CEFPN论文代码复现

该项目主要使用的训练代码来自b站up主 霹雳吧啦wz：https://b23.tv/HvMiDy ，CEFPN论文代码纯手撸，如果转载，请标明出处。

环境配置：

①Python3.6/3.7/3.8

②Pytorch1.7.1(注意：必须是1.6.0或以上，因为使用官方提供的混合精度训练1.6.0后才支持)

③pycocotools(Linux:pip install pycocotools; Windows:pip install pycocotools-windows(不需要额外安装vs))

④Ubuntu或Centos(不建议Windows)

⑤最好使用GPU训练

⑥详细环境配置见requirements.txt

文件结构

├── backbone: 特征提取网络，可以根据自己的要求选择

├── network_files: Faster R-CNN网络（包括Fast R-CNN以及RPN等模块）

├── train_utils: 训练验证相关模块（包括cocotools）

├── my_dataset.py: 自定义dataset用于读取COCO数据集

├── train_resnet50_fpn.py: 以resnet50+CEFPN做为backbone进行训练

├── train_multi_GPU.py: 针对使用多GPU的用户使用

├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试

├── validation.py: 利用训练好的权重验证/测试数据的COCO指标，并生成record_mAP.txt文件

└── pascal_voc_classes.json: pascal_voc标签文件

预训练权重下载地址

ResNet50+FPN backbone: https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth ，注意，下载的预训练权重记得要重命名，比如在train_resnet50_fpn.py中读取的是fasterrcnn_resnet50_fpn_coco.pth文件， 不是fasterrcnn_resnet50_fpn_coco-258fb6c6.pth

数据集下载（默认使用的是COCO格式的数据集）

• COCO官网地址：https://cocodataset.org/

• 对数据集不了解的可以参考b站up主霹雳吧啦wz的博文：https://blog.csdn.net/qq_37541097/article/details/113247318

• 这里以下载coco2017数据集为例，主要下载三个文件：

  • 2017 Train images [118K/18GB]：训练过程中使用到的所有图像文件

  • 2017 Val images [5K/1GB]：验证过程中使用到的所有图像文件

  • 2017 Train/Val annotations [241MB]：对应训练集和验证集的标注json文件

都解压到coco2017文件夹下，可得到如下文件结构：

 ├── coco2017: 数据集根目录

 ├── train2017: 所有训练图像文件夹(118287张)
 
 ├── val2017: 所有验证图像文件夹(5000张)
 
 └── annotations: 对应标注文件夹
 
          ├── instances_train2017.json: 对应目标检测、分割任务的训练集标注文件
          
          ├── instances_val2017.json: 对应目标检测、分割任务的验证集标注文件
          
          ├── captions_train2017.json: 对应图像描述的训练集标注文件
          
          ├── captions_val2017.json: 对应图像描述的验证集标注文件
          
          ├── person_keypoints_train2017.json: 对应人体关键点检测的训练集标注文件
          
          └── person_keypoints_val2017.json: 对应人体关键点检测的验证集标注文件夹

训练方法

• 确保提前准备好数据集
• 确保提前下载好对应预训练模型权重
• 若要使用单GPU训练直接使用train_res50_fpn.py训练脚本
• 若要使用多GPU训练，使用torchrun --nproc_per_node=8 train_multi_GPU.py指令,nproc_per_node参数为使用GPU数量
• 如果想指定使用哪些GPU设备可在指令前加上CUDA_VISIBLE_DEVICES=0,3(例如只使用设备中的第1块和第4块GPU设备)CUDA_VISIBLE_DEVICES=0,3 torchrun --nproc_per_node=2 train_multi_GPU.py

注意事项

• 在使用训练脚本时，注意要将--data-path设置为自己存放coco2017文件夹所在的根目录
• 在使用预测脚本时，要将weights_path设置为你自己生成的权重路径。
• 使用validation文件时，注意确保你的验证集或者测试集中必须包含每个类别的目标，并且使用时只需要修改--num-classes、--data-path和--weights-path即可，其他代码尽量不要改动