mmdetection

Pytorch实现的目标检测&实例分割及相关组件的工具箱

特点

1. 模块化，用户可以通过组合不同的模块自定义网络
2. 封装支持大量现有网络
3. 高效&SOTA

主要内容

1. 现有网络的高质量复现
2. mmdetection结构
3. Benchmarks
4. Ablation studies

现有网络的高质量复现

1. 复现框架，包括如下
   single-stage(RetinaNet)
   two-stage(Faster R-CNN, Mask R-CNN)
   multi-stage(Cascade R-CNN),
   anchor-free(FCOS)等

   
   
   支持列表.png
2. 实现常用组件，包括如下
   soft nms, OHEM, DCN(可变卷积，RepPoints)，GN等

mmdetection结构

1. 结构模块化

   
   
   模块化.png

2. 增加hooking mechanism，提升flexibility

   
   
   hooking.png

Benchmarks

实验设置

1. data
   支持数据格式：voc-style, coco-style
   默认数据：MS COCO2017
2. setup
   resize：1333*1000
   epochs：12/24/20
3. evaluation
   RPN：average recall(AR)
   detection：mAP

实验结果

1. 不同backbone,不同网络的mAP-fps结果

   
   
   mAP-fps.png

2. comparison
   其他的工具箱：
   Detectron(caffe2)
   maskrcnn-benchmark(pytorch)
   simpleDet(mxnet)
   比较指标：
   speed：train--->iter/s，test--->fps
   memory：GB
   performance：AP

   
   
   comparison.png

Ablation studis

对比试验，探究不同的结构，训练策略，超参数对性能的提升

1. regression loss
   不同的regression loss
   回归损失的权重
2. BN
   不同的eval&requires_grad搭配
   BN种类：BN,GN,SBN
3. 尺度问题
   输入img不改变长宽比的条件下进行随机缩放，以下两种策略
   1333x[640:800:32]，即range为32
   1333x[640:800]，即range为1
4. smoothl1的参数beta
5. 超出img的anchor是否剔除
6. anchor中正负样本比例上限