【mmdetection】參數解析

圖片輸入大小解析

1.單尺度輸入：

train_pipeline = [
    ......
    dict(
        type='Resize',
        img_scale=(1333, 800),
        keep_ratio=True),
    ......
    dict(type='Pad', size_divisor=32),
]

實際輸入縮放計算方式：

max_long_edge = max(img_scale)
max_short_edge = min(img_scale)
# 取值方式:  大值/長邊    小值/短邊   誰的比值小   按誰來計算縮放比例
scale_factor = min(max_long_edge / max(h, w), max_short_edge / min(h, w))

keep_ratio表示是否保持圖片原始比例

keep_ratio=True時，通過上面計算方式找到縮放因子，最終

scale_w = int(w * float(scale_factor ) + 0.5),
scale_h = int(h * float(scale_factor ) + 0.5)

簡要概括就是： 利用 (小值/短邊) 和 (大值/長邊) 的比值小的爲基準，然後通過圖片比例來計算另一邊的長度。

舉例：

假設我的真實圖片大小是(400, 600),那麼按照上面的方式1333/600 = 2.22， 800/400=2，顯然，按照800的縮放係數更小，因此以800的縮放係數爲基準resize。那麼就有(400*2, 600*2) -> （800， 1200） ，此時shape(400, 600)的圖片，被resize成了 (800, 1200)，這樣操作的好處是圖片在被resize的同時，儘量靠近原圖的大小。

但是，還沒有結束，在Resize之後，注意配置文件裏還有個Pad操作，將Resize之後的圖片Pad成size_divisor=32的倍數，具體邏輯是

    pad_h = int(np.ceil(img.shape[0] / divisor)) * divisor
    pad_w = int(np.ceil(img.shape[1] / divisor)) * divisor

經過pad操作之後，將（800，1200）變成了(800, 1216)，這步操作的目的是避免卷積時，特徵損失。

keep_ratio=False時，直接按照config配置中的img_scale來縮放圖片，大值代表長邊，小值代表短邊，不會保持原有圖片比例。

2.多尺度輸入：

假設配置信息爲

train_pipeline = [
    ......
    dict(
        type='Resize',
        img_scale=[(1333, 640), (1333, 800), (600，1080), (1200, 1000)， (416,700)],
        multiscale_mode='value',
        # multiscale_mode='range', 
        keep_ratio=True),
    ......
]

多尺度輸入的訓練方式有兩種指定模式 value和range

value:

從img_scale中隨機一個turple，作爲img_scale

僞代碼：

  # img_scales相當於config中的img_scale
  num = len(img_scales)
  scale_idx = np.random.randint(num )
  img_scale = img_scales[scale_idx]

range：

long_edge: 每個turple中的大值，作爲一個集合，上例中的就是：

[1333，1333，1080，1200, 700]

short_edge: 每個turple中的大值，作爲一個集合，上例中的就是：

[640，800，600，1000, 416]

然後，從long_edge和short_edge中分別隨機一個值作爲新的img_scale，得到img_scale後，輸入大小計算方式同單尺度。

僞代碼：

 # img_scales相當於config中的img_scale
 long_edge = [max(s) for s in img_scales]
 short_edge= [min(s) for s in img_scales]
 l_edge = np.random.randint(long_edge)
 s_edge = np.random.randint(short_edge)
 img_scale = (l_edge, s_edge)

