Pytorch——MMDetection框架

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第29天，点击查看活动详情

前言

在上一篇文章中，我们介绍了介绍目标检测问题，目标检测问题的方法和目标检测问题中的难点。

今天，我们来介绍MMDetection框架和MMDetection的使用说明。

• 1.1 Pascal VOC-COCO数据集介绍

• Pascal VOC，属于通用物体(在自然场景中常见的物体，并且占据图片比较主要的区域）检测的一个标准数据集；

• 一共有20个类别

• VOC2007和VOC2012（在2017基础进行扩充）数据集

• 数据下载地址：host.robots.ox.ac.uk/pascal/VOC/

• VOC数据格式介绍

  • Annotations
  • ImageSets
  • JPEGImages
  • SegmentationClass
  • SegmentationObject

• COCO数据集介绍

  • 有80个类别，超过33万张图片，其中20万张有标注，整个数据几种个体的数目超过150万个
  • COCO难度更大，因为coco数据集每张图片中的物体数目很多，所以导致相对于别的数据集，该数据集的准确率很低
  • COCO的格式：[x1, y1, w, h]对应COCO的bbox格式
  • 下载地址：cocodataset.org/

• 1.2 MMDetection介绍

在目标检测中会用到的一个框架。

• 商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学开源的一个基于Pytorch实现的深度学习目标检测工具箱mmdetection,支持Faster-RCNN，Mask-RCNN，Fast-RCNN等主流目标检测框架。
• performance稍高、训练速度稍快、所需现存稍小
• github.com/open-mmlab/…

为什么我们是使用一个框架，而不是去自己写一个目标检测的算法呢？

因为一个目标检测的开源框架是非常大的，它涉及到了非常多的模块，比如要完成主干网络的设计，不同组件的设计，loss的定义，数据增强，数据处理等，在分类中是非常容易的，但是在目标检测中是比较复杂的。等对目标检测非常熟悉了，并且需要自定义，再去对目标检测的网络进行自定义。

• 代码结构

  • configs：包含了很多网络配置文件
  • tools：训练&分析等脚本
  • tests：测试脚本
  • mmdet：核心模块
    • 主要完成网络结构的定义，数据的处理
    • mmdet/apis： train和inference的检测接口
    • mmdet/core： anchor、bbox、evaluation等相关实现；
    • mmdet/datasets： 数据集相关实现；
    • mmdet/models： 各种检测网络实现函数，基类均来自于pytorch的torch.nn.Module
    • mmdet/ops： roi align、roi pool等相关实现

• mmcv是基础库也是open-mmlab项目的一部分

  • 和 deep learning framework无关的一些工具函数，比如IO/Image/Video相关的一些操作；
  • 为Pytorch写的一套训练工具，可以大大减少用户需要写的代码量，同时让整个流程的定制变得容易
  • mmcv仅有python的实现，它依赖numpy,pyyaml,six,addict,requests,opencv-python;

• 1.3 MMDetection使用说明

• mmdetection.readthedocs.io

• 参数说明：

  • 

• 训练

  • 
  • 

• 测试

  • 
  • 
  • 
  • 
  • 

• 其他工具

  • 
  •