确。** 373 | 374 | **问：为什么get_map.py里面的self.confidence（self.score）要设置的那么小？ 375 | 答：看一下map的视频的原理部分，要知道所有的结果然后再进行pr曲线的绘制。** 376 | 377 | **问：能不能说说怎么绘制PR曲线啥的呀。 378 | 答：可以看mAP视频，结果里面有PR曲线。** 379 | 380 | **问：怎么计算Recall、Precision指标。 381 | 答：这俩指标应该是相对于特定的置信度的，计算map的时候也会获得。** 382 | 383 | ### y、coco数据集训练问题 384 | **问：目标检测怎么训练COCO数据集啊？。 385 | 答：coco数据训练所需要的txt文件可以参考qqwweee的yolo3的库，格式都是一样的。** 386 | 387 | ### z、UP，怎么优化模型啊？我想提升效果 388 | **问：up，怎么修改模型啊，我想发个小论文！ 389 | 答：建议看看yolov3和yolov4的区别，然后看看yolov4的论文，作为一个大型调参现场非常有参考意义，使用了很多tricks。我能给的建议就是多看一些经典模型，然后拆解里面的亮点结构并使用。** 390 | 391 | ### aa、UP，有Focal LOSS的代码吗？怎么改啊？ 392 | **问：up，YOLO系列使用Focal LOSS的代码你有吗，有提升吗？ 393 | 答：很多人试过，提升效果也不大（甚至变的更Low），它自己有自己的正负样本的平衡方式**。改代码的事情，还是自己好好看看代码吧。 394 | 395 | ### ab、部署问题（ONNX、TensorRT等） 396 | 我没有具体部署到手机等设备上过，所以很多部署问题我并不了解…… 397 | 398 | ## 4、语义分割库问题汇总 399 | ### a、shape不匹配问题 400 | #### 1）、训练时shape不匹配问题 401 | **问：up主，为什么运行train.py会提示shape不匹配啊？ 402 | 答：在keras环境中，因为你训练的种类和原始的种类不同，网络结构会变化，所以最尾部的shape会有少量不匹配。** 403 | 404 | #### 2）、预测时shape不匹配问题 405 | **问：为什么我运行predict.py会提示我说shape不匹配呀。** 406 | ##### i、copying a param with shape torch.Size([75, 704, 1, 1]) from checkpoint 407 | 在Pytorch里面是这样的： 408 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200722171631901.png) 409 | ##### ii、Shapes are [1,1,1024,75] and [255,1024,1,1]. for 'Assign_360' (op: 'Assign') with input shapes: [1,1,1024,75], [255,1024,1,1]. 410 | 在Keras里面是这样的： 411 | ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200722171523380.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA==,size_16,color_FFFFFF,t_70) 412 | **答：原因主要有二： 413 | 1、train.py里面的num_classes没改。 414 | 2、预测时num_classes没改。 415 | 3、预测时model_path没改。 416 | 请检查清楚！训练和预测的时候用到的num_classes都需要检查！** 417 | 418 | ### b、显存不足问题（OOM、RuntimeError: CUDA out of memory）。 419 | **问：为什么我运行train.py下面的命令行闪的贼快，还提示OOM啥的？ 420 | 答：这是在keras中出现的，爆显存了，可以改小batch_size。** 421 | 422 | **需要注意的是，受到BatchNorm2d影响，batch_size不可为1，至少为2。