PaddleDetection算法分析(7)

2021SC@SDUSC

接上文  分析我们没有分析过的两阶段目标检测模型FasterRCNN-ResNet50vd-FPN

简要介绍

PaddleDetection不仅复现了常见的目标检测模型，还对模型的进行了图像增强、骨干网络优化、DropBlock，IoU Loss IoUAware等一系列深度优化。同时，内置集成模型压缩能力，提供了一键式剪裁，蒸馏，量化的脚本，大大提高模型精度和速度，并减小模型体积。

1.单阶段目标检测模型YOLOv3
精度方面，原论文作者开源的YOLOv3模型在COCO数据集上精度是33.0，PaddleDetectio将其提高到43.6（提高10.6个绝对百分点）；推理速度方面，领先于同类产品40%左右。

2.两阶段目标检测模型FasterRCNN-ResNet50vd-FPN
精度方面，通过减小NMS的proposal，和减小FPN的通道数，虽然精度略有降低，但是推理速度大幅提升；通过PaddleClas里的SSLD蒸馏的预训练、CIoU Loss、自动图像增强等优化方法，将精度优化到41.6（提升5.2个绝对百分点）。推理速度方面，提升了38%，在Tesla V100上的预测速度达到60FPS。

3.模型压缩
在YOLOv3系列模型上，通过一键式剪裁+蒸馏的方案，YOLOv3_MobileNetV1剪裁了近70%的计算量，在精度基本无损或略有提升的情况，模型在高通855芯片上加速2.3倍，GPU上也有60%的加速；YOLOv3-ResNet50vd-DCN剪裁模型，精度提升了0.6，GPU上加速20%。同时，对应压缩后的模型、压缩脚本和操作方法均可以在Github上获取。

我们接下来分析的就是两阶段目标检测模型FasterRCNN-ResNet50vd-FPN

本模型代码很多，放个地址：pytorch/vision/detection/faster_rcnn

首先是总体逻辑图  这个图详见转载

 

由此看本图

主体部分分为这几大部分：

Transform，主要是对输入图像进行转换
Resnet-50，主干网，主要是特征提取
FPN，主要用于构建特征金字塔给RPN提供输入特征图
RPN，主要是产生region proposals
ROI，主要是检测object区域，各个区域的labels以及各个区域的scores</