根據(jù)研究內(nèi)容需要選擇合適的目標檢測算法擦俐，不要求速度但是需要保證較高的識別檢測的準確度。
學(xué)習(xí)參考
Single-Shot Refinement Neural Network for Object Detection paper code code1 code2 code3
RefineDet(2)_論文_CVPR2018
RefineDet (CVPR, 2018)
CVPR2018 目標檢測（object detection）算法總覽
Object Detection in 20 Years: A Survey
密歇根大學(xué)40頁《20年目標檢測綜述》最新論文握侧，帶你全面了解目標檢測方法
Benchmarking Robustness in Object Detection:Autonomous Driving when Winter is Coming
目前最先進的目標檢測能用于自動駕駛嗎?
環(huán)境配置
GPU訓(xùn)練測試
# Name Version Build Channel
_libgcc_mutex 0.1 main
blas 1.0 mkl
bzip2 1.0.6 h14c3975_5
ca-certificates 2019.5.15 0
cairo 1.14.12 h8948797_3
certifi 2019.6.16 py36_0
cffi 1.12.3 py36h2e261b9_0
cudatoolkit 9.0 h13b8566_0
cudnn 7.6.0 cuda9.0_0
ffmpeg 4.0 hcdf2ecd_0
fontconfig 2.13.0 h9420a91_0
freeglut 3.0.0 hf484d3e_5
freetype 2.9.1 h8a8886c_1
glib 2.56.2 hd408876_0
graphite2 1.3.13 h23475e2_0
harfbuzz 1.8.8 hffaf4a1_0
hdf5 1.10.2 hba1933b_1
icu 58.2 h9c2bf20_1
intel-openmp 2019.4 243
jasper 2.0.14 h07fcdf6_1
jpeg 9b h024ee3a_2
libedit 3.1.20181209 hc058e9b_0
libffi 3.2.1 hd88cf55_4
libgcc-ng 9.1.0 hdf63c60_0
libgfortran-ng 7.3.0 hdf63c60_0
libglu 9.0.0 hf484d3e_1
libopencv 3.4.2 hb342d67_1
libopus 1.3 h7b6447c_0
libpng 1.6.37 hbc83047_0
libstdcxx-ng 9.1.0 hdf63c60_0
libtiff 4.0.10 h2733197_2
libuuid 1.0.3 h1bed415_2
libvpx 1.7.0 h439df22_0
libxcb 1.13 h1bed415_1
libxml2 2.9.9 hea5a465_1
mkl 2018.0.3 1
mkl_fft 1.0.6 py36h7dd41cf_0
mkl_random 1.0.1 py36h4414c95_1
nccl 1.3.5 cuda9.0_0
ncurses 6.1 he6710b0_1
ninja 1.9.0 py36hfd86e86_0
numpy 1.16.4 <pip>
numpy 1.15.4 py36h1d66e8a_0
numpy-base 1.15.4 py36h81de0dd_0
olefile 0.46 py36_0
opencv 3.4.2 py36h6fd60c2_1
openssl 1.1.1c h7b6447c_1
pcre 8.43 he6710b0_0
pillow 6.0.0 py36h34e0f95_0
pip 19.1.1 py36_0
pixman 0.38.0 h7b6447c_0
py-opencv 3.4.2 py36hb342d67_1
pycparser 2.19 py36_0
python 3.6.8 h0371630_0
pytorch 0.4.1 py36ha74772b_0
pyzmq 18.0.2 <pip>
readline 7.0 h7b6447c_5
setuptools 41.0.1 py36_0
six 1.12.0 <pip>
six 1.12.0 py36_0
sqlite 3.28.0 h7b6447c_0
tk 8.6.8 hbc83047_0
torchfile 0.1.0 <pip>
torchvision 0.2.1 py36_0
tornado 6.0.3 <pip>
visdom 0.1.8.8 <pip>
websocket-client 0.56.0 <pip>
wheel 0.33.4 py36_0
xz 5.2.4 h14c3975_4
zlib 1.2.11 h7b6447c_3
zstd 1.3.7 h0b5b093_0
代碼運行
- 下載數(shù)據(jù)集
VOC0712和COCO2014
sh data/scripts/VOC2007.sh
sh data/scripts/VOC2012.sh
修改mkdir -p ~/data -> mkdir -p ./data
這樣下載的數(shù)據(jù)集會保存在項目根目錄下面
因此訓(xùn)練集的路徑位置 /RefineDet.PyTorch/data/datasets/VOCdevkit/VOC2007
/RefineDet.PyTorch/data/datasets/VOCdevkit/VOC2012
sh data/scripts/COCO2014.sh
- 下載預(yù)訓(xùn)練模型
wget https://s3.amazonaws.com/amdegroot-models/vgg16_reducedfc.pth
保存在/RefineDet.PyTorch/weights路徑下
- 訓(xùn)練代碼
./train_refinedet512.sh
也可以根據(jù)custom datasets 輸入訓(xùn)練代碼蚯瞧，訓(xùn)練顯存7GB
CUDA_VISIBLE_DEVICES=0 python train_refinedet_urpc.py --save_folder weights/ --input_size 512 --batch_size 8 --dataset_root custom
- 測試代碼
./eval_refinedet.sh
可以根據(jù)測試要求輸入測試代碼
CUDA_VISIBLE_DEVICES=1 python eval_refinedet.py --trained_model weights/refinedet_testVOC.pth --save_folder eval_refinedet/
問題匯總
- NameError: name 'viz' is not defined
定義一個全局變量
解決方式：
修改train_refinedet.py line93為
if args.visdom:
import visdom
global viz
viz = visdom.Visdom()
訓(xùn)練時 loss 出現(xiàn)nan
解決方式：
修改batch_size嘿期，將default 32改為8，但是測試mAP結(jié)果下降RuntimeError
RuntimeError: cuda runtime error (38) : no CUDA-capable device is detected at /pytorch/torch/lib/THC/THCGeneral.c:70
問題原因：沒有檢測到CUDA設(shè)備如顯卡驅(qū)動等
解決方案：
1.運行nvidias-smi查看顯卡
nvidia-smi
2.檢查代碼配置文件等
os.environ["CUDA_VISIBLE_DEVICES"] = config.gpus
gpus序號應(yīng)為可運行的GPU設(shè)備