** 423 | 424 | **问：为什么提示 RuntimeError: CUDA out of memory. Tried to allocate 52.00 MiB (GPU 0; 15.90 GiB total capacity; 14.85 GiB already allocated; 51.88 MiB free; 15.07 GiB reserved in total by PyTorch)？ 425 | 答：这是pytorch中出现的，爆显存了，同上。** 426 | 427 | **问：为什么我显存都没利用，就直接爆显存了？ 428 | 答：都爆显存了，自然就不利用了，模型没有开始训练。** 429 | 430 | ### c、为什么要进行冻结训练与解冻训练，不进行行吗？ 431 | **问：为什么要冻结训练和解冻训练呀？ 432 | 答：可以不进行，本质上是为了保证性能不足的同学的训练，如果电脑性能完全不够，可以将Freeze_Epoch和UnFreeze_Epoch设置成一样，只进行冻结训练。** 433 | 434 | **同时这也是迁移学习的思想，因为神经网络主干特征提取部分所提取到的特征是通用的，我们冻结起来训练可以加快训练效率，也可以防止权值被破坏。** 435 | 在冻结阶段，模型的主干被冻结了，特征提取网络不发生改变。占用的显存较小，仅对网络进行微调。 436 | 在解冻阶段，模型的主干不被冻结了，特征提取网络会发生改变。占用的显存较大，网络所有的参数都会发生改变。 437 | 438 | ### d、我的LOSS好大啊，有问题吗？（我的LOSS好小啊，有问题吗？） 439 | **问：为什么我的网络不收敛啊，LOSS是XXXX。 440 | 答：不同网络的LOSS不同，LOSS只是一个参考指标，用于查看网络是否收敛，而非评价网络好坏，我的yolo代码都没有归一化，所以LOSS值看起来比较高，LOSS的值不重要，重要的是是否在变小，预测是否有效果。** 441 | 442 | ### e、为什么我训练出来的模型没有预测结果？ 443 | **问：为什么我的训练效果不好？预测了没有框（框不准）。 444 | 答：** 445 | **考虑几个问题： 446 | 1、数据集问题，这是最重要的问题。小于500的自行考虑增加数据集；一定要检查数据集的标签，视频中详细解析了VOC数据集的格式，但并不是有输入图片有输出标签即可，还需要确认标签的每一个像素值是否为它对应的种类。很多同学的标签格式不对，最常见的错误格式就是标签的背景为黑，目标为白，此时目标的像素点值为255，无法正常训练，目标需要为1才行。 447 | 2、是否解冻训练，如果数据集分布与常规画面差距过大需要进一步解冻训练，调整主干，加强特征提取能力。 448 | 3、网络问题，可以尝试不同的网络。 449 | 4、训练时长问题，有些同学只训练了几代表示没有效果，按默认参数训练完。 450 | 5、确认自己是否按照步骤去做了。 451 | 6、不同网络的LOSS不同，LOSS只是一个参考指标，用于查看网络是否收敛，而非评价网络好坏，LOSS的值不重要，重要的是是否收敛。** 452 | 453 | **问：为什么我的训练效果不好？对小目标预测不准确。 454 | 答：对于deeplab和pspnet而言，可以修改一下downsample_factor，当downsample_factor为16的时候下采样倍数过多，效果不太好，可以修改为8。** 455 | 456 | ### f、为什么我计算出来的miou是0？ 457 | **问：为什么我的训练效果不好？计算出来的miou是0？。** 458 | 答： 459 | 与e类似，**考虑几个问题： 460 | 1、数据集问题，这是最重要的问题。小于500的自行考虑增加数据集；一定要检查数据集的标签，视频中详细解析了VOC数据集的格式，但并不是有输入图片有输出标签即可，还需要确认标签的每一个像素值是否为它对应的种类。很多同学的标签格式不对，最常见的错误格式就是标签的背景为黑，目标为白，此时目标的像素点值为255，无法正常训练，目标需要为1才行。 461 | 2、是否解冻训练，如果数据集分布与常规画面差距过大需要进一步解冻训练，调整主干，加强特征提取能力。 462 | 3、网络问题，可以尝试不同的网络。 463 | 4、训练时长问题，有些同学只训练了几代表示没有效果，按默认参数训练完。 464 | 5、确认自己是否按照步骤去做了。 