EfficientNet應用於目標檢測的模型改造方法

2019-07-17 18:05:05 flyfish1986 閱讀數 595更多

分類專欄： 深度學習

 

版權聲明：本文為博主原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接和本聲明。

本文鏈接： https://blog.csdn.net/flyfish1986/article/details/96337588

EfficientNet應用於目標檢測的模型改造方法

Object Detection using EfficientNet

flyfish

下載地址
https://github.com/shaoshengsong/EfficientNet-SSD

環境
操作系統: Ubuntu18.04
Python: 3.6
PyTorch: 1.1.0

論文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks

為了實現將EfficientNet應用於目標檢測，需要對其網絡進行改造
改造后的結果，起名字就是EfficientNet-SSDLite 或者 EfficientNet-SSD
該代碼也可以在CPU下運行

還有一篇是改造MobileNetV3的，將MobileNetV3應用於目標檢測
https://github.com/shaoshengsong/MobileNetV3-SSD

以 efficient_net_b0_ssd300_voc0712 為例說明是如何改造的
其他的

EfficientNet-B1
EfficientNet-B2
EfficientNet-B3
EfficientNet-B4
EfficientNet-B5
EfficientNet-B6
EfficientNet-B7

都可以按照此方法就行改造，改造后至於是否使用SSD的 其他變種就是另一碼事了

配置efficient_net_b0_ssd300_voc0712.yaml如下

MODEL:
  NUM_CLASSES: 21
  BOX_PREDICTOR: 'SSDLiteBoxPredictor'
  BACKBONE:
    NAME: 'efficient_net-b0'
    OUT_CHANNELS: (40, 112, 320, 256, 256, 256)
INPUT:
  IMAGE_SIZE: 300
DATASETS:
  TRAIN: ("voc_2007_trainval","voc_2012_trainval")
  TEST: ("voc_2007_test", )
SOLVER:
  MAX_ITER: 160000
  LR_STEPS: [105000, 135000]
  GAMMA: 0.1
  BATCH_SIZE: 2
  LR: 1e-3

OUTPUT_DIR: 'outputs/efficient_net_b0_ssd300_voc0712'

代碼改造

efficientnet-b3的數據
INDICES = {
    'efficientnet-b3': [7, 17, 25]
}

EXTRAS = {
    'efficientnet-b3': [
        # in,  out, k, s, p
        [(384, 128, 1, 1, 0), (128, 256, 3, 2, 1)],  # 5 x 5
        [(256, 128, 1, 1, 0), (128, 256, 3, 1, 0)],  # 3 x 3
        [(256, 128, 1, 1, 0), (128, 256, 3, 1, 0)],  # 1 x 1

    ]
}

efficientnet-b0的數據
INDICES = {
    'efficientnet-b0': [4, 10, 15]
}
EXTRAS = {
    'efficientnet-b0': [
        # in,  out, k, s, p
        [(320, 128, 1, 1, 0), (128, 256, 3, 2, 1)],  # 5 x 5
        [(256, 128, 1, 1, 0), (128, 256, 3, 1, 0)],  # 3 x 3
        [(256, 128, 1, 1, 0), (128, 256, 3, 1, 0)],  # 1 x 1

    ]
}

其他詳細的改造見github

數據集的下載
下載VOC數據集
可以通過以下命令下載數據集

切換到項目的數據目錄
cd data
下載2007年的訓練數據
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
下載2007年的測試數據
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
下載2012年的訓練數據
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar

解壓數據集
下載完成之后，要解壓數據集到當前目錄

tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtrainval_11-May-2012.tar

VOC的目錄是這樣的
VOC_ROOT
|__ VOC2007
    |_ JPEGImages
    |_ Annotations
    |_ ImageSets
    |_ SegmentationClass
|__ VOC2012
    |_ JPEGImages
    |_ Annotations
    |_ ImageSets
    |_ SegmentationClass
|__ ...

COCO的目錄是這樣的
COCO_ROOT
|__ annotations
    |_ instances_valminusminival2014.json
    |_ instances_minival2014.json
    |_ instances_train2014.json
    |_ instances_val2014.json
    |_ ...
|__ train2014
    |_ <im-1-name>.jpg
    |_ ...
    |_ <im-N-name>.jpg
|__ val2014
    |_ <im-1-name>.jpg
    |_ ...
    |_ <im-N-name>.jpg
|__ ...

下載數據集之后唯一需要做的是更改數據集的路徑，
SSD/ssd/config/path_catlog.py

改成自己數據集的路徑

class DatasetCatalog:
DATA_DIR = ‘/media/santiago/b/dataset/VOC’

訓練方法
python train.py --config-file configs/efficient_net_b0_ssd300_voc0712.yaml

代碼部分嚴重參考以下repository

EfficientNet的PyTorch的實現
https://github.com/lukemelas/EfficientNet-PyTorch

High quality, fast, modular reference implementation of SSD in PyTorch
https://github.com/lufficc/SSD