Pytorch-SSD目标检测算法(Single Shot MultiBox Detector)(简单,明了,易用,全中文注释,单机多卡训练,训练过程可视化,视频检测)

SSD-Pytorch

项目Github地址:Github 欢迎star, fork

一. 项目简介

• 项目主要针对单机多卡环境实现.

• 项目整体结构清晰明了,对训练过程在不失灵活性的前提下进行了包装.训练,测试,检测过程均只需简单几行即可实现.

• 如需深入了解,可对照项目文件结构进行理解,项目整体均有详细中文备注.

• 完整项目地址:Github,欢迎star, fork.

• github连接较慢的,可以去Gitee(国内的代码托管网站),也有完整项目.

1.1 项目特点

1.结构化实现.模型各部件均分离实现,模型结构更为清晰明了,便于理解以及后续修改使用.

2.针对单机多卡环境实现.简单直观的多GPU调用实现. 只需通过列表指明需调用的GPU序号即可实现多GPU环境下的训练与测试.如: train_devices=[0,1,3]即可调用第1,2,4三块GPU用于训练.

3.全中文注释.每部分均有详细的中文注释,是你学习SSD,加深理解的不二之选.

1.2 Requirements

1.pytorch

2.opencv-python

3.torchvision >= 0.3.0

4.Vizer (在代码实现上也借鉴了lufficc大神的一些思想)

5.visdom

1.3 项目文件结构

文件夹	文件	说明
Data	数据相关
	Dataloader	数据加载器类’Our_Dataloader’, ‘Our_Dataloader_test’
	Dataset_VOC	VOC格式数据集类
	Transfroms	数据Transfroms
	Transfroms_tuils	Transfroms子方法
Model	模型相关
	base_models/VGG	现只有vgg模型,后期会更新其他模型
	structs/Anchors	默认检测框生成器
	structs/MutiBoxLoss	SSD损失函数
	structs/PostProcess	后处理
	structs/Predictor	分类及回归网络
	evaler	验证器,用于在数据集上对模型进行验证(测试),计算ap,map
	ssd_model	SSD模型类
	trainer	训练器,用于在数据集上训练模型
Utils	各种工具
	boxs_op	各种框体操作,编码解码,IOU计算,框体格式转换等
Weights	模型权重存放处
	pretrained	预训练模型权重存放处
	trained	训练过程中默认模型存放处
----	Configs.py	配置文件,包含了模型定义,数据以及训练过程,测试过程等的全部参数,建议备份一份再进行修改
----	Demo_train.py	模型训练的例子,训练过程中的模型会保存在Weights/Our/
----	Demo_eval.py	模型测试的例子,计算模型ap,map
----	Demo_detect_one_image.py	检测单张图片例子
----	Demo_detect_video.py	视频检测例子,传入一个视频,进行检测

二. Demo例子

本项目Demo均是完整的训练,测试,检测过程,可直接运行.

2.1 训练train

本项目采用visdom进行训练过程可视化

visdom安装 及运行:

visdom安装

pip install visdom   安装

python -m visdom.server     运行

打开网页`127.0.0.1:8097` 进行训练过程可视化

(如未运行visdom,会报警告,但是不影响训练过程.建议通过visdom进行可视化)

训练过程通过训练器进行配置,训练器支持单机单卡,单机多卡训练;不支持多机多卡以及cpu.

# 实例化模型. 模型的具体各种参数在Config文件中进行配置

net = SSD(cfg)

# 将模型移动到gpu上,cfg.DEVICE.MAINDEVICE定义了模型所使用的主GPU

# 模型的参数更新会在主GPU上进行.

net.to(cfg.DEVICE.MAINDEVICE)

# 初始化训练器,训练器参数已通过cfg进行配置;也可传入参数进行配置,但不建议

trainer = Trainer(cfg, max_iter=None, batch_size=None, 
                  
                  train_devices=None, model_save_step=None, 
                  
                  model_save_root=None, vis = None, vis_step=None)

# 训练器开始在 数据集上训练模型
  
trainer(net, train_dataset)

2.2 测试Eval

对模型进行测试,测试器支持单机单卡,单机多卡测试,但不支持多机多卡,cpu.

net = SSD(cfg)

# 将模型移动到gpu上,cfg.DEVICE.MAINDEVICE定义了模型所使用的主GPU

net.to(cfg.DEVICE.MAINDEVICE)

# 模型从权重文件中加载权重

net.load_pretrained_weight('Weights/pretrained/vgg_ssd300_voc0712.pkl')

# 初始化验证器,验证器参数通过cfg进行配置;也可传入参数进行配置,但不建议

evaler = Evaler(cfg, eval_devices=None)

# 验证器开始在数据集上验证模型

ap, map = evaler(model=net, test_dataset=test_dataset)

print(ap)

print(map)

2.3 检测Detect

检测过程本项目给出俩个例子,分别为单张图片检测与视频检测

2.3.1 图片检测

单张图片检测,通过调用模型Detect_single_img方法实现.支持gpu与cpu,依模型运行环境而定.

# 实例化模型

net = SSD(cfg)

# 使用cpu或gpu

net.to('cuda')

# 模型从权重文件中加载权重

net.load_pretrained_weight('Weights/pretrained/vgg_ssd300_voc0712.pkl')

# 打开图片

image = Image.open("Images/000133.jpg")

# 进行检测, 分别返回 绘制了检测框的图片数据/回归框/标签/分数.

drawn_image, boxes, labels, scores = net.Detect_single_img(image=image,score_threshold=0.5)
    

plt.imshow(drawn_image)

plt.show()

2.3.2 视频检测

# 实例化模型

net = SSD(cfg)

# 使用cpu或gpu

net.to('cuda')

# 模型从权重文件中加载权重

net.load_pretrained_weight('Weights/pretrained/vgg_ssd300_voc0712.pkl')

video_path = 'aaa.mp4'  # 现在忙于其他事,项目后期会上传视频检测样例
    
# 进行检测,

# save_video_path=None,则不保存视频; save_video_path=bbb.mp4 将检测后视频保存为bbb.mp4

# show=True,实时显示检测结果

net.Detect_video(video_path=video_path, score_threshold=0.02, save_video_path=None, show=True)

说明

如有其他需求,请自行修改.

完整项目地址:Github,欢迎star, fork.

仅限用于交流学习,如需引用,请联系作者.