- 1Openssl3.0 Android平台编译教程_openssl android 编译
- 2Unity多人游戏和网络功能（三） 游戏物体的派生_unity netcode怎么把创建的物体分配给客户端
- 3Python爬取房天下二手房信息_python房天下数据采集代码
- 4大语言模型的深度裁剪法
- 5【RAG问答相关】复杂知识库问答综述（上）_如何在rag领域做追问
- 6关于SuperSlide的使用方法 以及 调用属性参数的介绍_jquery.superslide.js
- 7【信息学奥赛一本通】题解目录_信息学奥赛一本通中那些题是选择排序
- 8行人检测简述_传统行人检测方法
- 9Linux tar命令解压缩报错 tar: Error is not recoverable: exiting now_tar (child): error is not recoverable: exiting now
- 10软件开发之剖析职业规划和中年危机_软件工程专业 哪个方向没有中年危机
pytorch版Mask RCNN_pytorch maskrcnn
赞
踩
Facebook AI Research 开源了 Faster R-CNN 和 Mask R-CNN 的 PyTorch 1.0 实现基准：MaskRCNN-Benchmark。相比 Detectron 和 mmdetection，MaskRCNN-Benchmark 的性能相当，并拥有更快的训练速度和更低的 GPU 内存占用，众多亮点如下。
PyTorch 1.0：相当或者超越 Detectron 准确率的 RPN、Faster R-CNN、Mask R-CNN 实现；
非常快：训练速度是 Detectron 的两倍，是 mmdection 的 1.3 倍。
节省内存：在训练过程中使用的 GPU 内存比 mmdetection 少大约 500MB；
使用多 GPU 训练和推理；
批量化推理：可以在每 GPU 每批量上使用多张图像进行推理；
支持 CPU 推理：可以在推理时间内于 CPU 上运行。
提供几乎所有参考 Mask R-CNN 和 Faster R-CNN 配置的预训练模型，具有 1x 的 schedule。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
介绍：https://mp.weixin.qq.com/s/XSGYlNO1wtRrEv2ivJvonA
项目地址：https://mp.weixin.qq.com/s/XSGYlNO1wtRrEv2ivJvonA
这篇文章主要是记录我使用訪框架训练自己的数据集的过程，总得来说还是比较容易上手的，当然坑也是有一点的。目前只包含了Mask R-CNN和Faster R-CNN两种检测模型，我尝试了一下Mask R-CNN(不包含语义分割)和Faster R-CNN目标检测的功能，也是因为我现在的工作只要用到目标检测。
- 1
安装
我的基础环境：
系统：Ubutun 16.04
内核：4.15.0-36-generic
Python环境：Anaconda3
conda 4.5.4
pip 10.0.1
Python 3.6.5 :: Anaconda, Inc.
- 1
- 2
- 3
要求的环境：
PyTorch 1.0 from a nightly release. Installation instructions can be found in https://pytorch.org/get-started/locally/
torchvision from master
cocoapi
yacs
matplotlib
GCC >= 4.9
(optional) OpenCV for the webcam demo
- 1
- 2
- 3
- 4
- 5
- 6
- 7
$ conda create --name maskrcnn_benchmark
$ source activate maskrcnn_benchmark
this installs the right pip and dependencies for the fresh python
$ conda install ipython
maskrnn_benchmark and coco api dependencies
$ pip install ninja yacs cython matplotlib
follow PyTorch installation in https://pytorch.org/get-started/locally/
we give the instructions for CUDA 9.0
$ conda install pytorch-nightly -c pytorch
install torchvision
$ cd ~/github
$ git clone https://github.com/pytorch/vision.git
$ cd vision
$ python setup.py install
install pycocotools
$ cd ~/github
$ git clone https://github.com/cocodataset/cocoapi.git
$ cd cocoapi/PythonAPI
$ python setup.py build_ext install
install PyTorch Detection
$ cd ~/github
$ git clone https://github.com/facebookresearch/maskrcnn-benchmark.git
