SSD.pytorch

Введение

1. Воспроизвести SSD с помощью pytorch и провести обнаружение пешеходов на собственном наборе данных.

2. В образе docker уже установлены pytorch и различные зависимости, что избавляет от трудностей с установкой среды (настоятельно рекомендую использовать docker!).

   SSD-код взят из следующих источников:

   • https://github.com/amdegroot/ssd.pytorch.git;
   • https://github.com/acm5656/ssd_pytorch.git.

   Были внесены дифференцированные изменения в соответствии с требованиями. Результаты можно получить, следуя инструкциям по использованию.

Инструкция по установке

1. Установите docker и nvidia-docker на сервере.

    Установка docker описана на сайте https://docs.docker.com/install/linux/docker-ce/ubuntu/#install-docker-ce-1.
   
    Инструкция по установке nvidia-docker приведена на странице https://github.com/NVIDIA/nvidia-docker.
   
    Руководство по работе с docker доступно на сайте http://www.runoob.com/docker/docker-command-manual.html.

2. Загрузите образ docker.

    Выполните команду: `docker pull qinzhenyi1314/pytorch:1.1.0-cuda10.0-cudnn7.5-py3-vnc-jpd-ph`.

3. Скачайте код проекта.

    Введите команду: `git clone https://gitee.com/qinzhenyi1314/ssd.pytorch.git`.

Инструкции по использованию

1. Запустите образ.

        Выполните команду: 
        `docker run --runtime=nvidia  -it --rm --shm-size=3072m -w /data -p 6868:22 -p 5901:5901 -v  /home/js180/qzy/deeplearning/:/data qinzhenyi1314/pytorch:1.1.0-cuda10.0-cudnn7.5-py3-vnc-jpd-ph`.
   
        Параметр `-v` используется для монтирования пути сервера в контейнер.
   
        `/home/test/qzy/deeplearning/` — путь на сервере, где хранится код.
   
        `/data` — путь внутри контейнера.

2. Скачайте набор данных.

    Исходные наборы данных VOC2007 и VOC2012 содержат 20+1 класс (включая фон), но для обнаружения пешеходов требуется только 1+1 класс.
   
    Корпоративный набор данных не может быть предоставлен, но предоставляется небольшой набор данных для проверки.
   
    Ссылка: https://pan.baidu.com/s/1-luJwOIhJhLWRHICoJItcw, код доступа: 42mh.
   
    Поместите данные в папку data/VOCdevkit.
   
    Формат соответствует файлу data/VOCdevkit/readme.txt.

3. Загрузите предварительно обученную модель.

    Ссылки: https://pan.baidu.com/s/1t4uG3YjCy2uIKFG3IZXQKA, код доступа: 5qhg.
   
    Основные модели:
   
    * vgg16_reducedfc.pth — используется для обучения, исходная модель VGG16, обученная на ImageNet.
   
    * ssd300_VOC_120000.pth — используется для тестирования, собственная модель, обучена на 50 000 обучающих изображений и 120 000 итераций, достигая mAP 0,7936, оптимизация продолжается!

4. Откройте рабочий стол VNC в контейнере и подключитесь удалённо.

    В образе введите команду `vncserver :1`, обратите внимание на пробел.
   
    На компьютере откройте клиент VNC и введите IP-адрес вашего сервера (например, 192.168.5.180) в поле VNCServer.
   
    Используйте имя пользователя для входа, теперь у вас есть рабочий стол!
   
    Вот ссылка на бесплатный сервер VNC: https://pan.baidu.com/s/1PLaUuy5mMY6npiWkbMk53g, код доступа: 9fyz.

5. Откройте pycharm.

    Перейдите в каталог `/home/qzy/pycharm-community-2019.1.1/bin/` и запустите команду `bash ./pycharm.sh`.
   
    Это откроет pycharm, затем выберите загрузку нашего проекта SSD.

6. Запустите тестирование.

    Выполните команду `python test.py`.
   
    После запуска будут выбраны три изображения, на которых будут нарисованы рамки обнаружения и сохранены в папке test. Вы можете изменить параметры в соответствии со своими потребностями.

7. Запустите обучение.

    Выполните команду `python train.py`.
   
    После выполнения будет загружена предварительно обученная модель vgg16_reducedfc.pth, и на основе весов будет создана соответствующая модель обучения xxx.pth.
   
    Некоторые гиперпараметры можно настроить самостоятельно для просмотра результатов.

8. Запустите оценку.

    Выполните команду `python eval.py`.
   
    После завершения в папке eval будет создан файл eval.txt, содержащий информацию о достоверности всех результатов обнаружения.
   
    Затем перейдите в папку eval и выполните команду `eval_pro.py`, чтобы создать файлы map и pr в текущем каталоге.