目錄

模型介紹

模型使用

下載源碼:

在data文件夾下新建VOCdevkit文件夾，導入VOC格式的數據集。如下圖：

下載權重文件，放在weights（如果沒有就在根目錄新建）文件夾下面。

修改voc0712.py里面的類別。

選擇配置文件。

刪除pycocotools

修改nms_wrapper.py

修改train.py

修改test.py

可視化結果

---

模型介紹

物體檢測模型M2Det，是北京大學&阿里達摩院提出的Single-shot目標檢測新模型，使用multi-level特征。在MS-COCO benchmark上，M2Det的單尺度版本和多尺度版本AP分別達到41.0和44.2?。

該模型的特點：

• 提出多級特征金字塔網絡MLFPN。MLFPN的結構如下：

• 基于提出的MLFPN，結合SSD，提出一種新的Single-shot目標檢測模型M2Det

模型使用

• 下載源碼:

https://github.com/qijiezhao/M2Det”。

• 在data文件夾下新建VOCdevkit文件夾，導入VOC格式的數據集。如下圖：

• 下載權重文件，放在weights（如果沒有就在根目錄新建）文件夾下面。

• 修改voc0712.py里面的類別。

將：

VOC_CLASSES = ( '__background__', # always index 0'aeroplane', 'bicycle', 'bird', 'boat','bottle', 'bus', 'car', 'cat', 'chair','cow', 'diningtable', 'dog', 'horse','motorbike', 'person', 'pottedplant','sheep', 'sofa', 'train', 'tvmonitor')

修改為：

VOC_CLASSES = ( '__background__', # always index 0
??? 'aircraft', 'oiltank')

選擇配置文件。

本例采用configs->m2det512_vgg.py配置文件

model = dict(
??? type = 'm2det',
??? input_size = 512,
??? init_net = True,
??? pretrained = 'weights/vgg16_reducedfc.pth',
??? m2det_config = dict(
??????? backbone = 'vgg16',
??????? net_family = 'vgg', # vgg includes ['vgg16','vgg19'], res includes ['resnetxxx','resnextxxx']
??????? base_out = [22,34], # [22,34] for vgg, [2,4] or [3,4] for res families
??????? planes = 256,
??????? num_levels = 8,
??????? num_scales = 6,
??????? sfam = False,
??????? smooth = True,
??????? num_classes = 3,#更改類別，按照數據集里面的類別數量+1(背景)
??????? ),
??? rgb_means = (104, 117, 123),
??? p = 0.6,
??? anchor_config = dict(
??????? step_pattern = [8, 16, 32, 64, 128, 256],
??????? size_pattern = [0.06, 0.15, 0.33, 0.51, 0.69, 0.87, 1.05],
??????? ),
??? save_eposhs = 10,
??? weights_save = 'weights/' #保存權重文件的目錄
??? )
train_cfg = dict(
??? cuda = True,#是否使用cuda
??? warmup = 5,
??? per_batch_size = 2,#修改batchsize，按照自己顯卡的能力修改
??? lr = [0.004, 0.002, 0.0004, 0.00004, 0.000004],#學利率調整，調整依據step_lr的epoch數值。
??? gamma = 0.1,
??? end_lr = 1e-6,
??? step_lr = dict(
??????? COCO = [90, 110, 130, 150, 160],
??????? VOC = [100, 150, 200, 250, 300], # unsolve
??????? ),
??? print_epochs = 10,#每個10個epoch保存一個模型。
??? num_workers= 2,#線程數，根據CPU調整
??? )

test_cfg = dict(
??? cuda = True,
??? topk = 0,
??? iou = 0.45,
??? soft_nms = True,
??? score_threshold = 0.1,
??? keep_per_class = 50,
??? save_folder = 'eval'
??? )

loss = dict(overlap_thresh = 0.5,
??????????? prior_for_matching = True,
??????????? bkg_label = 0,
??????????? neg_mining = True,
??????????? neg_pos = 3,
??????????? neg_overlap = 0.5,
??????????? encode_target = False)