$ cd maskrcnn-benchmark
$ python setup.py build develop
到这一步，maskrcnn-benchmark的安装就已经完成了，下一步是要准备训练/验证数据。
数据准备
maskrcnn-benchmark默认是为coco数据集量身打造的，简单起见我跑自己的数据集也完全照搬的coco的设置。COCO数据集现在有3种标注类型：object instances（目标实例）, object keypoints（目标上的关键点）, 和image captions（看图说话），使用JSON文件存储。具体可以参考COCO数据集的标注格式一文。我的实验只需要用到object detection，甚至都不需要语义分割，格式相对简单。 { "info": {..} #描述这个数据集的整体信息,训练自己的数据直接给个空词典ok "licenses": [license],#可以包含多个licenses实例,训练自己的数据继续给个空列表ok "images": [ { 'file_name': 'xx', #文件路径,这个路径将和一个将root的根目录拼接成你的文件访问路径 'height': xx, #图片高度 'width': xx, #图片宽度 'id': xx,#每张图片都有一个唯一的id,从0开始编码即可 }, ... ], "annotations": [ { 'segmentation': [] #语义分割的时候要用到,我只用到了目标检测,所以忽略. 'area': xx, #区域面积,宽*高就是区域面积 'image_id': xx, #一张当然可能有多个标注,这个image_id和images中的id相对应 'bbox':[x,y,w,h], #通过这4个坐标来定位边框 'category_id': xx, #类别id(与categories中的id对应) 'id': xx, #这是这个annotation的id,也是唯一的,从0编号即可 }, ... ] "categories": [ { 'supercategory': xx, #你类别名称,例如vehicle(交通工具),下一级有car,truck等. 我自己的数据集没有这种层次关系,我就随便取了个名字adas 'id': xx, #类别的id,从1开始编号，0默认为背景 'name': xx, #这个子类别的名字 }, ... ], }
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
参照上面的标注格式分别生成训练集和验证集的json标注文件，可以继续沿用coco数据集默认的名字：instances_train2104.json和instances_val2014.json。数据集的目录组织结构可以参考下面的整体目录结构中datasets目录。
(maskrcnn_benchmark) [zuosi@localhost]$tree -L 3 . ├── configs │ ├── e2e_faster_rcnn_R_101_FPN_1x.yaml #训练和验证要用到的faster r-cnn模型配置文件 │ ├── e2e_mask_rcnn_R_101_FPN_1x.yaml #训练和验证要用到的mask r-cnn模型配置文件 │ └── quick_schedules ├── CONTRIBUTING.md ├── datasets │ └── coco │ ├── annotations │ │ ├── instances_train2014.json #训练集标注文件 │ │ └── instances_val2014.json #验证集标注文件 │ ├── train2014 #存放训练集图片 │ └── val2014 #存放验证集图片 ├── maskrcnn_benchmark │ ├── config │ │ ├── defaults.py #masrcnn_benchmark默认配置文件,启动时会读取訪配置文件,configs目录下的模型配置文件进行参数合并 │ │ ├── __init__.py │ │ ├── paths_catalog.py #在訪文件中配置训练和测试集的路径 │ │ └── __pycache__ │ ├── csrc │ ├── data │ │ ├── build.py #生成数据集的地方 │ │ ├── datasets #訪目录下的coco.py提供了coco数据集的访问接口 │ │ └── transforms │ ├── engine │ │ ├── inference.py #验证引擎 │ │ └── trainer.py #训练引擎 │ ├── __init__.py │ ├── layers │ │ ├── batch_norm.py │ │ ├── __init__.py │ │ ├── misc.py │ │ ├── nms.py │ │ ├── __pycache__ │ │ ├── roi_align.py │ │ ├── roi_pool.py │ │ ├── smooth_l1_loss.py │ │ └── _utils.py │ ├── modeling │ │ ├── backbone │ │ ├── balanced_positive_negative_sampler.py │ │ ├── box_coder.py │ │ ├── detector │ │ ├── __init__.py │ │ ├── matcher.py │ │ ├── poolers.py │ │ ├── __pycache__ │ │ ├── roi_heads │ │ ├── rpn │ │ └── utils.py │ ├── solver │ │ ├── build.py │ │ ├── __init__.py │ │ ├── lr_scheduler.py #在此设置学习率调整策略 │ │ └── __pycache__ │ ├── structures │ │ ├── bounding_box.py │ │ ├── boxlist_ops.py │ │ ├── image_list.py │ │ ├── __init__.py │ │ ├── __pycache__ │ │ └── segmentation_mask.py │ └── utils │ ├── c2_model_loading.py │ ├── checkpoint.py #检查点 │ ├── __init__.py │ ├── logger.py #日志设置 │ ├── model_zoo.py │ ├── __pycache__ │ └── README.md ├── output #我自己设定的输出目录 ├── tools │ ├── test_net.py #验证入口 │ └── train_net.py #训练入口 └── TROUBLESHOOTING.md
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
这样一来数据集就准备好了。
配置文件
这里涉及到的配置文件主要有3个：
模型配置文件(如:configs/e2e_mask_rcnn_R_101_FPN_1x.yaml)
数据路径配置文件(maskrcnn_benchmark/config/paths_catalog.py)
MaskRCNN-Benchmark框架配置文件(maskrcnn_benchmark/config/defaults.py)。
- 1
- 2
- 3
- 4
- 5
模型配置文件在启动训练时由–config-file参数指定，在config子目录下默认提供了mask_rcnn和faster_rcnn框架不同骨干网的基于YAML格式的配置文件。我选用的是e2e_mask_rcnn_R_101_FPN_1x.yaml，也就是使用mask_rcnn检测模型，骨干网使用ResNet101-FPN，配置详情如下(根据自己的数据集作相应的调整)：
MODEL: META_ARCHITECTURE: "GeneralizedRCNN" WEIGHT: "catalog://ImageNetPretrained/MSRA/R-101" BACKBONE: CONV_BODY: "R-101-FPN" OUT_CHANNELS: 256 RPN: USE_FPN: True #是否使用FPN,也就是特征金字塔结构,选择True将在不同的特征图提取候选区域 ANCHOR_STRIDE: (4, 8, 16, 32, 64) #ANCHOR的步长 PRE_NMS_TOP_N_TRAIN: 2000 #训练时,NMS之前的候选区数量 PRE_NMS_TOP_N_TEST: 1000 #测试时,NMS之后的候选区数量 POST_NMS_TOP_N_TEST: 1000 FPN_POST_NMS_TOP_N_TEST: 1000 ROI_HEADS: USE_FPN: True ROI_BOX_HEAD: POOLER_RESOLUTION: 7 POOLER_SCALES: (0.25, 0.125, 0.0625, 0.03125) POOLER_SAMPLING_RATIO: 2 FEATURE_EXTRACTOR: "FPN2MLPFeatureExtractor" PREDICTOR: "FPNPredictor" ROI_MASK_HEAD: POOLER_SCALES: (0.25, 0.125, 0.0625, 0.03125) FEATURE_EXTRACTOR: "MaskRCNNFPNFeatureExtractor" PREDICTOR: "MaskRCNNC4Predictor" POOLER_RESOLUTION: 14 POOLER_SAMPLING_RATIO: 2 RESOLUTION: 28 SHARE_BOX_FEATURE_EXTRACTOR: False MASK_ON: False #默认是True,我这里改为False,因为我没有用到语义分割的功能 DATASETS: TRAIN: ("coco_2014_train",) #注意这里的训练集和测试集的名字, TEST: ("coco_2014_val",) #它们和paths_catalog.py中DATASETS相对应 DATALOADER: SIZE_DIVISIBILITY: 32 SOLVER: BASE_LR: 0.01 #起始学习率,学习率的调整有多种策略,訪框架自定义了一种策略 WEIGHT_DECAY: 0.0001 #这是什么意思呢?是为了在不同的迭代区间进行学习率的调整而设定的.以我的数据集为例, #我149898张图,计划是每4个epoch衰减一次,所以如下设置. STEPS: (599592, 1199184) MAX_ITER: 1300000 #最大迭代次数
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
看完模型配置文件，你再看看MaskRCNN-Benchmark框架默认配置文件(defaults.py)你就会发现有不少参数有重合。嘿嘿，阅读代码会发现defaults.py会合并模型配置文件中的参数，defaults.py顾名思义就是提供了默认的参数配置，如果模型配置文件中对訪参数有改动则以模型中的为准。当然还有更多的参数是模型配置文件中没有的，我这里对部分参数进行简单的说明。
