retinanet 部署_目标检测RetinaNet_飞桨-源于产业实践的开源深度学习平台

目标检测-RetinaNet

类别 计算机视觉(PaddleCV)

应用 图像搜索 安防监控 自动驾驶 智慧城市 机器人视觉

模型概述

经典的一阶段框架，由ResNet主干网络、FPN结构、和两个分别用于回归物体位置和预测物体类别的子网络组成。在训练过程中使用Focal Loss，解决了传统一阶段检测器存在前景背景类别不平衡的问题，进一步提高了一阶段检测器的精度。

模型说明

# PaddleDetection

PaddleDetection的目的是为工业界和学术界提供大量易使用的目标检测模型。PaddleDetection不仅性能完善，易于部署，同时能够灵活的满足算法研发需求。

**目前检测库下模型均要求使用PaddlePaddle 1.7及以上版本或适当的develop版本。**

## 简介

特性：

- 易部署:

PaddleDetection的模型中使用的主要算子均通过C++和CUDA实现，配合PaddlePaddle的高性能预测引擎，使得在服务器环境下易于部署。

- 高灵活度：

PaddleDetection各个组件均为功能单元。例如，模型结构，数据预处理流程，用户能够通过修改配置文件轻松实现可定制化。

- 高性能：

在PaddlePaddle底层框架的帮助下，实现了更快的模型训练及更少的显存占用量。值得注意的是，Yolo v3的训练速度远快于其他框架。另外，Mask-RCNN(ResNet50)可以在Tesla V100 16GB环境下以每个GPU4张图片输入实现多卡训练。

支持的模型结构：

| | ResNet | ResNet-vd [1](#vd) | ResNeXt-vd | SENet | MobileNet | DarkNet | VGG |

|--------------------|:------:|------------------------------:|:----------:|:-----:|:---------:|:-------:|:---:|

| Faster R-CNN | ✓ | ✓ | x | ✓ | ✗ | ✗ | ✗ |

| Faster R-CNN + FPN | ✓ | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ |

| Mask R-CNN | ✓ | ✓ | x | ✓ | ✗ | ✗ | ✗ |

| Mask R-CNN + FPN | ✓ | ✓ | ✓ | ✓ | ✗ | ✗ | ✗ |

| Cascade R-CNN | ✓ | ✗ | ✗ | ✗ | ✗ | ✗ | ✗ |

| RetinaNet | ✓ | ✗ | ✗ | ✗ | ✗ | ✗ | ✗ |

| Yolov3 | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ |

| SSD | ✗ | ✗ | ✗ | ✗ | ✓ | ✗ | ✓ |

[1] [ResNet-vd](https://arxiv.org/pdf/1812.01187) 模型提供了较大的精度提高和较少的性能损失。

扩展特性：

- [x] **Synchronized Batch Norm**: 目前在Yolo v3中使用。

- [x] **Group Norm**: 预训练模型待发布。

- [x] **Modulated Deformable Convolution**: 预训练模型待发布。

- [x] **Deformable PSRoI Pooling**: 预训练模型待发布。

**注意:** Synchronized batch normalization 只能在多GPU环境下使用，不能在CPU环境或者单GPU环境下使用。

## 模型库

基于PaddlePaddle训练的目标检测模型可参考[PaddleDetection模型库](https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/PaddleDetection/docs/MODEL_ZOO_cn.md).

## 安装

请参考[安装说明文档](https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/PaddleDetection/docs/INSTALL_cn.md).

## 开始

在预测阶段，可以通过运行以下指令得到可视化结果并保存在`output`目录下。

```bash

export PYTHONPATH=`pwd`:$PYTHONPATH

python tools/infer.py -c configs/mask_rcnn_r50_1x.yml \

-o weights=https://paddlemodels.bj.bcebos.com/object_detection/mask_rcnn_r50_1x.tar \

--infer_img=demo/000000570688.jpg

```

更多训练及评估流程，请参考[GETTING_STARTED_cn.md](https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/PaddleDetection/docs/GETTING_STARTED_cn.md).

详细的配置信息和参数说明，请参考[示例配置文件](https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/PaddleDetection/docs/config_example).

同时推荐用户参考[IPython Notebook demo](https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/PaddleDetection/demo/mask_rcnn_demo.ipynb)

其他更多信息可参考以下文档内容：

- [配置流程介绍](https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/PaddleDetection/docs/CONFIG_cn.md)

- [自定义数据集和预处理流程介绍](https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/PaddleDetection/docs/DATA_cn.md)

## 未来规划

目前PaddleDetection处在持续更新的状态，接下来将会推出一系列的更新，包括如下特性：

- [ ] 混合精度训练

- [ ] 分布式训练

- [ ] Int8模式预测

- [ ] 用户自定义算子

- [ ] 进一步丰富模型库

## 版本更新

#### 7/22/2019

- 增加检测库中文文档

- 修复R-CNN系列模型训练同时进行评估的问题

- 新增ResNext101-vd + Mask R-CNN + FPN模型

- 新增基于VOC数据集的Yolo v3模型

#### 7/3/2019

- 发布PaddleDetection检测库和检测模型库

- 模型包括：Faster R-CNN, Mask R-CNN, Faster R-CNN+FPN, Mask

R-CNN+FPN, Cascade-Faster-RCNN+FPN, RetinaNet, Yolo v3, 和SSD.

## 如何贡献代码

我们非常欢迎你可以为PaddleDetection提供代码，也十分感谢你的反馈。