optimizer = dict(type='SGD', momentum=0.9, weight_decay=0.0005)#激活函數。

#修改dataset，本例采用VOC2007數據集，將COCO的刪除即可,刪除VOC2012

dataset = dict(VOC = dict(train_sets = [('2007', 'trainval')],eval_sets = [('2007', 'test')],))import osimport oshome = ""#home路徑，默認是linux的，本例采用win10，講其修改為“”VOCroot = os.path.join(home,"data/VOCdevkit/")COCOroot = os.path.join(home,"data/coco/")

• 刪除pycocotools

在安裝pycocotools工具前提下，將程序自帶的pycocotools工具包刪除。

修改coco.py

將：

from utils.pycocotools.coco import COCO
from utils.pycocotools.cocoeval import COCOeval
from utils.pycocotools import mask as COCOmask

修改為：

from pycocotools.coco import COCO
from pycocotools.cocoeval import COCOeval
from pycocotools import mask as COCOmask

• 修改nms_wrapper.py

將：

from .nms.cpu_nms import cpu_nms, cpu_soft_nms
from .nms.gpu_nms import gpu_nms
# def nms(dets, thresh, force_cpu=False):
#???? """Dispatch to either CPU or GPU NMS implementations."""
#???? if dets.shape[0] == 0:
#???????? return []
#???? if cfg.USE_GPU_NMS and not force_cpu:
#???????? return gpu_nms(dets, thresh, device_id=cfg.GPU_ID)
#???? else:
#???????? return cpu_nms(dets, thresh)
def nms(dets, thresh, force_cpu=False):
??? """Dispatch to either CPU or GPU NMS implementations."""
??? if dets.shape[0] == 0:
??? ????return []
??? if force_cpu:
??????? return cpu_soft_nms(dets, thresh, method = 1)
??????? #return cpu_nms(dets, thresh)
??? return gpu_nms(dets, thresh)

修改為：

from .nms.py_cpu_nms import py_cpu_nms

def nms(dets, thresh, force_cpu=False):
??? """Dispatch to either CPU or GPU NMS implementations."""
??? if dets.shape[0] == 0:
??????? return []
??? if force_cpu:
??????? return py_cpu_nms(dets, thresh, method = 1)
??? return py_cpu_nms(dets, thresh)

• 修改train.py

修改選定配置的文件

parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py')

修改數據的格式
parser.add_argument('-d', '--dataset', default='VOC', help='VOC or COCO dataset')

然后就可以開始訓練了。

• 修改test.py

parser = argparse.ArgumentParser(description='M2Det Testing')
parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py', type=str)#選擇配置文件，和訓練的配置文件對應
parser.add_argument('-d', '--dataset', default='VOC', help='VOC or COCO version')
parser.add_argument('-m', '--trained_model', default='weights/M2Det_VOC_size512_netvgg16_epoch30.pth', type=str, help='Trained state_dict file path to open')
parser.add_argument('--test', action='store_true', help='to submit a test file')

修改voc0712.py282行的xml路徑。將：

annopath = os.path.join(
??????????????????????? rootpath,
??????????????????????? 'Annotations',
??????????????????????? '{:s}.xml')

改為：

annopath = rootpath+'/Annotations/{:s}.xml'

測試結果：

• 可視化結果

修改demo.py中超參數

parser.add_argument('-c', '--config', default='configs/m2det512_vgg.py', type=str)
parser.add_argument('-f', '--directory', default='imgs/', help='the path to demo images')
parser.add_argument('-m', '--trained_model', default='weights/M2Det_VOC_size512_netvgg16_epoch30.pth', type=str, help='Trained state_dict file path to open')

然后將部分測試圖片放到imgs文件夾下面，運行demo.py.

本文實例：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/12428492

總結

以上是生活随笔為你收集整理的手把手教物体检测——M2Det的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。