UniverseNet: 深度学习目标检测框架实战指南

项目概述

UniverseNet 是由 Shinya7y 创建的，基于 PyTorch 的高性能目标检测库，专门针对处理小物体、多尺度对象及复杂背景下的挑战。该框架在 BMVC 2022 上提出，并设定了 Universal-Scale Object Detection Benchmark (USB)，致力于提供更加公正的比较标准和先进的检测算法。

---

1. 目录结构及介绍

UniverseNet 的目录结构精心设计，便于模块化扩展与维护。以下是关键目录的简述：

• config: 包含所有模型的配置文件，这些文件定义了模型的结构、训练参数等。
• core: 核心功能实现部分，包括数据加载、模型训练与评估的核心逻辑。
• data: 数据处理相关脚本，包括数据集的预处理和加载逻辑。
• models: 实现各种骨干网络、 neck 设计、以及头部预测器等模型模块。
• tools: 工具脚本集合，包含训练、测试、转换模型等实用脚本。
• scripts: 辅助脚本，可能用于特定的任务或者环境设置。
• tests: 测试用例，确保框架各部分按预期工作。
• docs: 文档和说明文件。
• .gitignore, LICENSE, README.md: 项目管理文件，许可证信息和项目描述。

2. 启动文件介绍

• 主训练入口通常位于 tools/dist_train.sh，这是一个分布式训练的启动脚本，支持通过命令行指定配置文件、模型权重和GPU数量等参数来启动训练。
• 测试脚本则对应 tools/dist_test.sh，用于模型的验证与评估，同样需要配置文件和模型检查点路径作为输入。

示例启动命令：

# 训练命令
bash tools/dist_train.sh configs/universenet/universenet50_2008_fp16_4x4_mstrain_480_960_2x_coco.py 4

# 评估命令
mkdir -p $HOME/data/checkpoints/
wget -P $HOME/data/checkpoints/ [模型权重下载链接]
CONFIG_FILE=... CHECKPOINT_FILE=... GPU_NUM=4 bash tools/dist_test.sh $CONFIG_FILE $CHECKPOINT_FILE $GPU_NUM --eval bbox

3. 配置文件介绍

配置文件（一般位于 config 目录下）是控制整个训练和测试流程的关键，它们是 Python 文件，定义了模型结构、训练和测试的超参数、数据集设置等。每个配置文件大致包含以下几个主要部分：

• 基础模型设置 (model)：定义了使用的模型类型及其参数。
• 数据集设置 (dataset_type, data_root, pipeline, ann_file 等)：指定了数据集的位置、格式和预处理步骤。
• 训练设置 (train_cfg)：包括批次大小、迭代周期等。
• 测试设置 (test_cfg)：定义测试时的行为，如NMS参数。
• 优化器设置 (optimizer) 和 学习率调度 (lr_config)：决定了学习过程的速度和动态。
• 运行环境配置：如是否启用同步批归一化（SyncBN），工作目录(work_dir)等。

示例配置片段：

model = dict(
    type='UniverseNet',
    backbone=dict(...
    ),
    neck=dict(...),
    bbox_head=dict(...)
)
train_cfg = dict(...)
test_cfg = dict(...)
data = dict(
    samples_per_gpu=4,
    workers_per_gpu=2,
    train=dict(...),
    val=dict(...),
    test=dict(...)
)

每一个配置文件都是高度定制的，允许开发者微调以适配不同的任务和资源限制，是深入了解和利用UniverseNet的门户。确保在修改配置前仔细阅读框架的官方文档和示例配置，以便正确理解每个参数的意义和影响。