Fast-RCNN

• Fast-RCNN
  • 一、简介
  • 二、复现精度及数据集
  • 三、环境依赖
  • 四、快速开始
    • step1: 训练
    • step2: 评估
    • step3: 测试
  • 五、代码结构与详细说明
    • 5.1 代码结构
    • 5.2 参数说明
    • 5.3 训练流程
      • 单机训练
      • 多机训练
      • 训练输出
    • 5.4 评估流程
    • 5.5 测试流程
    • 5.6 使用预训练模型预测
    • 5.7 TIPC 测试
  • 六、Citations
  • 七、TODO

一、简介

本项目基于 PPDet 复现 Fast-RCNN，Fast-RCNN 是非常经典的目标检测算法，是 SPP 的改进，也是著名的两阶段网络 Faster-RCNN 的基础。

论文:

• R. Girshick, “Fast R-CNN,” in IEEE International Conference on Computer Vision (ICCV), 2015.

参考项目：

• Detectron2

二、复现精度

训练数据集为 MS-COCO train2017 ，测试数据集为 val2017.

Method	Environment	mAP	Epoch	batch_size	config	Dataset
r50_fpn_1x_ms_training	Tesla V-100 x 4	37.7	12	16	fast_rcnn_r50_fpn_1x_coco.yml	COCO

模型下载

• The multi scale training best model and train-log are saved to: Baidu Aistudio
• The COCO PrecomputedProposals is saved to: Baidu Aistudio

三、环境依赖

• 硬件：GPU、CPU

• 框架：

  • PaddlePaddle >= 2.1.2 PaddleDetection >= 2.2.0

四、快速开始

step1: clone

# clone this repo
git clone https://github.com/FL77N/Fast-RCNN-on-PPDet.git
cd Fast-RCNN-on-PPDet

安装依赖

pip install -r ./requirements.txt

step2: 训练

• single gpu

python ./tools/train.py -c ./configs/fast_rcnn/fast_rcnn_r50_fpn_1x_coco.yml --eval

• mutil gpu

python -m paddle.distributed.launch --gpus 0,1,2,3 ./tools/train.py -c ./configs/fast_rcnn/fast_rcnn_r50_fpn_1x_coco.yml --eval

此时的输出为：

ppdet.engine INFO: Epoch: [0] [ 0/63] learning_rate: 0.001000 loss_bbox_cls: 4.332087 loss_bbox_reg: 0.630385 loss: 4.962472 eta: 0:00:11 batch_cost: 0.1884 data_cost: 0.0004 ips: 10.6183 images/s
...

step3: 评估

• eval

python ./tools/eval.py -c ./configs/fast_rcnn/fast_rcnn_r50_fpn_1x_coco.yml -o weights=best_model.pdparams

此时的输出为：

ppdet.engine INFO: Eval iter: 0
ppdet.metrics.metrics INFO: The bbox result is saved to bbox.json.
loading annotations into memory...
...

step4: 使用预训练模型预测

configs/your dir/your config.yml 为预测模型的配置文件，通过 infer_img 指定需要预测的图片，通过 weights 加载训练好的模型。

python tools/infer.py -c configs/your dir/your config.yml --infer_img=your image.jpg -o weights=your best model.pdparams

五、代码结构与详细说明

5.1 代码结构

├─config                          # 配置
├─dataset                         # 数据集加载
├─deploy                          # 模型部署
├─demo                            # demo
├─output                          # infer 可视化输出
├─ppdet                           # 模型
├─test_tipc                       # tipc 脚本
├─tools                           # 训练、推理、预测
│  README.md                      # readme
│  requirement.txt                # 依赖

5.2 参数说明

训练、推理、测试相关参数设置

优化器相关参数设置

数据集加载相关设置

5.3 训练流程

单机训练

python ./tools/train.py -c your_config_file

多机训练

python -m paddle.distributed.launch --gpus 0,1,2,3... ./tools/train.py -c your_config_file

训练输出

执行训练开始后，将得到类似如下的输出。每一轮batch训练将会打印当前epoch、step以及loss值。

ppdet.engine INFO: Epoch: [0] [ 0/63] learning_rate: 0.001000 loss_bbox_cls: 4.332087 loss_bbox_reg: 0.630385 loss: 4.962472 eta: 0:00:11 batch_cost: 0.1884 data_cost: 0.0004 ips: 10.6183 images/s
...

5.4 评估流程

python ./tools/eval.py -c your_config_file -o weights=your_best_model.pdparams

此时的输出为：

ppdet.engine INFO: Eval iter: 0
ppdet.metrics.metrics INFO: The bbox result is saved to bbox.json.
loading annotations into memory...

5.5 测试流程

python tools/infer.py -c configs/your dir/your config.yml --infer_img=your image.jpg -o weights=your best model.pdparams

此时的输出结果保存在output下面

5.6 使用预训练模型预测

使用预训练模型预测的流程如下：

step1: 下载预训练模型

• The multi scale training best model and train-log are saved to: Baidu Aistudio

step2: 使用预训练模型完成预测

python tools/infer.py -c ./configs/fast_rcnn/fast_rcnn_r50_fpn_1x_coco.yml --infer_img=your image.jpg -o weights=best_model.pdparams

5.7 TIPC测试

The tutorials of TIPC

The results of TIPC

More detail about PPDet

推理效果如下：

六、Citations

@inproceedings{girshickICCV15fastrcnn,
    Author = {Ross Girshick},
    Title = {Fast R-CNN},
    Booktitle = {International Conference on Computer Vision ({ICCV})},
    Year = {2015}
}

七、TODO

• TIPC 解决动态 shape bug 支持 TensorRT 加速 --- Done