465 | 6、不同网络的LOSS不同，LOSS只是一个参考指标，用于查看网络是否收敛，而非评价网络好坏，LOSS的值不重要，重要的是是否收敛。** 466 | 467 | ### g、gbk编码错误（'gbk' codec can't decode byte）。 468 | **问：我怎么出现了gbk什么的编码错误啊：** 469 | ```python 470 | UnicodeDecodeError: 'gbk' codec can't decode byte 0xa6 in position 446: illegal multibyte sequence 471 | ``` 472 | **答：标签和路径不要使用中文，如果一定要使用中文，请注意处理的时候编码的问题，改成打开文件的encoding方式改为utf-8。** 473 | 474 | ### h、我的图片是xxx*xxx的分辨率的，可以用吗？ 475 | **问：我的图片是xxx*xxx的分辨率的，可以用吗！** 476 | **答：可以用，代码里面会自动进行resize与数据增强。** 477 | 478 | ### i、我想进行数据增强！怎么增强？ 479 | **问：我想要进行数据增强！怎么做呢？** 480 | **答：可以用，代码里面会自动进行resize与数据增强。** 481 | 482 | ### j、多GPU训练。 483 | **问：怎么进行多GPU训练？ 484 | 答：pytorch的大多数代码可以直接使用gpu训练，keras的话直接百度就好了，实现并不复杂，我没有多卡没法详细测试，还需要各位同学自己努力了。** 485 | 486 | ### k、能不能训练灰度图？ 487 | **问：能不能训练灰度图（预测灰度图）啊？ 488 | 答：我的大多数库会将灰度图转化成RGB进行训练和预测，如果遇到代码不能训练或者预测灰度图的情况，可以尝试一下在get_random_data里面将Image.open后的结果转换成RGB，预测的时候也这样试试。（仅供参考）** 489 | 490 | ### l、断点续练问题。 491 | **问：我已经训练过几个世代了，能不能从这个基础上继续开始训练 492 | 答：可以，你在训练前，和载入预训练权重一样载入训练过的权重就行了。一般训练好的权重会保存在logs文件夹里面，将model_path修改成你要开始的权值的路径即可。** 493 | 494 | ### m、我要训练其它的数据集，预训练权重能不能用？ 495 | **问：如果我要训练其它的数据集，预训练权重要怎么办啊？** 496 | **答：数据的预训练权重对不同数据集是通用的，因为特征是通用的，预训练权重对于99%的情况都必须要用，不用的话权值太过随机，特征提取效果不明显，网络训练的结果也不会好。** 497 | 498 | ### n、网络如何从0开始训练？ 499 | **问：我要怎么不使用预训练权重啊？ 500 | 答：看一看注释、大多数代码是model_path = ''，Freeze_Train = Fasle**，如果设置model_path无用，**那么把载入预训练权重的代码注释了就行。** 501 | 502 | ### o、为什么从0开始训练效果这么差（修改了网络主干，效果不好怎么办）？ 503 | **问：为什么我不使用预训练权重效果这么差啊？ 504 | 答：因为随机初始化的权值不好，提取的特征不好，也就导致了模型训练的效果不好，预训练权重还是非常重要的。** 505 | 506 | **问：up，我修改了网络，预训练权重还能用吗？ 507 | 答：修改了主干的话，如果不是用的现有的网络，基本上预训练权重是不能用的，要么就自己判断权值里卷积核的shape然后自己匹配，要么只能自己预训练去了；修改了后半部分的话，前半部分的主干部分的预训练权重还是可以用的，如果是pytorch代码的话，需要自己修改一下载入权值的方式，判断shape后载入，如果是keras代码，直接by_name=True,skip_mismatch=True即可。