Detectron中config文件的解释
Detectron中config文件的解释
本博客仅仅是总结使用detectron过程中曾经遇到的一些问题，不做详细步骤指导。
1.Detectron 是什么？
detectron是Facebook AI Research 的开源项目。主要是faster RCNN系列的大神们，将Mask RCNN，RetinaNet，Faster RCNN，RPN等算法集合到了一个框架下，方便研究人员使用。它的网络是在caffe2上运行的。对于目标检测任务来说，无疑是利器。
Detectron的github地址
2.为什么选择用detectron？
除了方便还是方便。很多初学者都是从caffe开始，但是对于结构复杂的网络而言，caffe的prototxt 文件看上去有些繁琐，并且参数设置也不是特别直观。而caffe2在不改变网络结构的情况下，参数的设置，数据集的更改等等在yml文件中都更为直观。更改网络的情况，个人还没有了解，日后如果有了解再补充。
3.detectron怎么用？
在github上有英文的指导，这里是传送门
这里假定都已经安装成功，那么使用的时候
python2 tools/infer_simple.py \
--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
--output-dir /tmp/detectron-visualizations \
--image-ext jpg \
--wts https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
demo
我们这里只解释具体的几个参数的含义。
1）cfg，是配置文件，均存在于configs目录下。
在Model中：
MODEL:
TYPE: generalized_rcnn
CONV_BODY: FPN.add_fpn_ResNet50_conv5_body
NUM_CLASSES: 81
FASTER_RCNN: True
其中需要初学者注意的是NUM_CLASSES，对于customer的数据集，该值为 类别数+1，因此对于coco来说就是80+1
对于Mask网络，model部分还应加上
MASK_ON: True
设置GPU的数量：
NUM_GPUS: 1
SOLVER设置：
SOLVER:
WEIGHT_DECAY: 0.0001
LR_POLICY: steps_with_decay
BASE_LR: 0.0025
GAMMA: 0.1
MAX_ITER: 60000
STEPS: [0, 30000, 40000]
首先，对于训练次数而言，如果数据集不大，我们可以设置为几千次，如果像coco这类数据量较大，几万次还是有必要的。default的单GPU下为60000次。这里值得一提的是，对于多GPU下，MAX_ITER的次数与GPU的数量成反比。另一个需要说的参数是BASE_LR，初始的学习率对于网络训练很重要，太大会使网络不容易收敛到最小值，太小又会使网络收敛过慢。正如之前博客所言，通常取e-3到e-4比较安全。这里0.0025的取值，猜测是作者根据网络和数据多次实验所取的较优的配置。在多GPU下，BASE_LR的取值与GPU成正比。
FPN和FAST RCNN设置：
FPN:
FPN_ON: True
MULTILEVEL_ROIS: True
MULTILEVEL_RPN: True
FAST_RCNN:
ROI_BOX_HEAD: fast_rcnn_heads.add_roi_2mlp_head
ROI_XFORM_METHOD: RoIAlign
ROI_XFORM_RESOLUTION: 7
ROI_XFORM_SAMPLING_RATIO: 2
曾经尝试改动FPN，但是与此同时model也应该改动，正常情况下这两项在customer数据集上不需要改动。
Train 的设置：
TRAIN:
WEIGHTS: https://s3-us-west-2.amazonaws.com/detectron/ImageNetPretrained/MSRA/R-50.pkl
DATASETS: ('coco_2014_train',)
SCALES: (500,)
MAX_SIZE: 833
BATCH_SIZE_PER_IM: 256
RPN_PRE_NMS_TOP_N: 2000 # Per FPN level
这里要注意的是DATASETS中，自己的数据集需要在dataset_catalog.py中补充，其中数据集的生成方式github中也有详细说明
Test 的设置：
TEST:
DATASETS: ('coco_2014_minival',)
SCALE: 500
MAX_SIZE: 833
NMS: 0.5
RPN_PRE_NMS_TOP_N: 1000 # Per FPN level
RPN_POST_NMS_TOP_N: 1000
其中，需要注意的包括，SCALE和MAX_SIZE，从他人处得到经验，想在inference时提高准确率其中的一个办法就是换成高分辨率，那么这两个参数就是需要改动的了。
另外NMS的设置可以在非密集场景下减少重复出现的box