目标检测--RFBNet环境配置、训练及验证 (血和泪的教训)

最新推荐文章于 2024-03-25 10:02:02 发布

静待梅花开

最新推荐文章于 2024-03-25 10:02:02 发布

阅读量1.7k

点赞数 4

分类专栏： DeepLearning pytorch 文章标签：深度学习人工智能 python

本文链接：https://blog.csdn.net/weixin_40313940/article/details/105351715

版权

DeepLearning 同时被 2 个专栏收录

13 篇文章 1 订阅

订阅专栏

pytorch

10 篇文章 1 订阅

订阅专栏

最近接到任务，需要对目标检测进行一下调研。于是我面向GitHub进行了一波编程。经过一番比较发现，RFBNet貌似是非常不错的选择。所以就打算和跟我一样的新手们分享一下经验，也算是记录一下踩过的坑。哪里有错的地方欢迎大佬指出。

关于RFBNet

Receptive Field Block Net for Accurate and Fast Object Detection

这是发表于ECCV2018的目标检测文章，主要贡献是在SSD网络中引入Receptive Field Block (RFB)。RFB结构主要有两个特点：
1、该结构是由多个不同尺寸的卷积核构成的多分枝结构。
2、引入了dilated卷积，增大了感受野。
在这里插入图片描述
论文具体实现的RFB块有以下两种版本：

其整体结构与SSD一样是基于VGG16的backbone(还有其他版本的，如MobileNet),之所以采用VGG16是因为这是一个比较轻量的骨干网络，在计算速度和精度方面都有很好的表现，这是经过SSD实践的。以下是RFBNet-300的整体结构，此外还有RFBNet-512版本，这里的300和512是输入的尺寸。
在这里插入图片描述
论文给出了基于VOC和COCO数据集的实验结果：

结果基本上可以总结为一句话，精度高的没我算的快(能够实时)，算的快的没我精度高。
关于论文更多的讲解可以自行百度。。

训练及遇到问题

在大体看完论文后，我就开始了面向GitHub编程了[滑稽]。由于论文是2018年的，官方代码是基于PyTorch0.4.0的，而我装的是1.3.0，想都不用想肯定很多不兼容的。所以我就找了一个基于1.3版本的，开始了一段辛酸路程。

Pytorch1.3版本(失败)

相关配置
pytorch1.3
OpenCV
CUDA-9.2
VOC2007&VOC2012
GTX980 4GB * 4
MobaXterm

首先是克隆一波代码，之后下载数据集。关于数据集的下载，由于COCO太大下载需要很长时间，所以我只在VOC2007和2012上进行了实验。官方给出了下载脚本：

# specify a directory for dataset to be downloaded into, else default is ~/data/
sh data/scripts/VOC2007.sh # <directory>
# specify a directory for dataset to be downloaded into, else default is ~/data/
sh data/scripts/VOC2012.sh # <directory>

但VOC下载官网是在不敢恭维，推荐在这个网站下载之后解压到相应目录即可。

训练及测试

首先需要下载预训练好去全连接层的VGG16权重，将其放到weights目录下。

mkdir weights
cd weights
#如果手动下载VGG16就不需要下面语句
wget https://s3.amazonaws.com/amdegroot-models/vgg16_reducedfc.pth

然后就cd到项目根目录下，运行以下语句开始训练

python train_RFB.py -d VOC -v RFB_vgg -s 300

具体参数的含义就是：
-d VOC 表示使用的数据集，这里是VOC数据集。
-v RFB_vgg 表示是基于VGG，还有RFB_E_VGG和RFB_mobile可选。
-s 300 表示输入尺寸为300，可选512.
当然还可以手动调整其他参数，可以在train_RFB.py中查看。特别地，官方还说明了，对于论文中的精度，在VOC上训练的epoches在240左右，COCO上训练应该是130epoches左右。
由于训练时间较长，建议将程序放入后台运行，关于Linux后台运行程序可以参考这篇博文，对于本程序只需要将以上语句修改成以下形式即可：

nohup python train_RFB.py -d VOC -v RFB_vgg -s 300 &

将程序放入后台之后想看看是否正在运行，可以在终端输入查看GPU占用情况：

nvidia-smi

在这里插入图片描述
可以看到980老干部都已经开始干活了，现在需要做的就是等待结果了。

Two thousand years later…

经过300epoches后终于训练完成，我兴致勃勃的开始进行测试了，之前提到过所以这里选用240轮的训练权重。

python test_RFB.py -d VOC -v RFB_vgg -s 300 --trained_model ./weights/RFB_vgg_VOC_epoches_240.pth

作者给出的结果如下：
在这里插入图片描述
我以为我的结果也能达到差不多的精度，但是现实却泼了一盘冷水。。
出现了CudaCheck的错误信息，但是还能继续跑，最后还出现了Segmentation fault (core dumped)，一开始以为没什么关系：

但是结果却令人沮丧：
在这里插入图片描述

mAP只有45.92%，跟官方结果差了不是一星半点，还出现了Segmentation fault这种问题，至今还是不明白这是为什么，有知道的大佬请赐教。于是乎我就开始找问题，看大家的解决方法。看到issue区很多人用高版本pytorch在复现的时候都遇到mAP过低的问题，我就想是不是版本间的差异导致的，我一菜鸟也搞不定，所以一狠心就决定再装一个0.4.0的pytorch环境。

