[炼丹术]EfficientDet训练模型学习总结

EfficientDet训练模型学习总结

1.Introduction简介

pytorch用SOTA实时重新实现官方EfficientDet，原文链接：https : //arxiv.org/abs/1911.09070

关于 EfficientNetV2：

EfficientNetV2 是一个新的卷积网络家族，与之前的模型相比，具有更快的训练速度和更好的参数效率。为了开发这一系列模型，我们结合使用训练感知神经架构搜索和缩放，共同优化训练速度和参数效率。这些模型是从富含新操作（例如 Fused-MBConv）的搜索空间中搜索的。

这里是一个比较：

• 结果表现：

1.1 Requirements

• python 3.6
• pytorch 1.2
• opencv (cv2)
• tensorboard
• tensorboardX (This library could be skipped if you do not use SummaryWriter)
• pycocotools
• efficientnet_pytorch

1.2 预训练权重和基准

性能非常接近论文，仍然是SOTA。

速度/FPS 测试包括没有jit/数据精度技巧的后处理时间。

coefficient	pth_download	GPU Mem(MB)	FPS	Extreme FPS (Batchsize 32)	mAP 0.5:0.95(this repo)	mAP 0.5:0.95(official)
D0	efficientdet-d0.pth	1049	36.20	163.14	33.1	33.8
D1	efficientdet-d1.pth	1159	29.69	63.08	38.8	39.6
D2	efficientdet-d2.pth	1321	26.50	40.99	42.1	43.0
D3	efficientdet-d3.pth	1647	22.73	-	45.6	45.8
D4	efficientdet-d4.pth	1903	14.75	-	48.8	49.4
D5	efficientdet-d5.pth	2255	7.11	-	50.2	50.7
D6	efficientdet-d6.pth	2985	5.30	-	50.7	51.7
D7	efficientdet-d7.pth	3819	3.73	-	52.7	53.7
D7X	efficientdet-d8.pth	3983	2.39	-	53.9	55.1

1.3 数据集(COCO格式)

数据集	类别数量	#训练图像	#验证图片
COCO2017	80	118k	5k

在存储库下创建一个数据文件夹，

cd {repo_root}
mkdir data

• COCO:从coco网站下载coco图片和注释。确保将文件按以下结构放置：

  COCO
  ├── annotations
  │   ├── instances_train2017.json
  │   └── instances_val2017.json
  │── images
      ├── train2017
      └── val2017
  

2. Demo演示测试

# 安装需求
pip install pycocotools numpy opencv-python tqdm tensorboard tensorboardX pyyaml webcolors 
pip install torch==1.4.0 
pip install torchvision==0.5.0 
# 运行简单的推理脚本
python Effectivedet_test.py 

3. Training训练

3.1 准备数据集

# 你的数据集结构应该是这样的
datasets/ 
    -your_project_name/ 
        -train_set_name/ 
            -*.jpg 
        -val_set_name/ 
            -*.jpg 
        -annotations 
            -instances_{train_set_name} 
            .json -instances_{val_set_name}.json

＃例如，coco2017
数据集/ 
    -coco2017 / 
        -train2017 / 
            -000000000001.jpg 
            -000000000002.jpg 
            -000000000003.jpg 
        -val2017 / 
            -000000000004.jpg 
            -000000000005.jpg 
            -000000000006.jpg 
        -annotations 
            -instances_train2017.json 
            -instances_val2017.json

3.2 手动设置项目的具体参数

# 在'projects'文件夹下创建一个yml文件{your_project_name}.yml 
# 修改为'coco.yml' 
# 例如
project_name: coco 
train_set: train2017 
val_set: val2017 
num_gpus: 4 # 0 表示使用cpu，1-N 表示使用显卡 

# RGB顺序的mean和std，实际上这部分应该保持不变，只要你的数据集类似于coco。
mean：[0.485, 0.456, 0.406]
std：[0.229, 0.224, 0.225]

# 这是coco anchors，如有必要，请更改，一般不建议修改
anchors_scales: '[2 ** 0, 2 ** (1.0 / 3.0), 2 ** (2.0 / 3.0)]' 
anchors_ratios: '[(1.0, 1.0), (1.4) , 0.7), (0.7, 1.4)]'

# 来自数据集中所有标签的对象，其顺序来自您的注释。
# 它的索引必须与您的数据集的 category_id 匹配。
# category_id 是one_indexed, 
# 比如这里'car'的index是2，category_id是3 
obj_list: ['person', 'bicycle', 'car', ...]

