目标检测：OneNet: Towards End-to-End One-Stage Object Detection

目录

算法介绍

算法训练

 

算法介绍

OneNet算法的优点：

1）：全卷积，端到端，没有ROI 操作，也没有 attention 机制

2）：标签分配是通过最小代价策略，不需要复杂的人工设计或者启发

3）：没有任何后处理，比如：NMS, max-pooling等

 

要点1：

以前的大部分网络只根据 proposal 和 GT 之间的 location cost  来进行打标签，比如 box IOU 或这 point distance. 并没有引入 classification cost. 这会导致前向推理时会产生大量的高分冗余框，所以需要NMS进行后处理。

 要点2：

基于 box IOU 或者 Point distance 方式进行标签分配的算法都会面临：多对一的情况，即一个GT对应多个 positive sample。

要点3：

作者提出 Minimum Cost Assignment [最小代价分配策略]， 即 classification cost + location cost 最小的 sample 标记为 positive sample, 剩余的为 negtive sample。

 

Location cost：

Minimum cost： 增加了一项：分类损失

 

伪代码：

要点4：

网络结构简单直观：backbone下采样，FPN上采样，只在下采样４次的feaure map上进行结果的预测。

同时文中也提供了多头训练结构：

比较有意思的结论是：单单使用多头训练，并不会提升精度。。。感觉有点意外，作者说如果多头训练，必须增大学习率才可能提升精度。。。单头训练增大学习率反而可能会造成精度下降。。。

最后看一下实验对比：

１：与centerNet 对比，感觉没有优势。。。为了追平ＡＰ，输入的尺度放大了。。。

２：好在结构简单，没有什么太多奇怪的东西

算法训练

我是训练自己的VOC格式的数据，简单记录一下

1：安装，参考https://github.com/PeizeSun/OneNet 官方的readme即可

2：模型下载：直接下载百度云链接即可，里面包含了R18_dcn, R18_nodcn, ResNet-18.pk预训练模型

3：准备数据。创建VOC2007文件夹，并将自己的VOC数据路径软链接过来

cd  datasets
mkdir VOC2007
ln -s /path_to_your_voc/Annotations Annotations
ln -s /path_to_yout_voc/MainSets MainSets
ln -s /path_to_your_voc/JPEGImages JPEGImages

4：修改训练配置文件： OneNet/projects/OneNet/configs/onenet.res18.nodcn.yaml

5： 调整训练数据类别：OneNet/detectron2/data/datasets/pascal_voc.py，更改为自己的数据类别

6：调整解析代码，防止自己的train.txt中有特殊字符，比如# $ 等。OneNet/detectron2/data/datasets/pascal_voc.py

7： 跳过没有包含的类别：OneNet/detectron2/data/datasets/pascal_voc.py

8：训练

python projects/OneNet/train_net.py --num-gpus 1 --config-file projects/OneNet/configs/onenet.res18.nodcn.yaml

 9：目前还在训练，还不能测试其具体效果，所以先简单的总结一下训练感受：

                     YOLOv5-s     OneNet

Batch_size       16                  16

Input_size     1024*1024       多尺度

epochs             80                   300

(1)：显存占用大，同样batch_size = 16, YOLOv5-s的训练图像大小是1024*1024，显存占用7.7G，而OneNet训练的图像小，但显存几近12G了。。。

(2)：显存利用率低，YOLOv5-s能几近100%， 而OneNet 间断性的0-75%

(3)：训练时间稍长，YOLOv5-s，80epoch耗时16.7h。 OneNet，300epoch耗时3 days。

终于训练完了。。。

YOLOv5-s: 看起来，还没有完全收敛，还有继续提升的空间。

OneNet：看起来也还有指标提升的空间，可就是慢。。。