目标检测MMDetection

论文：MMDetection: Open MMLab Detection Toolbox and Benchmark

Github：https://github.com/open-mmlab/mmdetection.git

 

商汤和港中文开源的一个集成很多主流目标检测算法的检测框架，提供了超过200多个预训练模型。相比Facebook开源的Detectron框架，作者声称mmdetection有三点优势：performance稍高、训练速度稍快、所需显存稍小。

 

mmdetection主要特点：

1. 模块化设计，Modular design
2. 支持多种检测框架，开箱即用，Support of multiple frameworks out of box
3. 相比Detectron , maskrcnn-benchmark , SimpleDet 速度更加高效，High efficiency
4. 精度更高，取得了2018coco大赛的冠军，State of the art

 

支持的主流检测算法：

 

模块化设计：

（1）主干网络，Backbone

去除了全连接部分的主干网络结构，像vgg，Resnet等。

（2）颈部模块，Neck

主干网络和检测头中间的连接部分，例如FPN

（3）密集头部模块，DenseHead (AnchorHead/AnchorFreeHead)

例如，RPNHead, RetinaHead, FCOSHead

（4）ROI提取模块，RoIExtractor

（5）ROI头部模块，RoIHead (BBoxHead/MaskHead)

该模块主要任务包括分类预测，边框回归预测，mask分割预测等。

 

训练流程：

 

Benchmarking 结果：

 

效果对比：

 

回归的损失Regression Losses ：

支持Smooth L1 loss ,Bounded IoU Loss , IoU Loss , GIoU Loss , Balanced L1 Loss

 

归一化层Normalization Layers ：

支持Synchronized BN(SyncBN) , Group Normalization (GN) , FrozenBN

 

训练尺度Training Scales ：

输入分辨率为1333 × 800 ，支持多尺度训练，支持多尺度中的“value” mode 和“range” mode。

 

其他超参数：

（1）设置smooth L1的beta值，smoothl1 beta

将beta设置为1/9，可以提高RPN模块的平均召回率。

 

（2）允许anchor的边界，allowed border ：

在正常的RPN中，当anchor的超过图像的边界，就会被设置为0被忽略。

但是这样会对边界处的物体检测产生影响。如果将其设置为无穷，不被忽略的话，可以将精度从57.1%提升到57.7%。

（3）副正训练样本比例，neg pos ub ：

副：正设置为3或者5，可以获得1.1%到1.2%的精度收益。