3.3 开始训练

3.3.a 从头开始训练(不建议)

从头开始在 coco 上训练高效 det-d0
若批量大小batch_size为 12，这将需要大量时间并且需要每隔几个小时更改一次超参数。
如果你有几个月的时间要花费，那就去做吧。
这不像有人会获得比论文中的分数更好的分数。
前几个 epoch 会比较不稳定，这在从头开始训练是很正常的。

python train.py -c 0 --batch_size 64 --optim sgd --lr 8e-2

3.3.b 从头开始训练自定义数据集

在自定义数据集上训练efficientdet-d1
批量大小batch_size为 8，学习率lr为 1e-5

python train.py -c 1 -p your_project_name --batch_size 8 --lr 1e-5

3.3.c 使用预训练权重训练自定义数据集（强烈推荐）

# 在具有预训练权重的自定义数据集上训练高效 det-d2 
# 批量大小batch_size为 8，学习率lr为 1e-3，用于 10 个epoch时期
python train.py -c 2 -p your_project_name --batch_size 8 --lr 1e-3 --num_epochs 10  
--load_weights /path/to/your/weights/efficientdet-d2.pth

# 使用 coco-pretrained，您甚至可以冻结主干和仅训练头部
# 以加快训练并帮助收敛。
python train.py -c 2 -p your_project_name --batch_size 8 --lr 1e-3 --num_epochs 10  
--load_weights /path/to/your/weights/efficientdet-d2.pth  
--head_only True

3.4 提前停止训练

# 训练时，按Ctrl+c，程序会捕获KeyboardInterrupt 
# 并停止训练，保存当前检查点。

3.5 恢复训练

#如果说你开始了下面这样的训练任务。
python train.py -c 2 -p your_project_name --batch_size 8 --lr 1e-3  
--load_weights /path/to/your/weights/efficientdet-d2.pth  
--head_only True 
# 然后你用Ctrl+c，它以检查点退出 

# 现在你想从最后一个检查点恢复训练
# 只需将 load_weights 设置为 'last'
python train.py -c 2 -p your_project_name --batch_size 8 --lr 1e-3  
--load_weights last  
--head_only True

3.6 评估模型性能

# 在 your_project 上进行评估，高效 det-d5

python coco_eval.py -p your_project_name -c 5  
-w /path/to/your/weights

3.7 调试训练（可选）

# 当你得到不好的结果时，你需要调试训练结果。
python train.py -c 2 -p your_project_name --batch_size 8 --lr 1e-3 --debug True

# 然后检查 test/ 文件夹，在那里你可以在训练期间可视化预测的框
# 如果你看到无数的错误框，不要惊慌，它发生在训练的早期阶段。
# 但是，如果您在几次 epoch 之后仍然看不到一个正常的框，甚至在所有图像中都看不到一个，
# 那么可能是锚点配置不合适或地面实况已损坏。

4.自定义数据集的训练教程

4.1 安装环境要求

pip install pycocotools numpy==1.16.0 opencv-python tqdm tensorboard tensorboardX pyyaml webcolors matplotlib

4.2 准备自定义数据集/预训练权重

这里以官方提供的自定义数据集为例，目录结构如下图：

├── annotations
│   ├── instances_train.json
│   └── instances_val.json
├── train
│   ├── 0.jpg
│   ├── 1000.jpg
│   ├── 1001.jpg
......
└── val
├── 1111.jpg
├── 1112.jpg
└── 1359.jpg

其中，annatations是存放coco格式json数据的路径，train为训练集的图片路径，val为测试集的图片路径。
这里的文件夹与路径名称是与对应项目的.yml配置文件相匹配的，否则会出现读取不到数据的错误。

4.3 训练模型

简单数据集，直接训练头部即可。

# 考虑到这是一个简单的数据集，训练头部就足够支持拟合了。
python train.py -c 0 -p birdview_vehicles --head_only True --lr 5e-3 --batch_size 32 --load_weights weights/efficientdet-d0.pth  --num_epochs 10 --save_interval 100
#训练一开始损失会很大，不要惊慌，要有耐心，再等一会儿

从最后的一次保存的模型文件开始训练，并且不只训练头部，还训练骨干与其他部分。

python train.py -c 0 -p birdview_vehicles --head_only False --lr 1e-3 --batch_size 16 --load_weights last  --num_epochs 16 --save_interval 100

4.4 评估训练结果

训练产生的模型与日志结果，存储在log文件目录下，由于模型是随着Loss下降，精度提高，递进式的产生，因此只需要评估最后一个模型文件即可。

weight_file[-1] = 'efficientdet-d0_9_2770.pth'
python coco_eval.py -c 0 -p birdview_vehicles -w "logs/birdview_vehicles/{weight_file[-1]}"

python coco_eval.py -c 0 -p birdview_vehicles -w "logs/birdview_vehicles/efficientdet-d0_9_2770.pth"

4.5 可视化预测

put images here datasets/your_project_name/val_set_name/*.jpg
put annotations here datasets/your_project_name/annotations/instances_{val_set_name}.json
put weights here /path/to/your/weights/*.pth

python detect.py