本文轉載自知乎，已獲作者授權轉載，請勿二次轉載。
https://zhuanlan.zhihu.com/p/315511581
前言
-
前段時間純粹為了論文湊字數做的一個工作，本文不對CenterNet原理進行詳細解讀，如果你對CenterNet原理不了解，建議簡單讀一下原論文然后對照本文代碼理解（對原版CenterNet目標檢測代碼進行了極大程度精簡）。
-
基本想法就是直接修改CenterNet的head部分，但是是直接在長寬圖上加一層通道表示角度，還是多引出一 路feature-map呢？實測是多引出一張feature map比較好，直接在長寬圖上加一層通道很難收斂，具體原因我也是猜測，角度和尺度特征基本無共享特征，且會相互干擾（角度發生些許變化，目標的長寬可能就變了，如果角度是錯的，長寬本來是對的呢？反之亦然）引出的feature-map只經歷了一層卷積層就開始計算loss，對於這種復雜的關系表征能力不夠，可能造成弄巧成拙。網絡結構如下：
代碼
代碼主要分為五個部分：
-
train.py：模型的訓練
-
predict.py：模型的前向推理
-
backbone：模型的主干網，給了DLA和ResNet的DCN與普通版本，層數可以自定義
-
loss.py：模型的損失函數
-
dataset.py：模型的數據處理
不是很重要：
-
data/airplane：示例訓練數據與圖片
-
dcn：編譯好的dcn，說明一下，這里與原版CenterNet編譯dcn一樣，直接文件夾復制過來即可，如果你不會編譯dcn，就用backbone內的dlanet.py與resnet.py
-
原版CenterNet代碼較多，我只需要做目標檢測，所以把各種3D檢測等都刪了，模型架構也拆了只保留了有用部分，方便自己閱讀以及魔改。
-
其次，因為只是加了一個角度檢測，所以主要是修改了一下數據處理部分，用的還是VOC格式，只是在.josn文件里面加了一個角度信息，打標簽的時候用[0,π]表示，后續在loss內添加了角度的feature-map損失，用的Smooth-L1 loss，打標簽方法已在下方更新。
2020.1021代碼已更新(不是很重要)
-
labelGenerator：生成自己的訓練數據
-
evaluation.py：性能指標計算
-
imgs：性能指標計算示例圖片
-
鑒於一些同學想知道怎么對自己的數據打標簽以及生成R-CenterNet可以訓練的數據，所以更新一個labelGenerator文件夾，內包含轉換函數以及用例。注意，這個文件夾以及其內部函數不是網絡必須的，只是想訓練自己打標簽的數據時用的。
-
鑒於一些同學想知道模型訓練完畢，怎么對比性能，比如旋轉框怎么計算mIOU等，所以更新一個evaluation.py以及對應的案例圖片和文件夾imgs。注意，這個.py和imgs文件夾不是必須的，只是模型訓練結束計算性能用的。
Demo
訓練自己的多分類網絡
-
理論上torch >1.0即可，如果報了顯存不足的問題就是torch版本低了
-
打標簽用labelGenerator文件夾里面的代碼
-
修改代碼中所有num_classes為你的類別數目
-
增加predict.py中方框顏色，我這里只檢測單目標，所以只有紅藍框。
-
修改back_bone中hm的數目為你的類別數，如：
def DlaNet(num_layers=34, heads = {'hm': your classes num, 'wh': 2, 'ang':1, 'reg': 2}, head_conv=256, plot=False):最后，有問題可以去github上看一下issue，或者私信留言。
后續有時間會將上面的工作工程化，用C++落地。
代碼地址：
https://github.com/ZeroE04/R-CenterNet
備注：目標檢測