前言
SSD是目前先进的one-step目标检测算法,针对该框架的训练还有不少技巧可以挖掘,本文试着写写一些常见和不常见的技巧,在不改变网络架构的条件下(相反则是DSSD,R-SSD等改动卷积层结构的系列算法),应该能对精度提升有所帮助。这里只是抛砖引玉,不敢说真的很懂。
抽取权重
一般而言,我们都是用预训练模型来开始新的数据集训练,常用的预训练模型主要是Imagenet,Pascal VOC,COCO上训练好的,这些都能在网上下载到。
那现在如果我们训练KITTI数据集,它只有4类(car,person,cyclist,bg),如果使用预训练模型直接开始训练,那么预训练模型(比如VOC和COCO)中所有mbox_conf层的参数都被浪费了,必须重新学习,这是因为类别数量不一致,卷积核参数无法继承。这里mbox_loc层还会保留,因为SSD算法共享位置。
考虑到VOC数据集和COCO数据集中都含有汽车、行人和自行车这三类,因此可以考虑从这两类预训练模型中抽取这4类(加上背景)的权重,形成一个仅针对这几类目标的caffemodel模型。如此这般,排除了其他无关类型的参数,这个新模型的参数就能得到充分利用,再基于该模型进行finetune,其效果也会更好一些。
博主参考pycaffe相关接口写了一个简单的抽取程序,这个针对的是VOC训练出来的模型,如果想针对COCO模型,则稍加修改就行。写的比较仓促,代码效率未必最高,敬请见谅。
# convert_ssd_caffemodel.py
# coding:utf-8
import numpy as np
import sys
caffe_root='/home/mx/caffe/'
sys.path.insert(0,caffe_root+'python')
import caffe
caffe.set_device(0)
caffe.set_mode_gpu() # 使用GPU模式
voc_deploy='/home/mx/tempfile/net_surgery/deploy_voc.prototxt' # 21类的deploy文件
voc_caffemodel='/home/mx/tempfile/net_surgery/VGG_VOC0712_SSD_300x300_iter_120000.caffemodel' # 21类的caffemodel文件
kitti_deploy='/home/mx/tempfile/net_surgery/deploy_kitti.prototxt' # 4类的deploy文件
voc_net=caffe.Net(voc_deploy,voc_caffemodel,caffe.TEST) # 从caffemodel加载参数
kitti_net=caffe.Net(kitti_deploy,caffe.TEST) # 参数由系统初始化
# 需要修改的层,从21类中挑出4类使用
change_layer=['conv4_3_norm_mbox_conf','fc7_mbox_conf','conv6_2_mbox_conf','conv7_2_mbox_conf','conv8_2_mbox_conf','conv9_2_mbox_conf']
# 定义字典,层名和输入通道数对应起来,有两种类型,prior_box=4 or 6
name_channel_84={'conv4_3_norm_mbox_conf':512,'conv8_2_mbox_conf':256,'conv9_2_mbox_conf':256}
name_channel_126={'fc7_mbox_conf':1024,'conv6_2_mbox_conf':512,'conv7_2_mbox_conf':256}
for name in voc_net.params.keys():
if(name not in change_layer):
if(name=='conv4_3_norm'):
kitti_net.params[name][0].data[...] = voc_net.params[name][0].data # 单独处理conv4_3_norm
else:
kitti_net.params[name][0].data[...] = voc_net.params[name][0].data
kitti_net.params[name][1].data[...] = voc_net.params[name][1].data
# 处理mbox_conf的卷积层参数,首先是prior_box=4的三个层
for name,channel in name_channel_84.items():
weight=voc_net.params[name][0].data # 暂存卷积核权重
bias=voc_net.params[name][1].data # 暂存偏置项
w=np.zeros((16,channel,3,3)) # 目标维度是(16,channel,3,3),初始化为全0
b=np.zeros((16,)) # 偏置项是一维矩阵
# 按照voc的类别顺序,依次提取背景(0)、自行车(2)、汽车(7)、行人(15)的卷积核权重和偏置项,排布方式要清楚。
for i in [0,1,2,3]:
w[4 * i, ...] = weight[21 * i, ...]
w[1 + 4 * i, ...] = weight[2 + 21 * i, ...]
w[2 + 4 * i, ...] = weight[7 + 21 * i, ...]
w[3 + 4 * i, ...] = weight[15 + 21 * i, ...]
b[4 * i] = bias[21 * i]
b[1 + 4 * i] = bias[2 + 21 * i]
b[2 + 4 * i] = bias[7 + 21 * i]
b[3 + 4 * i] = bias[15 + 21 * i]
# 存入到kitti_net的对应层
kitti_net.params[name][0].data[...]=w
kitti_net.params[name][1].data[...]=b
# 处理mbox_conf的卷积层参数,首然后是prior_box=6的三个层
for name,channel in name_channel_126.items():
weight=voc_net.params[name][0].data
bias=voc_net.params[name][1].data
w=np.zeros((24,channel,3,3))
b=np.zeros((24,))
for i in [0,1,2,3,4,5]:
w[4 * i, ...] = weight[21 * i, ...]
w[1 + 4 * i, ...] = weight[2 + 21 * i, ...]
w[2 + 4 * i, ...] = weight[7 + 21 * i, ...]
w[3 + 4 * i, ...] = weight[15 + 21 * i, ...]
b[4 * i] = bias[21 * i]
b[1 + 4 * i] = bias[2 + 21 * i]
b[2 + 4 * i] = bias[7 + 21 * i]
b[3 + 4 * i] = bias[15 + 21 * i]
kitti_net.params[name][0].data[...]=w
kitti_net.params[name][1].data[...]=b
print('all the parameters have been wrote.')
# 保存caffemodel文件到本地目录
# 使用该模型作为预训练模型,可加快训练速度,精度也有一定提升
kitti_net.save('/home/mx/tempfile/net_surgery/VGG_VOC0712_SSD_300x300_iter_120000_4class.caffemodel')
print('the caffemodel has been saved!')
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
程序及其所需文件也可到此处下载:convert_ssd_caffemodel ,至于VGG_VOC0712_SSD_300x300_iter_120000.caffemodel
,请到SSD项目主页下载。
原caffemodel的大小为105.21m,转换后大小为96.1MB,使用抽取后的caffemodel进行图片检测,效果尚可。
然后使用VGG_VOC0712_SSD_300x300_iter_120000_4class.caffemodel
作为预训练模型来训练KITTI数据集,batch_size=32,发现达到同样的mAP,差不多能提前5000~10000次迭代,说明此模型能有效加快拟合。至于mAP,在没有其他改动的情况下,增加了大约1.5%,如果再仔细调节学习率,可能会达到2%~4%的提升。用COCO的转换模型,效果则还要更好一些,毕竟COCO数据集规模更大。