octave_base_scale

模型定義中用到參數，後續整理

# model settings
model = dict(
	type='FasterRCNN',                         # model類型
    pretrained='modelzoo://resnet50',          # 預訓練模型：imagenet-resnet50
    backbone=dict(
        type='ResNet',                         # backbone類型
        depth=50,                              # 網絡層數
        num_stages=4,                          # resnet的stage數量
        out_indices=(0, 1, 2, 3),              # 輸出的stage的序號
        frozen_stages=1,                       # 凍結的stage數量，即該stage不更新參數，-1表示所有的stage都更新參數
        style='pytorch'),                      # 網絡風格：如果設置pytorch，則stride爲2的層是conv3x3的卷積層；如果設置caffe，則stride爲2的層是第一個conv1x1的卷積層
    neck=dict(
        type='FPN',                            # neck類型
        in_channels=[256, 512, 1024, 2048],    # 輸入的各個stage的通道數
        out_channels=256,                      # 輸出的特徵層的通道數
        num_outs=5),                           # 輸出的特徵層的數量
    rpn_head=dict(
        type='RPNHead',                        # RPN網絡類型
        in_channels=256,                       # RPN網絡的輸入通道數
        feat_channels=256,                     # 特徵層的通道數
        anchor_scales=[8],                     # 生成的anchor的baselen，baselen = sqrt(w*h)，w和h爲anchor的寬和高
        anchor_ratios=[0.5, 1.0, 2.0],         # anchor的寬高比
        anchor_strides=[4, 8, 16, 32, 64],     # 在每個特徵層上的anchor的步長（對應於原圖）
        target_means=[.0, .0, .0, .0],         # 均值
        target_stds=[1.0, 1.0, 1.0, 1.0],      # 方差
        use_sigmoid_cls=True),                 # 是否使用sigmoid來進行分類，如果False則使用softmax來分類
    bbox_roi_extractor=dict(
        type='SingleRoIExtractor',                                   # RoIExtractor類型
        roi_layer=dict(type='RoIAlign', out_size=7, sample_num=2),   # ROI具體參數：ROI類型爲ROIalign，輸出尺寸爲7，sample數爲2
        out_channels=256,                                            # 輸出通道數
        featmap_strides=[4, 8, 16, 32]),                             # 特徵圖的步長
    bbox_head=dict(
        type='SharedFCBBoxHead',                     # 全連接層類型
        num_fcs=2,                                   # 全連接層數量
        in_channels=256,                             # 輸入通道數
        fc_out_channels=1024,                        # 輸出通道數
        roi_feat_size=7,                             # ROI特徵層尺寸
        num_classes=81,                              # 分類器的類別數量+1，+1是因爲多了一個背景的類別
        target_means=[0., 0., 0., 0.],               # 均值
        target_stds=[0.1, 0.1, 0.2, 0.2],            # 方差
        reg_class_agnostic=False))                   # 是否採用class_agnostic的方式來預測，class_agnostic表示輸出bbox時只考慮其是否爲前景，後續分類的時候再根據該bbox在網絡中的類別得分來分類，也就是說一個框可以對應多個類別
# model training and testing settings
train_cfg = dict(
    rpn=dict(
        assigner=dict(
            type='MaxIoUAssigner',            # RPN網絡的正負樣本劃分
            pos_iou_thr=0.7,                  # 正樣本的iou閾值
            neg_iou_thr=0.3,                  # 負樣本的iou閾值
            min_pos_iou=0.3,                  # 正樣本的iou最小值。如果assign給ground truth的anchors中最大的IOU低於0.3，則忽略所有的anchors，否則保留最大IOU的anchor
            ignore_iof_thr=-1),               # 忽略bbox的閾值，當ground truth中包含需要忽略的bbox時使用，-1表示不忽略
        sampler=dict(
            type='RandomSampler',             # 正負樣本提取器類型
            num=256,                          # 需提取的正負樣本數量
            pos_fraction=0.5,                 # 正樣本比例
            neg_pos_ub=-1,                    # 最大負樣本比例，大於該比例的負樣本忽略，-1表示不忽略
            add_gt_as_proposals=False),       # 把ground truth加入proposal作爲正樣本
        allowed_border=0,                     # 允許在bbox周圍外擴一定的像素
        pos_weight=-1,                        # 正樣本權重，-1表示不改變原始的權重
        smoothl1_beta=1 / 9.0,                # 平滑L1係數
        debug=False),                         # debug模式
    rcnn=dict(
        assigner=dict(
            type='MaxIoUAssigner',            # RCNN網絡正負樣本劃分
            pos_iou_thr=0.5,                  # 正樣本的iou閾值
            neg_iou_thr=0.5,                  # 負樣本的iou閾值
            min_pos_iou=0.5,                  # 正樣本的iou最小值。如果assign給ground truth的anchors中最大的IOU低於0.3，則忽略所有的anchors，否則保留最大IOU的anchor
            ignore_iof_thr=-1),               # 忽略bbox的閾值，當ground truth中包含需要忽略的bbox時使用，-1表示不忽略
        sampler=dict(
            type='RandomSampler',             # 正負樣本提取器類型
            num=512,                          # 需提取的正負樣本數量
            pos_fraction=0.25,                # 正樣本比例
            neg_pos_ub=-1,                    # 最大負樣本比例，大於該比例的負樣本忽略，-1表示不忽略
            add_gt_as_proposals=True),        # 把ground truth加入proposal作爲正樣本
        pos_weight=-1,                        # 正樣本權重，-1表示不改變原始的權重
        debug=False))                         # debug模式
test_cfg = dict(
    rpn=dict(                                 # 推斷時的RPN參數
        nms_across_levels=False,              # 在所有的fpn層內做nms
