GitHub開源130+Stars：手把手教你復現基于PPYOLO系列的目標檢測算法
目標檢測是計算機視覺領域的基礎任務，沒個稱手的Model Zoo怎么行？
今天給大家安利一個簡單好用的目標檢測的算法模型庫miemiedetection，目前在GitHub已斬獲130+顆star
代碼鏈接：https://github.com/miemie2013/miemiedetection
miemiedetection是基于YOLOX進行二次開發的個人檢測庫，還支持PPYOLO、PPYOLOv2、PPYOLOE、FCOS等算法。
得益于YOLOX的優秀架構，miemiedetection里的算法訓練速度都非常快，數據讀取不再是訓練速度的瓶頸。
代碼開發使用的深度學習框架為pyTorch，實現了可變形卷積DCNv2、Matrix NMS等高難度算子，支持單機單卡、單機多卡、多機多卡訓練模式（多卡訓練模式建議使用Linux系統），支持Windows、Linux系統。
并且由于miemiedetection是一個不需要安裝的檢測庫，用戶可以直接更改其代碼改變執行邏輯，所以向庫中添加新算法也很容易。
作者表示未來還會加入更多的算法支持（還有女裝）。
算法如假包換
復現模型，最重要的就是準確率要跟原版的基本相同。
先看PPYOLO、PPYOLOv2、PPYOLOE這三個模型，作者均經過了loss對齊、梯度對齊的實驗。
為了保留證據，在源碼中還可以看到注釋掉的讀寫*.npz 的部分，都是做對齊實驗遺留的代碼。
并且作者還詳細記錄了性能對齊的過程，對于新手來說，照著這條路走一遍，也是一個不錯的學習過程！
全部的訓練日志也都記錄保存在倉庫中，足以證明復現PPYOLO系列算法的正確性！
最后的訓練結果顯示，復現的PPYOLO算法和原版倉庫具有一樣的損失、一樣的梯度。
另外，作者也試著用原版倉庫和miemiedetection遷移學習voc2012數據集，也獲得了一樣的精度（使用了相同的超參數）。
和原版實現一樣，使用了同樣的學習率、同樣的學習率衰減策略warm_piecewisedecay（PPYOLO和PPYOLOv2使用）和warm_cosinedecay（PPYOLOE使用）、同樣的指數滑動平均EMA、同樣的數據預處理方式、同樣的參數L2權重衰減、同樣的損失、同樣的梯度、同樣的預訓練模型，遷移學習得到了同樣的精度。
實驗做得足，測試做得多，保證大家有美好的使用體驗！
不要998，也不要98，只要點個star，所有目標檢測算法免費帶回家！
模型下載與轉換
想跑通模型，參數很重要，作者提供了轉換好的預訓練pth權重文件，可以通過百度網盤直接下載。
鏈接：https://pan.baidu.com/s/1ehEqnNYKb9Nz0XNeqAcwDw
提取碼：qe3i
或者按照下面的步驟獲取：
第一步，下載權重文件，項目根目錄下執行（即下載文件，Windows用戶可以用迅雷或瀏覽器下載wget后面的鏈接，這里為了展現美觀，只以ppyoloe_crn_l_300e_coco為例）：
注意，帶有pretrained字樣的模型是在ImageNet上預訓練的骨干網路，PPYOLO、PPYOLOv2、PPYOLOE加載這些權重以訓練COCO數據集。其余為COCO上的預訓練模型。
第二步，轉換權重，項目根目錄下執行：
其中各個參數的含義為：
- -f表示的是使用的配置文件；
- -c表示的是讀取的源權重文件；
- -oc表示的是輸出（保存）的pytorch權重文件；
- -nc表示的是數據集的類別數；
- --only_backbone為True時表示只轉換骨干網絡的權重；
執行完畢后就會在項目根目錄下獲得轉換好的*.pth權重文件。
手把手教學
在下面的命令中，大部分都會使用模型的配置文件，所以一開始就有必要先詳細解釋配置文件。
mmdet.exp.base_exp.BaseExp為配置文件基類，是一個抽象類，聲明了一堆抽象方法，如get_model()表示如何獲取模型，get_data_loader()表示如何獲取訓練的dataloader，get_optimizer()表示如何獲取優化器等等。
mmdet.exp.datasets.coco_base.COCOBaseExp是數據集的配置，繼承了BaseExp，它只給出數據集的配置。該倉庫只支持COCO標注格式的數據集的訓練！
其它標注格式的數據集，需要先轉換成COCO標注格式，才能訓練（支持太多標注格式的話，工作量太大）。可以通過miemieLabels將自定義的數據集轉換成COCO的標注格式。所有的檢測算法配置類都會繼承COCOBaseExp，表示所有的檢測算法共用同樣的數據集的配置。
COCOBaseExp的配置項有：
其中，
- self.num_classes表示的是數據集的類別數；
- self.data_dir表示的是數據集的根目錄；
- self.cls_names表示的是數據集的類別名文件路徑，是一個txt文件，一行表示一個類別名。如果是自定義數據集，需要新建一個txt文件并編輯好類別名，再修改self.cls_names指向它；
