Detectron-Cascade-RCNN 项目教程

1. 项目的目录结构及介绍

Detectron-Cascade-RCNN 项目的目录结构如下：

Detectron-Cascade-RCNN/
├── configs/
│   └── ...
├── datasets/
│   └── ...
├── detectron/
│   └── ...
├── tools/
│   └── ...
├── MODEL_ZOO.md
├── README.md
└── ...

目录结构介绍

• configs/: 包含项目的配置文件。
• datasets/: 用于存放训练和测试数据集。
• detectron/: 核心代码库，包含模型实现和相关工具。
• tools/: 包含用于训练、评估和推理的脚本。
• MODEL_ZOO.md: 模型库文档，列出了可用的预训练模型。
• README.md: 项目的主文档，包含项目的基本信息和使用说明。

2. 项目的启动文件介绍

项目的启动文件主要位于 tools/ 目录下，常用的启动文件包括：

• train_net.py: 用于训练模型的脚本。
• infer_simple.py: 用于简单推理的脚本。
• eval_net.py: 用于评估模型性能的脚本。

启动文件介绍

• train_net.py:

  • 功能：用于启动训练过程。
  • 使用方法：通过命令行运行 python tools/train_net.py --config-file configs/your_config.yaml。

• infer_simple.py:

  • 功能：用于对单张图片进行推理。
  • 使用方法：通过命令行运行 python tools/infer_simple.py --config-file configs/your_config.yaml --input your_image.jpg。

• eval_net.py:

  • 功能：用于评估训练好的模型。
  • 使用方法：通过命令行运行 python tools/eval_net.py --config-file configs/your_config.yaml。

3. 项目的配置文件介绍

配置文件位于 configs/ 目录下，通常以 .yaml 格式存储。配置文件定义了模型的各种参数，包括数据集路径、模型结构、训练参数等。

配置文件示例

MODEL:
  TYPE: "CascadeRCNN"
  WEIGHTS: "detectron2://ImageNetPretrained/MSRA/R-50.pkl"
  BACKBONE:
    CONV_BODY: "R-50-FPN"
  RESNETS:
    OUT_FEATURES: ["res2", "res3", "res4", "res5"]
  ROI_HEADS:
    NAME: "CascadeROIHeads"
    NUM_CLASSES: 80
  ROI_BOX_HEAD:
    POOLER_RESOLUTION: 7
    POOLER_SAMPLING_RATIO: 0
    FEATURE_EXTRACTOR: "FPN2MLPFeatureExtractor"
    PREDICTOR: "FPNPredictor"
DATASETS:
  TRAIN: ("coco_2017_train",)
  TEST: ("coco_2017_val",)
SOLVER:
  BASE_LR: 0.02
  STEPS: (60000, 80000)
  MAX_ITER: 90000
INPUT:
  MIN_SIZE_TRAIN: (800,)
  MAX_SIZE_TRAIN: 1333
  MIN_SIZE_TEST: 800
  MAX_SIZE_TEST: 1333
OUTPUT_DIR: "./output/cascade_rcnn"

配置文件介绍

• MODEL: 定义模型的类型和结构。
  • TYPE: 模型类型，如 "CascadeRCNN"。
  • WEIGHTS: 预训练权重路径。
  • BACKBONE: 骨干网络结构。
  • ROI_HEADS: ROI 头部结构。
  • ROI_BOX_HEAD: ROI 盒头部结构。
• DATASETS: 定义训练和测试数据集。
  • TRAIN: 训练数据集。
  • TEST: