|
|
@@ -0,0 +1,100 @@
|
|
|
+# YOLO系列模型anchor聚类
|
|
|
+
|
|
|
+YOLO系列模型均支持自定义anchor,我们提供的默认配置为在MS COCO检测数据集上聚类生成的anchor。用户可以使用在自定义数据集上聚类生成的anchor以提升模型在特定数据集上的的精度。
|
|
|
+
|
|
|
+## YOLOAnchorCluster
|
|
|
+
|
|
|
+```python
|
|
|
+class paddlex.tools.YOLOAnchorCluster(num_anchors, dataset, image_size, cache, cache_path=None, iters=300, gen_iters=1000, thresh=0.25)
|
|
|
+```
|
|
|
+分析数据集中所有图像的标签,聚类生成YOLO系列检测模型指定格式的anchor,返回结果按照由小到大排列。
|
|
|
+
|
|
|
+> **注解**
|
|
|
+>
|
|
|
+> 自定义YOLO系列模型的`anchor`需要同时指定`anchor_masks`参数。`anchor_masks`参数为一个二维的列表,其长度等于模型backbone获取到的特征图数量(对于PPYOLO的MobileNetV3和ResNet18_vd,特征图数量为2,其余情况为3)。列表中的每一个元素也为列表,代表对应特征图上所检测的anchor编号。
|
|
|
+> 以PPYOLO网络的默认参数`anchors=[[10, 13], [16, 30], [33, 23], [30, 61], [62, 45], [59, 119], [116, 90], [156, 198], [373, 326]]`,`anchor_masks=[[6, 7, 8], [3, 4, 5], [0, 1, 2]]`为例,代表在第一个特征图上检测尺度为`[116, 90], [156, 198], [373, 326]`的目标,在第二个特征图上检测尺度为`[30, 61], [62, 45], [59, 119]`的目标,以此类推。
|
|
|
+
|
|
|
+> **参数**
|
|
|
+>
|
|
|
+* **num_anchors** (int): 生成anchor的数量。PPYOLO,当backbone网络为MobileNetV3或ResNet18_vd时通常设置为6,其余情况通常设置为9。对于PPYOLOv2、PPYOLOTiny、YOLOv3,通常设置为9。
|
|
|
+* **dataset** (paddlex.dataset):用于聚类生成anchor的检测数据集,支持`VOCDetection`和`CocoDetection`格式。
|
|
|
+* **image_size** (List[int] or int):训练时网络输入的尺寸。如果为list,长度须为2,分别代表高和宽;如果为int,代表输入尺寸高和宽相同。
|
|
|
+* **cache** (bool): 是否使用缓存。聚类生成anchor需要遍历数据集统计所有真值框的尺寸以及所有图片的尺寸,较为耗时。如果为True,会将真值框尺寸信息以及图片尺寸信息保存至`cache_path`路径下,若路径下已存缓存文件,则加载该缓存。如果为False,则不会保存或加载。默认为True。
|
|
|
+* **cache_path** (None or str):真值框尺寸信息以及图片尺寸信息缓存路径。 如果为None,则使用数据集所在的路径`data_dir`。默认为None。
|
|
|
+* **iters** (int):K-Means聚类算法迭代次数。
|
|
|
+* **gen_iters** (int):基因演算法迭代次数。
|
|
|
+* **thresh** (float):anchor尺寸与真值框尺寸之间比例的阈值。
|
|
|
+
|
|
|
+**代码示例**
|
|
|
+```python
|
|
|
+import paddlex as pdx
|
|
|
+from paddlex import transforms as T
|
|
|
+
|
|
|
+# 下载和解压昆虫检测数据集
|
|
|
+dataset = 'https://bj.bcebos.com/paddlex/datasets/insect_det.tar.gz'
|
|
|
+pdx.utils.download_and_decompress(dataset, path='./')
|
|
|
+
|
|
|
+# 定义训练和验证时的transforms
|
|
|
+# API说明:https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/transforms/transforms.md
|
|
|
+train_transforms = T.Compose([
|
|
|
+ T.MixupImage(mixup_epoch=-1), T.RandomDistort(),
|
|
|
+ T.RandomExpand(im_padding_value=[123.675, 116.28, 103.53]), T.RandomCrop(),
|
|
|
+ T.RandomHorizontalFlip(), T.BatchRandomResize(
|
|
|
+ target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
|
|
|
+ interp='RANDOM'), T.Normalize(
|
|
|
+ mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
|
|
|
+])
|
|
|
+
|
|
|
+eval_transforms = T.Compose([
|
|
|
+ T.Resize(
|
|
|
+ target_size=608, interp='CUBIC'), T.Normalize(
|
|
|
+ mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
|
|
|
+])
|
|
|
+
|
|
|
+# 定义训练和验证所用的数据集
|
|
|
+# API说明:https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/datasets.md
|
|
|
+train_dataset = pdx.datasets.VOCDetection(
|
|
|
+ data_dir='insect_det',
|
|
|
+ file_list='insect_det/train_list.txt',
|
|
|
+ label_list='insect_det/labels.txt',
|
|
|
+ transforms=train_transforms,
|
|
|
+ shuffle=True)
|
|
|
+
|
|
|
+eval_dataset = pdx.datasets.VOCDetection(
|
|
|
+ data_dir='insect_det',
|
|
|
+ file_list='insect_det/val_list.txt',
|
|
|
+ label_list='insect_det/labels.txt',
|
|
|
+ transforms=eval_transforms,
|
|
|
+ shuffle=False)
|
|
|
+
|
|
|
+# 在训练集上聚类生成9个anchor
|
|
|
+cluster = pdx.tools.YOLOAnchorCluster(num_anchors=9,
|
|
|
+ dataset=train_dataset,
|
|
|
+ image_size=608)
|
|
|
+anchors = cluster()
|
|
|
+anchor_masks = [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
|
|
|
+
|
|
|
+# 初始化模型,并进行训练
|
|
|
+# 可使用VisualDL查看训练指标,参考https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/train/visualdl.md
|
|
|
+num_classes = len(train_dataset.labels)
|
|
|
+model = pdx.det.PPYOLO(num_classes=num_classes,
|
|
|
+ backbone='ResNet50_vd_dcn',
|
|
|
+ anchors=anchors,
|
|
|
+ anchor_masks=anchor_masks)
|
|
|
+
|
|
|
+# API说明:https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/models/detection.md
|
|
|
+# 各参数介绍与调整说明:https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/parameters.md
|
|
|
+model.train(
|
|
|
+ num_epochs=200,
|
|
|
+ train_dataset=train_dataset,
|
|
|
+ train_batch_size=8,
|
|
|
+ eval_dataset=eval_dataset,
|
|
|
+ pretrain_weights='COCO',
|
|
|
+ learning_rate=0.005 / 12,
|
|
|
+ warmup_steps=500,
|
|
|
+ warmup_start_lr=0.0,
|
|
|
+ save_interval_epochs=5,
|
|
|
+ lr_decay_epochs=[85, 135],
|
|
|
+ save_dir='output/ppyolo_r50vd_dcn',
|
|
|
+ use_vdl=True)
|
|
|
+```
|