GIthub使用指北:

1.想将项目拷贝到自己帐号下就fork一下.

2.持续关注项目更新就star一下

3.watch是设置接收邮件提醒的.

Retinanet-Pytorch

Retinanet目标检测算法pytorch实现,

由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型.

但项目代码验证无误.（但在使用时需要自己进行调整。不建议新手进行尝试。）

项目在架构上与 SSD-Pytorch 采用了相似的结构.

重用了大量SSD-Pytorch中代码,如训练器,测试器等.

本项目单机多卡,通过torch.nn.DataParallel实现,将单机环境统一包装.支持单机单卡,单机多卡,指定gpu训练及测试,但不支持多机多卡和cpu训练和测试. 不限定检测时的设备(cpu,gpu均可).

Requirements

1. pytorch

2. opencv-python

3. torchvision >= 0.3.0

4. Vizer

5. visdom

(均可pip安装)

项目结构

Demo

本项目配有训练,验证,检测部分的代码,所有Demo均经过测试,可直接运行.

训练train

同针对单机多卡环境的SSD目标检测算法实现(Single Shot MultiBox Detector)(简单,明了,易用,中文注释)一样,项目使用visdom进行训练过程可视化.在运行前请安装并运行visdom.

同样的,训练过程也只支持单机单卡或单机多卡环境,不支持cpu训练.

# -*- coding: utf-8 -*-# @Author  : LGfrom Model import RetainNet, Trainerfrom Data import vocdatasetfrom Configs import _C as cfgfrom Data import transfrom,targettransform# 训练数据集,VOC格式数据集, 训练数据取自 ImageSets/Main/train.txt'train_dataset=vocdataset(cfg, is_train=True, transform=transfrom(cfg,is_train=True),                         target_transform=targettransform(cfg))# 测试数据集,VOC格式数据集, 测试数据取自 ImageSets/Main/eval.txt'test_dataset = vocdataset(cfg=cfg, is_train=False,                          transform=transfrom(cfg=cfg, is_train=False),                          target_transform=targettransform(cfg))if __name__ == '__main__':    """    使用时,请先打开visdom        命令行 输入  pip install visdom          进行安装     输入        python -m visdom.server'    启动    """
  
    # 首次调用会下载resnet预训练模型
    
    # 实例化模型. 模型的具体各种参数在Config文件中进行配置
    net = RetainNet(cfg)    # 将模型移动到gpu上,cfg.DEVICE.MAINDEVICE定义了模型所使用的主GPU
    net.to(cfg.DEVICE.MAINDEVICE)    # 初始化训练器,训练器参数通过cfg进行配置;也可传入参数进行配置,但不建议
    trainer = Trainer(cfg)    # 训练器开始在 数据集上训练模型
    trainer(net, train_dataset)

验证eval

验证过程支持单机多卡,单机单卡,不支持cpu.

# -*- coding: utf-8 -*-# @Author  : LGfrom Model import RetainNet, Evalerfrom Data import vocdatasetfrom Configs import _C as cfgfrom Data import transfrom,targettransform# 训练数据集,VOC格式数据集, 训练数据取自 ImageSets/Main/train.txt'train_dataset=vocdataset(cfg, is_train=True, transform=transfrom(cfg,is_train=True),                         target_transform=targettransform(cfg))# 测试数据集,VOC格式数据集, 测试数据取自 ImageSets/Main/eval.txt'test_dataset = vocdataset(cfg=cfg, is_train=False,                          transform=transfrom(cfg=cfg, is_train=False),                          target_transform=targettransform(cfg))if __name__ == '__main__':    # 模型测试只支持GPU单卡或多卡,不支持cpu
    net = RetainNet(cfg)    # 将模型移动到gpu上,cfg.DEVICE.MAINDEVICE定义了模型所使用的主GPU
    net.to(cfg.DEVICE.MAINDEVICE)    # 模型从权重文件中加载权重
    net.load_pretrained_weight('XXX.pkl')    # 初始化验证器,验证器参数通过cfg进行配置;也可传入参数进行配置,但不建议
    evaler = Evaler(cfg, eval_devices=None)    # 验证器开始在数据集上验证模型
    ap, map = evaler(model=net,                     test_dataset=test_dataset)    print(ap)    print(map)

检测Detect

单次检测过程支持单机单卡,cpu.

单张图片检测

# -*- coding: utf-8 -*-# @Author  : LGfrom Model import RetainNetfrom Configs import _C as cfgfrom PIL import Imagefrom matplotlib import pyplot as plt# 实例化模型net = RetainNet(cfg)# 使用cpu或gpunet.to('cuda')# 模型从权重文件中加载权重net.load_pretrained_weight('XXX.pkl')# 打开图片image = Image.open("XXX.jpg")# 进行检测, 分别返回 绘制了检测框的图片数据/回归框/标签/分数.drawn_image, boxes, labels, scores = net.Detect_single_img(image=image,score_threshold=0.5)

plt.imsave('XXX_det.jpg',drawn_image)
plt.imshow(drawn_image)
plt.show()

视频检测

# -*- coding: utf-8 -*-# @Author  : LGfrom Model import RetainNetfrom Configs import _C as cfg# 实例化模型net = RetainNet(cfg)# 使用cpu或gpunet.to('cuda')# 模型从权重文件中加载权重net.load_pretrained_weight('XXX.pkl')

video_path = 'XXX.mp4'# 进行检测,# if save_video_path不为None,则不保存视频,如需保存视频save_video_path=XXX.mp4 ,# show=True,实时显示检测结果net.Detect_video(video_path=video_path, score_threshold=0.02, save_video_path=None, show=True)