import os from yacs.config import CfgNode as CN _C = CN() _C.MODEL = CN() _C.MODEL.RPN_ONLY = False _C.MODEL.MASK_ON = False _C.MODEL.DEVICE = "cuda" _C.MODEL.META_ARCHITECTURE = "GeneralizedRCNN" _C.MODEL.WEIGHT = "" _C.INPUT = CN() _C.INPUT.MIN_SIZE_TRAIN = 800 #训练集图片最小尺寸 _C.INPUT.MAX_SIZE_TRAIN = 1333 #训练集图片最大尺寸 _C.INPUT.MIN_SIZE_TEST = 800 _C.INPUT.MAX_SIZE_TEST = 1333 _C.INPUT.PIXEL_MEAN = [102.9801, 115.9465, 122.7717] _C.INPUT.PIXEL_STD = [1., 1., 1.] _C.INPUT.TO_BGR255 = True _C.DATASETS = CN() _C.DATASETS.TRAIN = () #在模型配置文件中已给出 _C.DATASETS.TEST = () _C.DATALOADER = CN() _C.DATALOADER.NUM_WORKERS = 4 #数据生成启线程数 _C.DATALOADER.SIZE_DIVISIBILITY = 0 _C.DATALOADER.ASPECT_RATIO_GROUPING = True _C.MODEL.BACKBONE = CN() _C.MODEL.BACKBONE.CONV_BODY = "R-50-C4" _C.MODEL.BACKBONE.FREEZE_CONV_BODY_AT = 2 _C.MODEL.BACKBONE.OUT_CHANNELS = 256 * 4 _C.MODEL.RPN = CN() _C.MODEL.RPN.USE_FPN = False _C.MODEL.RPN.ANCHOR_SIZES = (32, 64, 128, 256, 512) _C.MODEL.RPN.ANCHOR_STRIDE = (16,) _C.MODEL.RPN.ASPECT_RATIOS = (0.5, 1.0, 2.0) _C.MODEL.RPN.STRADDLE_THRESH = 0 _C.MODEL.RPN.FG_IOU_THRESHOLD = 0.7 _C.MODEL.RPN.BG_IOU_THRESHOLD = 0.3 _C.MODEL.RPN.BATCH_SIZE_PER_IMAGE = 256 _C.MODEL.RPN.POSITIVE_FRACTION = 0.5 _C.MODEL.RPN.PRE_NMS_TOP_N_TRAIN = 12000 _C.MODEL.RPN.PRE_NMS_TOP_N_TEST = 6000 _C.MODEL.RPN.POST_NMS_TOP_N_TRAIN = 2000 _C.MODEL.RPN.POST_NMS_TOP_N_TEST = 1000 _C.MODEL.RPN.NMS_THRESH = 0.7 _C.MODEL.RPN.MIN_SIZE = 0 _C.MODEL.RPN.FPN_POST_NMS_TOP_N_TRAIN = 2000 _C.MODEL.RPN.FPN_POST_NMS_TOP_N_TEST = 2000 _C.MODEL.ROI_HEADS = CN() _C.MODEL.ROI_HEADS.USE_FPN = False _C.MODEL.ROI_HEADS.FG_IOU_THRESHOLD = 0.5 _C.MODEL.ROI_HEADS.BG_IOU_THRESHOLD = 0.5 _C.MODEL.ROI_HEADS.BBOX_REG_WEIGHTS = (10., 10., 5., 5.) _C.MODEL.ROI_HEADS.BATCH_SIZE_PER_IMAGE = 512 _C.MODEL.ROI_HEADS.POSITIVE_FRACTION = 0.25 _C.MODEL.ROI_HEADS.SCORE_THRESH = 0.05 _C.MODEL.ROI_HEADS.NMS = 0.5 _C.MODEL.ROI_HEADS.DETECTIONS_PER_IMG = 100 _C.MODEL.ROI_BOX_HEAD = CN() _C.MODEL.ROI_BOX_HEAD.FEATURE_EXTRACTOR = "ResNet50Conv5ROIFeatureExtractor" _C.MODEL.ROI_BOX_HEAD.PREDICTOR = "FastRCNNPredictor" _C.MODEL.ROI_BOX_HEAD.POOLER_RESOLUTION = 14 _C.MODEL.ROI_BOX_HEAD.POOLER_SAMPLING_RATIO = 0 _C.MODEL.ROI_BOX_HEAD.POOLER_SCALES = (1.0 / 16,) #数据集类别数,默认是81,因为coco数据集为80+1(背景),我的数据集只有4个类别,加上背景也就是5个类别 _C.MODEL.ROI_BOX_HEAD.NUM_CLASSES = 5 _C.MODEL.ROI_BOX_HEAD.MLP_HEAD_DIM = 1024 _C.MODEL.ROI_MASK_HEAD = CN() _C.MODEL.ROI_MASK_HEAD.FEATURE_EXTRACTOR = "ResNet50Conv5ROIFeatureExtractor" _C.MODEL.ROI_MASK_HEAD.PREDICTOR = "MaskRCNNC4Predictor" _C.MODEL.ROI_MASK_HEAD.POOLER_RESOLUTION = 14 _C.MODEL.ROI_MASK_HEAD.POOLER_SAMPLING_RATIO = 0 _C.MODEL.ROI_MASK_HEAD.POOLER_SCALES = (1.0 / 16,) _C.MODEL.ROI_MASK_HEAD.MLP_HEAD_DIM = 1024 _C.MODEL.ROI_MASK_HEAD.CONV_LAYERS = (256, 256, 256, 256) _C.MODEL.ROI_MASK_HEAD.RESOLUTION = 14 _C.MODEL.ROI_MASK_HEAD.SHARE_BOX_FEATURE_EXTRACTOR = True _C.MODEL.RESNETS = CN() _C.MODEL.RESNETS.NUM_GROUPS = 1 _C.MODEL.RESNETS.WIDTH_PER_GROUP = 64 _C.MODEL.RESNETS.STRIDE_IN_1X1 = True _C.MODEL.RESNETS.TRANS_FUNC = "BottleneckWithFixedBatchNorm" _C.MODEL.RESNETS.STEM_FUNC = "StemWithFixedBatchNorm" _C.MODEL.RESNETS.RES5_DILATION = 1 _C.MODEL.RESNETS.RES2_OUT_CHANNELS = 256 _C.MODEL.RESNETS.STEM_OUT_CHANNELS = 64 _C.SOLVER = CN() _C.SOLVER.MAX_ITER = 40000 #最大迭代次数 _C.SOLVER.BASE_LR = 0.02 #初始学习率,这个通常在模型配置文件中有设置 _C.SOLVER.BIAS_LR_FACTOR = 2 _C.SOLVER.MOMENTUM = 0.9 _C.SOLVER.WEIGHT_DECAY = 0.0005 _C.SOLVER.WEIGHT_DECAY_BIAS = 0 _C.SOLVER.GAMMA = 0.1 _C.SOLVER.STEPS = (30000,) _C.SOLVER.WARMUP_FACTOR = 1.0 / 3 _C.SOLVER.WARMUP_ITERS = 500 #预热迭代次数,预热迭代次数内(小于訪值)的学习率比较低 _C.SOLVER.WARMUP_METHOD = "constant" #预热策略,有'constant'和'linear'两种 _C.SOLVER.CHECKPOINT_PERIOD = 2000 #生成检查点(checkpoint)的步长 _C.SOLVER.IMS_PER_BATCH = 1 #一个batch包含的图片数量 _C.TEST = CN() _C.TEST.EXPECTED_RESULTS = [] _C.TEST.EXPECTED_RESULTS_SIGMA_TOL = 4 _C.TEST.IMS_PER_BATCH = 1 _C.OUTPUT_DIR = "output" #主要作为checkpoint和inference的输出目录 _C.PATHS_CATALOG = os.path.join(os.path.dirname(__file__), "paths_catalog.py")
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
关于path_catalog其实最重要的就是DatasetCatalog这个类。
class DatasetCatalog(object): DATA_DIR = "datasets" DATASETS = { "coco_2014_train": ( "coco/train2014", #这里是訪数据集的主目录,称其为root,訪root会和标注文件中images字段中的file_name指定的路径进行拼接得到图片的完整路径 "coco/annotations/instances_train2014.json", # 标注文件路径 ), "coco_2014_val": ( "coco/val2014", #同上 "coco/annotations/instances_val2014.json" #同上 ), } @staticmethod def get(name): if "coco" in name: #e.g. "coco_2014_train" data_dir = DatasetCatalog.DATA_DIR attrs = DatasetCatalog.DATASETS[name] args = dict( root=os.path.join(data_dir, attrs[0]), ann_file=os.path.join(data_dir, attrs[1]), ) return dict( factory="COCODataset", args=args, ) raise RuntimeError("Dataset not available: {}".format(name))
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
启动训练
#进入maskrcnn-benchmark目录下，激活maskrcnn_benchmark虚拟环境
