Pytorch Faster rcnn 模型调用和调整
github上的项目太庞大了
最近我在做目标检测比赛,因为是小比赛并且对模型和训练时间有限制,所以我懒得在GitHub上下载faster-rcnn项目自己安装,调试,debug。有一说一,我确实在GitHub上下载了几个开源项目,但是它们太大了,我无从下手。
下载–打开–看到几十行import–关闭
GitHub上开源项目基本上都是默认你是Linux系统,它的一套流程都是在Linux安装实现的。原谅我没钱,与Linux无缘。
在windows上我只能Download ZIP,然后就出现了开头那一幕。
在kaggle上看到了一个大神的代码
Kaggle上有免费的云服务器可以跑程序,训模型。从三天前接触到kaggle,到今天点开大神的notebook好像发现了新大陆。
大神的代码如下
model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
直接调出模型,在创建数据集之后可以用模型直接训练数据。与上文中提到的巨型项目的差距挺大,但我现在还不明白这是为什么,两极分化?可能大项目是面向应用的吧。
由于调用了预训练模型,模型参数是根据预训练的数据集调整的。接下来就得自己跟数据集调整模型了。
有两种调整方法
1.接上面的代码
上面大神的代码直接用了Resnet50作为backbone网络,因为这是pytorch预训练好的模型,我们只需要调整一下类别数目就行了,就是number class。
in_features = model.roi_heads.box_predictor.cls_score.in_features
model.roi_heads.box_predictor = FastRCNNPredictor(in_features, 2)
我看了pytorch的文档才弄明白,第一行进入到模型内部调出了模型默认的
FastRCNNPredictor()类的参数。因为要修改类别数目,而类别数目是这个类定义的,它要输入两个参数,其中一个就是类别数目。这个就我们自己定义,但是还有一个参数我们不能自己定义啊。这个参数要根据模型定义所以我们进入模型内部调出in_feature参数。
之后我们有了in_feature和number_class,就可以使用FastRCNNPredictor()类来重新调整我们的类别数目了。第二行代码就是在模型里重新定义了FastRC