Detectron-PYTORCH 项目使用教程

Detectron-PYTORCH 项目使用教程

Detectron-PYTORCH 项目地址: https://gitcode.com/gh_mirrors/de/Detectron-PYTORCH

1. 项目目录结构及介绍

Detectron-PYTORCH 项目的目录结构如下：

Detectron-PYTORCH/
├── configs/
│   ├── baselines/
│   └── ...
├── demo/
├── lib/
│   ├── core/
│   ├── datasets/
│   ├── modeling/
│   └── ...
├── tools/
│   ├── train_net.py
│   ├── test_net.py
│   └── ...
├── README.md
├── requirements.txt
└── ...

目录结构介绍

• configs/: 存放项目的配置文件，包括训练和测试的配置文件。
• demo/: 存放项目的演示代码和示例。
• lib/: 核心代码库，包含数据处理、模型定义、损失函数等模块。
  • core/: 核心配置和工具函数。
  • datasets/: 数据集处理相关代码。
  • modeling/: 模型定义和实现。
• tools/: 存放训练和测试的脚本。
  • train_net.py: 训练模型的脚本。
  • test_net.py: 测试模型的脚本。
• README.md: 项目的基本介绍和使用说明。
• requirements.txt: 项目依赖的Python包列表。

2. 项目的启动文件介绍

项目的启动文件主要位于 tools/ 目录下，主要包括以下几个文件：

• train_net.py: 用于启动模型训练的脚本。可以通过命令行参数指定配置文件、数据集、GPU设备等。
• test_net.py: 用于启动模型测试的脚本。可以通过命令行参数指定配置文件、测试数据集、GPU设备等。

启动训练

python tools/train_net.py --cfg configs/baselines/e2e_mask_rcnn_R-50-C4.yml --use_tfboard

启动测试

python tools/test_net.py --cfg configs/baselines/e2e_mask_rcnn_R-50-FPN_1x.yaml --load_ckpt path/to/your/checkpoint

3. 项目的配置文件介绍

配置文件主要位于 configs/ 目录下，每个配置文件定义了模型训练和测试的具体参数。以下是一个典型的配置文件结构：

MODEL:
  TYPE: "mask_rcnn"
  WEIGHTS: "detectron://ImageNetPretrained/MSRA/R-50.pkl"
  CONV_BODY: "FPN.add_fpn_ResNet50_conv5_body"
  NUM_CLASSES: 81
  ROI_HEADS:
    SCORE_THRESH_TEST: 0.05
    NMS_THRESH_TEST: 0.5

SOLVER:
  BASE_LR: 0.0025
  WEIGHT_DECAY: 0.0001
  STEPS: (60000, 80000)
  MAX_ITER: 90000

TRAIN:
  DATASETS: ("coco_2014_train", "coco_2014_valminusminival")
  SCALES: (800,)
  MAX_SIZE: 1333
  BATCH_SIZE_PER_IM: 512

TEST:
  DATASETS: ("coco_2014_minival",)
  SCALES: (800,)
  MAX_SIZE: 1333
  NMS: 0.5

配置文件参数介绍

• MODEL: 定义模型的类型、权重、卷积体和类别数量。
• SOLVER: 定义优化器的参数，如学习率、权重衰减、训练步数等。
• TRAIN: 定义训练数据集、图像尺寸、批量大小等。
• TEST: 定义测试数据集、图像尺寸、非极大值抑制阈值等。

通过修改配置文件中的参数，可以灵活调整模型的训练和测试行为。

Detectron-PYTORCH 项目地址: https://gitcode.com/gh_mirrors/de/Detectron-PYTORCH