[zuosi@localhost]$ cd maskrcnn-benchmark
[zuosi@maskrcnn-benchmark]$ source activate maskrcnn_benchmark
#指定模型配置文件,执行训练启动脚本
(maskrcnn_benchmark) [zuosi@maskrcnn-benchmark]$python tools/train_net.py --config-file configs/adas_e2e_mask_rcnn_R_101_FPN_1x.yaml
- 1
- 2
- 3
- 4
- 5
每隔规定的迭代次数(我设置的是200)会打印训练中间信息，主要是损失值。
2018-11-09 14:40:22,020 maskrcnn_benchmark.trainer INFO: Start training
2018-11-09 14:42:00,113 maskrcnn_benchmark.trainer INFO: eta: 17:35:44 iter: 200 loss: 0.1553 (0.3598) loss_classifier: 0.0728 (0.1902) loss_box_reg: 0.0764 (0.1221) loss_objectness: 0.0110 (0.0392) loss_rpn_box_reg: 0.0028 (0.0083) time: 0.4775 (0.4880) data: 0.0027 (0.0105) avg_loss: 0.3616 (0.3616) lr: 0.003333 max mem: 3629
2018-11-09 14:43:37,005 maskrcnn_benchmark.trainer INFO: eta: 17:30:17 iter: 400 loss: 0.2033 (0.3071) loss_classifier: 0.1271 (0.1587) loss_box_reg: 0.0883 (0.1162) loss_objectness: 0.0033 (0.0244) loss_rpn_box_reg: 0.0049 (0.0078) time: 0.4763 (0.4862) data: 0.0029 (0.0068) avg_loss: 0.2541 (0.3078) lr: 0.003333 max mem: 3629
2018-11-09 14:45:13,014 maskrcnn_benchmark.trainer INFO: eta: 17:24:13 iter: 600 loss: 0.3123 (0.2915) loss_classifier: 0.1296 (0.1511) loss_box_reg: 0.1310 (0.1127) loss_objectness: 0.0090 (0.0197) loss_rpn_box_reg: 0.0086 (0.0080) time: 0.4613 (0.4842) data: 0.0028 (0.0056) avg_loss: 0.2604 (0.2920) lr: 0.010000 max mem: 3629
2018-11-09 14:46:48,015 maskrcnn_benchmark.trainer INFO: eta: 17:17:40 iter: 800 loss: 0.3133 (0.2929) loss_classifier: 0.1620 (0.1534) loss_box_reg: 0.1227 (0.1121) loss_objectness: 0.0067 (0.0189) loss_rpn_box_reg: 0.0075 (0.0084) time: 0.4625 (0.4819) data: 0.0029 (0.0049) avg_loss: 0.2604 (0.2932) lr: 0.010000 max mem: 3629
2018-11-09 14:48:24,037 maskrcnn_benchmark.trainer INFO: eta: 17:15:17 iter: 1000 loss: 0.2165 (0.2952) loss_classifier: 0.1061 (0.1554) loss_box_reg: 0.0781 (0.1148) loss_objectness: 0.0037 (0.0167) loss_rpn_box_reg: 0.0047 (0.0082) time: 0.4688 (0.4815) data: 0.0031 (0.0046) avg_loss: 0.2968 (0.2955) lr: 0.010000 max mem: 3629
…省略若干…
2018-11-10 12:59:40,231 maskrcnn_benchmark.trainer INFO: eta: 4 days, 0:48:47 iter: 230600 loss: 0.0727 (0.0878) loss_classifier: 0.0355 (0.0466) loss_box_reg: 0.0321 (0.0369) loss_objectness: 0.0002 (0.0018) loss_rpn_box_reg: 0.0017 (0.0026) time: 0.6915 (0.3259) data: 0.0041 (0.0033) avg_loss: 0.0849 (0.0877) lr: 0.010000 max mem: 3626
