毕业设计周记2

FCOS 的训练验证

前面介绍了安装FCOS，开始训练验证。FCOS的源码分析放在后面。

 

下载官方的一个训练好的模型

下载官方的一个模型FCOS_imprv_R_50_FPN_1x.pth 放到工程的根目录下，然后在终端输入：

conda activate Pytorch
cd #工程目录下
python demo/fcos_demo.py

然后出现正确输出检测图像，部分如下：

 

 

 

根据官网信息，FCOS_imprv_R_50_FPN_1x.pth模型的AP在38.7%左右，效果还是不错的。

重新训练模型

模型训练步骤也是按照官方文档来就可以了。

1、准备数据集

FCOS自带支持voc类型的检测数据和coco类型的检测数据。应毕业设计要求，使用coco数据集。
准备好自己的数据集后在/fcos_core/config/paths_catalog.py里面设置自己的数据集。在/fcos_core/config/defaults.py里面_C.MODEL.FCOS.NUM_CLASSESS = 81设置自己的数据类别数量。在/fcos_core/data/datasets/voc.py中设置自己的数据类别名。然后在自己要训练的模型的yam文件里面设置使用的数据集：如：/configs/fcos/fcos_imprv_R_50_FPN_1x.yaml（这里面还可以设置包括图像大小，迭代次数等参数）

数据集的下载地址可以参看博客

2、开始训练

于是在终端输入指令：（因为自己只有一张GTX1050Ti显卡）

python -m torch.distributed.launch \
    --nproc_per_node=1 \
    --master_port=$((RANDOM + 10000)) \
    tools/train_net.py \
    --config-file configs/fcos/fcos_imprv_R_50_FPN_1x.yaml \
    DATALOADER.NUM_WORKERS 1 \
    SOLVER.IMS_PER_BATCH 1\
    OUTPUT_DIR out/fcos_imprv_R_50_FPN_1x

训练过程图:

3、模型测试

测试命令指令：

python tools/test_net.py \
    --config-file configs/fcos/fcos_imprv_R_50_FPN_1x.yaml \
    MODEL.WEIGHT FCOS_imprv_R_50_FPN_1x.pth \
    TEST.IMS_PER_BATCH 4