mmdetection-mini

mmdetection的mini版本，主要包括一阶段目标检测器，结构和 mmdetection完全一致，系统通过从头构建整个框架来熟悉所有细节

0 蓝图

本仓库属于长期项目，计划分成n个阶段，每个阶段做啥事情我已经有打算了，目前还处于第一阶段：解读mmdet已经复现的算法。这个阶段主要是对mmdet已经复现的代码进行深度分析，每个算法都会有配套的详细论文和代码实现解读(后续会增加视频解读和汇总版解读文档)。故如果大家早当前阶段想利用本框架进行重新训练，最好还是直接用mmdet官方代码库，在后续阶段会重构训练逻辑代码，新增对比实验等等操作，请各位朋友不要着急！

1 为何而生

很多人可能有疑问：mmdetection那么好用，你为啥要自己又写一遍呢？没事干？其实不然，基于我目前的理解，出于以下几点原因：

学习目的 mmdetection无疑是非常优异的目标检测框架，但是其整个框架代码其实非常多。我希望通过从0构建整个结构，来彻底熟悉整个框架，而不是仅仅熟悉算法部分。只有自己写一遍才能发现一些容易忽略的细节
方便注释 这一点，我相信很多人都碰到过。主要原因是mmdetection发展太快了，更新特别频繁，比如今天我拉了最新分支加入了我的一些理解注释，过了两天，一更新就发现完全变了，此时再pull就出现很多冲突。天天解决这些冲突其实蛮累的。所以我自己写一个mmdetection，然后加入注释，并且实时同步mmdetection到最新版，不仅可能清楚每次更新的所有细节，还可以不影响注释
新特性方便增加 如果自己想实现一些mmdetection里面没有的新特性，就非常方便了。比如我要在debug模式下进行可视化分析，如果直接加到mmdetection上面，会改动一些代码，一旦pull又有冲突。由于同步mmdetection过程是手动的，新增特征也不会出现冲突

2 介绍

完全基于mmdetection框架结构,简称mmdet最简学习版，基于最简实现，第一原则就是简洁，不会加入一些乱七八糟的功能，一步一步构建一阶段目标检测器。主要目的为在从0构建整个框架的基础上，掌握整个目标检测实现细节。并且方便新增自己想要实现的部分。

由于只有一张显卡，故不支持分布式训练。

总结：本项目目的是学习,希望通过从0构建每一行代码，来熟悉每个部分，而且自己写的框架，后续我新增一些新特性也非常容易

更新可能是快时慢。在掌握每个细节后才会增加新代码，欢迎有兴趣的朋友共同学习，也欢迎提出意见。

3 提交日志

文档链接

4 已实现模型

5 模型仓库

文档链接

6 安装说明

可选安装流程：文档链接

推荐安装流程：考虑到很多人反映cuda无法编译成功，故本仓库将直接采用mmcv里面已经编译好的代码,新安装流程是：

提前安装mmcv-full对应的最新版本,参考https://github.com/open-mmlab/mmdetection/blob/master/docs/get_started.md
不再需要python setup.py develop

也就是说mmdet/cv_core/ops/csrc里面的代码是废弃的。我们目前采用的环境是 pytorch1.3+Python 3.6+CUDA10.1+MMCV1.1.5

7 统一数据集

由于coco训练集图片太多了，跑到论文效果需要非常多时间，而本框架目的主要目的是快速验证 **和算法(代码和mmdetection一致，应该没有错误)，故对主要以voc为主：

coco
voc2012和voc2007
wider face

8 使用说明

8.1 训练、测试和demo使用说明

开启训练过程和mmdetection完全一致，例如：

python train.py ../configs/retinanet/retinanet_r50_fpn_coco.py

开启测试过程和mmdetection完全一致，例如：

# 评估   
python test.py ../configs/retinanet/retinanet_r50_fpn_coco.py ../tools/work_dirs/retinanet_r50_fpn_coco/latest.pth --eval bbox
# 显示
python test.py ../configs/retinanet/retinanet_r50_fpn_coco.py ../tools/work_dirs/retinanet_r50_fpn_coco/latest.pth --show

开启demo过程和mmdetection完全一致，例如：

python image_demo.py demo.jpg ../configs/retinanet/retinanet_r50_fpn_coco.py ../tools/work_dirs/retinanet_r50_fpn_coco/latest.pth

8.2 darknet权重转化为mmdetection

转化脚本在tools/darknet里面

使用方法就是参考模型仓库文档里面的链接，将对应的权重下载下来，然后设置path就可以转化成功

例如tiny_yolov3权重：

首先到https://github.com/AlexeyAB/darknet 对应的tiny_yolov3链接处下载对应权重
打开tools/darknet/tiny_yolov3.py代码，修改tiny_yolov3_weights_path为你的下载的权重路径
运行tiny_yolov3.py即可生成pth权重
然后就可以直接训练或者测试了

8.3 yolov5权重转化为mmdetection

转化脚本在tools/darknet里面。以yolov5s为例

https://github.com/ultralytics/yolov5/releases/tag/v3.0 处下载yolo5s.pt或者直接运行convert_yolov5_weights_step1.py脚本，会自动下载
运行convert_yolov5_weights_step1.py脚本，但是不好意思，你不能直接在我写的路径下运行，你需要将本脚本copy到yolov5工程目录下运行，并且必须pytorch版本大于等于1.6，原因是其保存的权重包括了picker对象，如果不放在相同路径下无法重新加载
利用上一步所得权重，然后运行tools/darknet/convert_yolov5_weights_step2.py(在本框架中运行)，得到最终转化模型
然后修改configs/yolo/rr_yolov5_416_coco.py对应的路径就可以进行前向测试或者mAP计算了

支持yolov5所有模型

9 mmdetection-mini独有特性

loss分析工具 tools/loss_analyze.py
anchor分析工具 tools/anchor_analyze.py
模型感受野自动计算工具 tools/receptive_analyze.py
前向推理时间分析工具 tools/inference_analyze.py
特征图可视化工具tools/featuremap_analyze
darknet权重和mmdetection模型相互转化工具 tools/darknet
数据分析工具(hw ratio/hw scale/anchor kmean)tools/dataset_analyze
正样本可视化，需要开启debug模式
支持darknet系列模型权重在mmdetection中训练，目前支持4个主流模型yolov3/v4和tiny-yolov3/v4
coco数据可视化工具，包括显示所有label和仅仅显示gt bbox格式，显示效果极佳(即使是voc数据，也推荐先转化为coco)
支持任意数据格式转coco类CocoCreator
yolov5转化工具tools/darknet/convert_yolov5_weights_step2.py

10 mmdetection-mini工具汇总

voc2coco工具 tools/convert/voc2coco
数据浏览工具 tools/browse_dataset

笔记(持续更新)

3W字长文带你轻松入门视觉transformer

other

目标检测通用算法流程
yolov1深入解读
ssd深入解读
yolov2深入解读
yolov3深入解读
retinanet深入解读
rpn深度解读
faster rcnn深入解读
fpn深入解读
mask rcnn深入解读
cascade rcnn深入解读
fcos深入解读

fengxingxiang / mmdetection-mini Goto Github PK