该项目主要使用的训练代码来自b站up主 霹雳吧啦wz:https://b23.tv/HvMiDy ,Libra RCNN论文代码纯手撸,如果转载,请标明出处。
①Python3.6/3.7/3.8
②Pytorch1.7.1(注意:必须是1.6.0或以上,因为使用官方提供的混合精度训练1.6.0后才支持)
③pycocotools(Linux:pip install pycocotools; Windows:pip install pycocotools-windows(不需要额外安装vs))
④Ubuntu或Centos(不建议Windows)
⑤最好使用GPU训练
⑥详细环境配置见requirements.txt
├── backbone: 特征提取网络,可以根据自己的要求选择
├── network_files: Libra RCNN网络
├── train_utils: 训练验证相关模块(包括cocotools)
├── my_dataset.py: 自定义dataset用于读取COCO数据集
├── train_resnet50_fpn.py: 以resnet50 + BFPN做为backbone进行训练
├── train_multi_GPU.py: 针对使用多GPU的用户使用
├── predict.py: 简易的预测脚本,使用训练好的权重进行预测测试
├── validation.py: 利用训练好的权重验证/测试数据的COCO指标,并生成record_mAP.txt文件
└── pascal_voc_classes.json: pascal_voc标签文件
ResNet50+FPN backbone: https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth ,注意,下载的预训练权重记得要重命名,比如在train_resnet50_fpn.py中读取的是fasterrcnn_resnet50_fpn_coco.pth文件, 不是fasterrcnn_resnet50_fpn_coco-258fb6c6.pth
-
COCO官网地址:https://cocodataset.org/
-
对数据集不了解的可以参考b站up主霹雳吧啦wz的博文:https://blog.csdn.net/qq_37541097/article/details/113247318
-
这里以下载coco2017数据集为例,主要下载三个文件:
-
2017 Train images [118K/18GB]:训练过程中使用到的所有图像文件
-
2017 Val images [5K/1GB]:验证过程中使用到的所有图像文件
-
2017 Train/Val annotations [241MB]:对应训练集和验证集的标注json文件
-
都解压到coco2017文件夹下,可得到如下文件结构:
├── coco2017: 数据集根目录
├── train2017: 所有训练图像文件夹(118287张)
├── val2017: 所有验证图像文件夹(5000张)
└── annotations: 对应标注文件夹
├── instances_train2017.json: 对应目标检测、分割任务的训练集标注文件
├── instances_val2017.json: 对应目标检测、分割任务的验证集标注文件
├── captions_train2017.json: 对应图像描述的训练集标注文件
├── captions_val2017.json: 对应图像描述的验证集标注文件
├── person_keypoints_train2017.json: 对应人体关键点检测的训练集标注文件
└── person_keypoints_val2017.json: 对应人体关键点检测的验证集标注文件夹
- 确保提前准备好数据集
- 确保提前下载好对应预训练模型权重
- 若要使用单GPU训练直接使用train_res50_fpn.py训练脚本
- 若要使用多GPU训练,使用torchrun --nproc_per_node=8 train_multi_GPU.py指令,nproc_per_node参数为使用GPU数量
- 如果想指定使用哪些GPU设备可在指令前加上CUDA_VISIBLE_DEVICES=0,3(例如只使用设备中的第1块和第4块GPU设备)CUDA_VISIBLE_DEVICES=0,3 torchrun --nproc_per_node=2 train_multi_GPU.py
- 在使用训练脚本时,注意要将--data-path设置为自己存放coco2017文件夹所在的根目录
- 在使用预测脚本时,要将weights_path设置为你自己生成的权重路径。
- 使用validation文件时,注意确保你的验证集或者测试集中必须包含每个类别的目标,并且使用时只需要修改--num-classes、--data-path和--weights-path即可,其他代码尽量不要改动