        nms_pre=2000,                         # 在nms之前保留的的得分最高的proposal數量
        nms_post=2000,                        # 在nms之後保留的的得分最高的proposal數量
        max_num=2000,                         # 在後處理完成之後保留的proposal數量
        nms_thr=0.7,                          # nms閾值
        min_bbox_size=0),                     # 最小bbox尺寸
    rcnn=dict(
        score_thr=0.05, nms=dict(type='nms', iou_thr=0.5), max_per_img=100)   # max_per_img表示最終輸出的det bbox數量
    # soft-nms is also supported for rcnn testing
    # e.g., nms=dict(type='soft_nms', iou_thr=0.5, min_score=0.05)            # soft_nms參數
)
# dataset settings
dataset_type = 'CocoDataset'                # 數據集類型
data_root = 'data/coco/'                    # 數據集根目錄
img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)   # 輸入圖像初始化，減去均值mean並處以方差std，to_rgb表示將bgr轉爲rgb
data = dict(
    imgs_per_gpu=2,                # 每個gpu計算的圖像數量
    workers_per_gpu=2,             # 每個gpu分配的線程數
    train=dict(
        type=dataset_type,                                                 # 數據集類型
        ann_file=data_root + 'annotations/instances_train2017.json',       # 數據集annotation路徑
        img_prefix=data_root + 'train2017/',                               # 數據集的圖片路徑
        img_scale=(1333, 800),                                             # 輸入圖像尺寸，最大邊1333，最小邊800
        img_norm_cfg=img_norm_cfg,                                         # 圖像初始化參數
        size_divisor=32,                                                   # 對圖像進行resize時的最小單位，32表示所有的圖像都會被resize成32的倍數
        flip_ratio=0.5,                                                    # 圖像的隨機左右翻轉的概率
        with_mask=False,                                                   # 訓練時附帶mask
        with_crowd=True,                                                   # 訓練時附帶difficult的樣本
        with_label=True),                                                  # 訓練時附帶label
    val=dict(
        type=dataset_type,                                                 # 同上
        ann_file=data_root + 'annotations/instances_val2017.json',         # 同上
        img_prefix=data_root + 'val2017/',                                 # 同上
        img_scale=(1333, 800),                                             # 同上
        img_norm_cfg=img_norm_cfg,                                         # 同上
        size_divisor=32,                                                   # 同上
        flip_ratio=0,                                                      # 同上
        with_mask=False,                                                   # 同上
        with_crowd=True,                                                   # 同上
        with_label=True),                                                  # 同上
    test=dict(
        type=dataset_type,                                                 # 同上
        ann_file=data_root + 'annotations/instances_val2017.json',         # 同上
        img_prefix=data_root + 'val2017/',                                 # 同上
        img_scale=(1333, 800),                                             # 同上
        img_norm_cfg=img_norm_cfg,                                         # 同上
        size_divisor=32,                                                   # 同上
        flip_ratio=0,                                                      # 同上
        with_mask=False,                                                   # 同上
        with_label=False,                                                  # 同上
        test_mode=True))                                                   # 同上
# optimizer
optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)   # 優化參數，lr爲學習率，momentum爲動量因子，weight_decay爲權重衰減因子
optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2))          # 梯度均衡參數
# learning policy
lr_config = dict(
    policy='step',                        # 優化策略
    warmup='linear',                      # 初始的學習率增加的策略，linear爲線性增加
    warmup_iters=500,                     # 在初始的500次迭代中學習率逐漸增加
    warmup_ratio=1.0 / 3,                 # 起始的學習率
    step=[8, 11])                         # 在第8和11個epoch時降低學習率
checkpoint_config = dict(interval=1)      # 每1個epoch存儲一次模型
# yapf:disable
log_config = dict(
    interval=50,                          # 每50個batch輸出一次信息
    hooks=[
        dict(type='TextLoggerHook'),      # 控制檯輸出信息的風格
        # dict(type='TensorboardLoggerHook')
    ])
# yapf:enable
# runtime settings
total_epochs = 12                               # 最大epoch數
dist_params = dict(backend='nccl')              # 分佈式參數
log_level = 'INFO'                              # 輸出信息的完整度級別
work_dir = './work_dirs/faster_rcnn_r50_fpn_1x' # log文件和模型文件存儲路徑
load_from = None                                # 加載模型的路徑，None表示從預訓練模型加載
resume_from = None                              # 恢復訓練模型的路徑
workflow = [('train', 1)]                       # 當前工作區名稱