- self.ann_folder表示的是數據集的注解文件根目錄，需要位于self.data_dir目錄下；
- self.train_ann表示的是數據集的訓練集的注解文件名，需要位于self.ann_folder目錄下；
- self.val_ann表示的是數據集的驗證集的注解文件名，需要位于self.ann_folder目錄下；
- self.train_image_folder表示的是數據集的訓練集的圖片文件夾名，需要位于self.data_dir目錄下；
- self.val_image_folder表示的是數據集的驗證集的圖片文件夾名，需要位于self.data_dir目錄下；
對于VOC 2012數據集，則需要修改數據集的配置為：
另外，你也可以像exps/ppyoloe/ppyoloe_crn_l_voc2012.py中一樣，在子類中修改self.num_classes、self.data_dir這些數據集的配置，這樣COCOBaseExp的配置就被覆蓋掉（無效）了。
將前面提到的模型下載好后，在VOC2012數據集的self.data_dir目錄下新建一個文件夾annotations2，把voc2012_train.json、voc2012_val.json放進這個文件夾。
最后，COCO數據集、VOC2012數據集、本項目的放置位置應該是這樣：
數據集根目錄和miemiedetection-master是同一級目錄。我個人非常不建議把數據集放在miemiedetection-master里，那樣的話PyCharm打開會巨卡無比；而且，多個項目（如mmdetection、PaddleDetection、AdelaiDet）共用數據集時，可以做到數據集路徑和項目名無關。
mmdet.exp.ppyolo.ppyolo_method_base.PPYOLO_Method_Exp是實現具體算法所有抽象方法的類，繼承了COCOBaseExp，它實現了所有抽象方法。
exp.ppyolo.ppyolo_r50vd_2x.Exp是PPYOLO算法的Resnet50Vd模型的最終配置類，繼承了PPYOLO_Method_Exp；
PPYOLOE的配置文件也是類似這樣的結構。
預測
首先，如果輸入的數據為一張圖片，則在項目根目錄下執行：
其中各個參數的含義為：
- -f表示的是使用的配置文件；
- -c表示的是讀取的權重文件；
- --path表示的是圖片的路徑；
- --conf表示的是分數閾值，只會畫出高于這個閾值的預測框；
- --tsize表示的是預測時將圖片Resize成--tsize的分辨率；
預測完成后控制臺會打印結果圖片的保存路徑，用戶可打開查看。如果是使用訓練自定義數據集保存的模型進行預測，修改-c為你的模型的路徑即可。
如果預測的是一個文件夾下的所有圖片，則在項目根目錄下執行：
將--path修改為對應圖片文件夾的路徑即可。
訓練COCO2017數據集
如果讀取ImageNet預訓練骨干網絡訓練COCO數據集，則在項目根目錄下執行：
一條命令直接啟動單機八卡訓練，當然了，前提是你真的有一臺單機8卡的超算。
其中各個參數的含義為：
-f表示的是使用的配置文件；
-d表示的是顯卡數量；
-b表示的是訓練時的批大小（所有卡的）；
-eb表示的是評估時的批大小（所有卡的）；
-c表示的是讀取的權重文件；
--fp16，自動混合精度訓練；
--num_machines，機器數量，建議單機多卡訓練；
--resume表示的是是否是恢復訓練；
訓練自定義數據集
建議讀取COCO預訓練權重進行訓練，因為收斂快。
以上述的VOC2012數據集為例，對于ppyolo_r50vd模型，如果是1機1卡，輸入下述命令開始訓練：
如果訓練因為某些原因中斷，想要讀取之前保存的模型恢復訓練，只要修改-c為想要讀取模型的路徑，再加上--resume參數即可。
如果是2機2卡，即每臺機上1張卡，在0號機輸入以下命令：
并在1號機輸入以下命令：
只需要把上面2條命令的192.168.0.107改成0號機的局域網ip即可。
如果是1機2卡，則輸入下面的命令即可開始訓練：
遷移學習VOC2012數據集，實測ppyolo_r50vd_2x的AP(0.50:0.95)可以到達0.59+、AP(0.50)可以到達0.82+、AP(small)可以到達0.18+。不管是單卡還是多卡，都能得到這個結果。
遷移學習時和PaddleDetection獲得了一樣的精度、一樣的收斂速度，二者的訓練日志位于train_ppyolo_in_voc2012文件夾下。
如果是ppyoloe_l模型，在單機輸入下面的命令即可開始訓練（凍結了骨干網絡）
遷移學習VOC2012數據集，實測ppyoloe_l的AP(0.50:0.95)可以到達0.66+、AP(0.50)可以到達0.85+、AP(small)可以到達0.28+。
評估
命令和具體的參數如下。
在項目根目錄下運行結果為：
轉換權重后精度有一點損失，大約為0.4%。