PyTorch0.4.0版本(成功)

相关配置
pytorch0.4.0
OpenCV
CUDA-9.2
VOC2007&VOC2012
GTX980 4GB * 4
MobaXterm

首先是创建一个新的虚拟环境避免污染原来环境。

conda create -n pytorch04 python=3.6

这样就创建了一个新的环境，可以运行以下命令查看系统安装的环境。

conda env list

我这里就有原来的环境和新建的pytorch04环境。
创建完之后激活该环境：

source activate pytorch04 #windows 下可能有所不同

激活之后就可以在环境中安装0.4.0版本的pyotrch了。

conda install pytorch=0.4.0 torchvision cuda92
 #或者
pip install torch==0.4.0 torchvision cuda92 -i https://pypi.tuna.tsinghua.edu.cn/simple

关于在Windows安装PyTorch可以参考我之前的博文。

训练及测试

在装完pytorch0.4.0之后，就可以训练了。经过一番比较之后，最后还是回到了官方代码哈哈。。
下载代码后，要确保运行的环境是0.4版的，第一次我就搞错了，在1.2环境下运行该代码，结果又是一顿乱错，找了半天才发现，费时费力。。。

首先，运行项目根目录下的make.sh

./make.sh

然后根据自己GPU算力（自行百度）修改utils/build.py中第131行的

'nvcc': ['-arch=sm_52'

之后步骤就与PyTorch1.2版本无异。
下载VGG16预训练权重到weights文件夹中，将VOC2007和2012数据集放到data目录下，安装相应的依赖库。
之后输入以下命令：

python train_RFB.py -d VOC -v RFB_vgg -s 300

经过20多个小时的训练后进行测试：

python test_RFB.py -d VOC -v RFB_vgg -s 300 --trained_model ./weights/RFB_vgg_VOC_epoches_240.pth

测试过程没有提示任何错误，一路执行下来十分顺畅，最后得出的结果令我泪目：

在这里插入图片描述

mAP=80.56%与官方的80.7相当接近，很是令我满意！！！

其实官方也提供了预训练好的模型，我也下载了进行了对比测试，结果与我训练的结果基本一致，所以这份代码是可以复现论文结果的。至于1.2版本的代码，我猜测可能是作者实现的时候有缺陷，或者框架本身不同版本底层的实现有差别导致的，这个还得花点精力研究研究。

有什么错误和问题欢迎大家指出交流！

破案了！！！ 2020.8.04

之前出现高版本运行mAP过低的情况，后来经过我检查，发现是在./make.sh的时候出现的问题，make.sh的主要作用就是构建nms和pycocotools 。可能由于新版本的pytorch1.2和utils中用到的编译器版本不一致导致mAP过低。我的解决方法是不用make.sh构建的nms，直接使用github上的基于python的nms程序来进行测试，程序如下：

def nms_py(dets, thresh):
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]

    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    order = scores.argsort()[::-1]
    ndets = dets.shape[0]
    suppressed = np.zeros((ndets), dtype=np.int)
    keep = []
    for _i in range(ndets):
        i = order[_i]
        if suppressed[i] == 1:
            continue
        keep.append(i)
        ix1 = x1[i]
        iy1 = y1[i]
        ix2 = x2[i]
        iy2 = y2[i]
        iarea = areas[i]
        for _j in range(_i + 1, ndets):
            j = order[_j]
            if suppressed[j] == 1:
                continue
            xx1 = max(ix1, x1[j])
            yy1 = max(iy1, y1[j])
            xx2 = min(ix2, x2[j])
            yy2 = min(iy2, y2[j])
            w = max(0.0, xx2 - xx1 + 1)
            h = max(0.0, yy2 - yy1 + 1)
            inter = w * h
            ovr = inter / (iarea + areas[j] - inter)
            if ovr >= thresh:
                suppressed[j] = 1
    return keep

具体就是在test_RFB.py中找到

keep = nms(c_dets, 0.45, force_cpu=args.cpu)

将这一句替换成

keep = nms_py(c_dets, 0.45)

最后测试结果与0.4.0版本的结果一致，说明这个程序是合理的。

由于没有用到COCO，所以pycocotools就暂时不管。

参考

官方代码
 https://github.com/ruinmessi/RFBNet/issues/13
RFBNet相关设置
 https://www.cnblogs.com/hizhaolei/p/9911029.html
https://blog.csdn.net/u014380165/article/details/81556769
Windows配置pytorch、CUDA及cuDNN
https://www.cnblogs.com/andylhc/p/9721705.html

静待梅花开

关注

4
点赞
踩
16

收藏

觉得还不错? 一键收藏
6
评论
目标检测--RFBNet环境配置、训练及验证 (血和泪的教训)

关于RFBNet论文地址训练及遇到问题测试结果参考官方代码https://github.com/ruinmessi/RFBNet/issues/13https://blog.csdn.net/wyy13273181006/article/details/103484799?depth_1-utm_source=distribute.pc_relevant.none-task-blog...
复制链接

扫一扫