** 508 | 权值匹配的方式可以参考如下： 509 | ```python 510 | # 加快模型训练的效率 511 | print('Loading weights into state dict...') 512 | device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 513 | model_dict = model.state_dict() 514 | pretrained_dict = torch.load(model_path, map_location=device) 515 | a = {} 516 | for k, v in pretrained_dict.items(): 517 | try: 518 | if np.shape(model_dict[k]) == np.shape(v): 519 | a[k]=v 520 | except: 521 | pass 522 | model_dict.update(a) 523 | model.load_state_dict(model_dict) 524 | print('Finished!') 525 | ``` 526 | 527 | **问：为什么从0开始训练效果这么差（我修改了网络主干，效果不好怎么办）？ 528 | 答：一般来讲，网络从0开始的训练效果会很差，因为权值太过随机，特征提取效果不明显，因此非常、非常、非常不建议大家从0开始训练！如果一定要从0开始，可以了解imagenet数据集，首先训练分类模型，获得网络的主干部分权值，分类模型的 主干部分 和该模型通用，基于此进行训练。 529 | 网络修改了主干之后也是同样的问题，随机的权值效果很差。** 530 | 531 | **问：怎么在模型上从0开始训练？ 532 | 答：在算力不足与调参能力不足的情况下从0开始训练毫无意义。模型特征提取能力在随机初始化参数的情况下非常差。没有好的参数调节能力和算力，无法使得网络正常收敛。** 533 | 如果一定要从0开始，那么训练的时候请注意几点： 534 | - 不载入预训练权重。 535 | - 不要进行冻结训练，注释冻结模型的代码。 536 | 537 | **问：为什么我不使用预训练权重效果这么差啊？ 538 | 答：因为随机初始化的权值不好，提取的特征不好，也就导致了模型训练的效果不好，voc07+12、coco+voc07+12效果都不一样，预训练权重还是非常重要的。** 539 | 540 | ### p、你的权值都是哪里来的？ 541 | **问：如果网络不能从0开始训练的话你的权值哪里来的？ 542 | 答：有些权值是官方转换过来的，有些权值是自己训练出来的，我用到的主干的imagenet的权值都是官方的。** 543 | 544 | 545 | ### q、视频检测与摄像头检测 546 | **问：怎么用摄像头检测呀？ 547 | 答：predict.py修改参数可以进行摄像头检测，也有视频详细解释了摄像头检测的思路。** 548 | 549 | **问：怎么用视频检测呀？ 550 | 答：同上** 551 | 552 | ### r、如何保存检测出的图片 553 | **问：检测完的图片怎么保存？ 554 | 答：一般目标检测用的是Image，所以查询一下PIL库的Image如何进行保存。详细看看predict.py文件的注释。** 555 | 556 | **问：怎么用视频保存呀？ 557 | 答：详细看看predict.py文件的注释。** 558 | 559 | ### s、遍历问题 560 | **问：如何对一个文件夹的图片进行遍历？ 561 | 答：一般使用os.listdir先找出文件夹里面的所有图片，然后根据predict.py文件里面的执行思路检测图片就行了，详细看看predict.py文件的注释。** 562 | 563 | **问：如何对一个文件夹的图片进行遍历？并且保存。 564 | 答：遍历的话一般使用os.listdir先找出文件夹里面的所有图片，然后根据predict.py文件里面的执行思路检测图片就行了。保存的话一般目标检测用的是Image，所以查询一下PIL库的Image如何进行保存。如果有些库用的是cv2，那就是查一下cv2怎么保存图片。详细看看predict.py文件的注释。** 565 | 566 | ### t、路径问题（No such file or directory、StopIteration: [Errno 13] Permission denied: 'XXXXXX'） 567 | **问：我怎么出现了这样的错误呀：** 568 | ```python 569 | FileNotFoundError: 【Errno 2】 No such file or directory 570 | StopIteration: [Errno 13] Permission denied: 'D:\\Study\\Collection\\Dataset\\VOC07+12+test\\VOCdevkit/VOC2007' 571 | …………………………………… 572 | …………………………………… 573 | ``` 574 | **答：去检查一下文件夹路径，查看是否有对应文件；并且检查一下2007_train.txt，其中文件路径是否有错。