2018-11-10 13:01:57,302 maskrcnn_benchmark.trainer INFO: eta: 4 days, 0:56:11 iter: 230800 loss: 0.0767 (0.0878) loss_classifier: 0.0388 (0.0466) loss_box_reg: 0.0275 (0.0368) loss_objectness: 0.0002 (0.0018) loss_rpn_box_reg: 0.0022 (0.0026) time: 0.6475 (0.3264) data: 0.0040 (0.0033) avg_loss: 0.0849 (0.0877) lr: 0.010000 max mem: 3626
2018-11-10 13:04:13,533 maskrcnn_benchmark.trainer INFO: eta: 4 days, 1:03:28 iter: 231000 loss: 0.0705 (0.0878) loss_classifier: 0.0338 (0.0466) loss_box_reg: 0.0350 (0.0368) loss_objectness: 0.0004 (0.0018) loss_rpn_box_reg: 0.0023 (0.0026) time: 0.7095 (0.3269) data: 0.0038 (0.0033) avg_loss: 0.0849 (0.0877) lr: 0.010000 max mem: 3626
2018-11-10 13:06:31,076 maskrcnn_benchmark.trainer INFO: eta: 4 days, 1:10:53 iter: 231200 loss: 0.0825 (0.0878) loss_classifier: 0.0428 (0.0466) loss_box_reg: 0.0383 (0.0368) loss_objectness: 0.0001 (0.0018) loss_rpn_box_reg: 0.0018 (0.0026) time: 0.7105 (0.3273) data: 0.0042 (0.0033) avg_loss: 0.0849 (0.0877) lr: 0.010000 max mem: 3626
注意观察发现，在预热阶段，也就是前500次迭代内，虽然我初始学习率是设置的0.1，但是因为预热策略的原因，学习率调整为0.003333，而500次之后学习率恢复到0.01。训练的平均损失(200次迭代内的平均损失)由开始的0.3616降到0.0849。当然到此训练还没有完结，我跑一次验证看一下效果。
#指定模型配置文件,执行测试启动脚本
(maskrcnn_benchmark) [zuosi@maskrcnn-benchmark]$python tools/test_net.py --config-file configs/adas_e2e_mask_rcnn_R_101_FPN_1x.yaml
- 1
- 2
验证结果：
Loading and preparing results…
DONE (t=0.07s)
creating index…
index created!
Running per image evaluation…
Evaluate annotation type bbox
DONE (t=2.19s).
Accumulating evaluation results…
DONE (t=0.61s).
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.581
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.901
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.704
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.315
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.602
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.660
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.672
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.672
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.485
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.687
2018-11-12 10:09:53,659 maskrcnn_benchmark.inference INFO: OrderedDict([(‘bbox’, OrderedDict([(‘AP’, 0.5814026956555445), (‘AP50’, 0.9011506516649963), (‘AP75’, 0.7036490447010381), (‘APs’, -1.0), (‘APm’, 0.315219783930203), (‘APl’, 0.601876363241837)]))])
————————————————
版权声明：本文为CSDN博主「昌山小屋」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ChuiGeDaQiQiu/article/details/83868512