** 575 | 关于路径有几个重要的点： 576 | **文件夹名称中一定不要有空格。 577 | 注意相对路径和绝对路径。 578 | 多百度路径相关的知识。** 579 | 580 | **所有的路径问题基本上都是根目录问题，好好查一下相对目录的概念！** 581 | ### u、和原版比较问题，你怎么和原版不一样啊？ 582 | **问：原版的代码是XXX，为什么你的代码是XXX？ 583 | 答：是啊……这要不怎么说我不是原版呢……** 584 | 585 | **问：你这个代码和原版比怎么样，可以达到原版的效果么？ 586 | 答：基本上可以达到，我都用voc数据测过，我没有好显卡，没有能力在coco上测试与训练。** 587 | 588 | ### v、我的检测速度是xxx正常吗？我的检测速度还能增快吗？ 589 | **问：你这个FPS可以到达多少，可以到 XX FPS么？ 590 | 答：FPS和机子的配置有关，配置高就快，配置低就慢。** 591 | 592 | **问：我的检测速度是xxx正常吗？我的检测速度还能增快吗？ 593 | 答：看配置，配置好速度就快，如果想要配置不变的情况下加快速度，就要修改网络了。** 594 | 595 | **问：为什么论文中说速度可以达到XX，但是这里却没有？ 596 | 答：检查是否正确安装了tensorflow-gpu或者pytorch的gpu版本，如果已经正确安装，可以去利用time.time()的方法查看detect_image里面，哪一段代码耗时更长（不仅只有网络耗时长，其它处理部分也会耗时，如绘图等）。有些论文还会使用多batch进行预测，我并没有去实现这个部分。** 597 | 598 | ### w、预测图片不显示问题 599 | **问：为什么你的代码在预测完成后不显示图片？只是在命令行告诉我有什么目标。 600 | 答：给系统安装一个图片查看器就行了。** 601 | 602 | ### x、算法评价问题（miou） 603 | **问：怎么计算miou？ 604 | 答：参考视频里的miou测量部分。** 605 | 606 | **问：怎么计算Recall、Precision指标。 607 | 答：现有的代码还无法获得，需要各位同学理解一下混淆矩阵的概念，然后自行计算一下。** 608 | 609 | ### y、UP，怎么优化模型啊？我想提升效果 610 | **问：up，怎么修改模型啊，我想发个小论文！ 611 | 答：建议目标检测中的yolov4论文，作为一个大型调参现场非常有参考意义，使用了很多tricks。我能给的建议就是多看一些经典模型，然后拆解里面的亮点结构并使用。** 612 | 613 | ### z、部署问题（ONNX、TensorRT等） 614 | 我没有具体部署到手机等设备上过，所以很多部署问题我并不了解…… 615 | 616 | ## 5、交流群问题 617 | **问：up，有没有QQ群啥的呢？ 618 | 答：没有没有，我没有时间管理QQ群……** 619 | 620 | ## 6、怎么学习的问题 621 | **问：up，你的学习路线怎么样的？我是个小白我要怎么学？ 622 | 答：这里有几点需要注意哈 623 | 1、我不是高手，很多东西我也不会，我的学习路线也不一定适用所有人。 624 | 2、我实验室不做深度学习，所以我很多东西都是自学，自己摸索，正确与否我也不知道。 625 | 3、我个人觉得学习更靠自学** 626 | 学习路线的话，我是先学习了莫烦的python教程，从tensorflow、keras、pytorch入门，入门完之后学的SSD，YOLO，然后了解了很多经典的卷积网，后面就开始学很多不同的代码了，我的学习方法就是一行一行的看，了解整个代码的执行流程，特征层的shape变化等，花了很多时间也没有什么捷径，就是要花时间吧。 627 | --------------------------------------------------------------------------------