retinanet代码,retinanet网络结构详解

　　运行retinaNet代码pytorch的过程和那些坑写在前面。1.本文记录了作为初学者(或者什么都没有)复制yhenon的pytorch-retinaNet代码的全过程，以及遇到的各种问题。文中引用了大量别人的博客或文章，并给出了详细的网址，供评论和学习参考。

　　2.到目前为止，对于retinaNet，我个人觉得是对我的理解最有帮助的文章：

　　网站：https://blog.csdn.net/qq_43284847/article/details/98472472

　　3.后期可能会有一些更新。请查看以下网址：https://www.yuque.com/yanyu-thlhi/en60s1/nyyi2f

　　一、复制步骤第一步：下载源代码下载retinaNet代码。网站地址如下：https://github.com/yhenon/pytorch-retinanet

　　下载后放在一个项目里。

　　第二步：下载包(默认情况下在新环境中执行以下命令)1 .建立新的环境。首先，在anaconda的控制台下建立一个新环境：

　　输入命令创建新环境。

　　Conda env list #查看现有环境Conda create-name your_env_name #创建一个名为your_env_name的新环境#输入创建的新环境conda deactivate #退出环境conda命令，从以下URL开始安装anaconda:https://www.jianshu.com/p/742dc4d8f4c5.

　　2.安装pytorch方法1:在上述环境中输入命令：

　　a cond install pytorch vision cuda toolkit=10.1-c py torch注：(1)此命令来自py torch官网，其官网地址为https://pytorch.org/get-started/locally/.

　　(2)第一次正常安装会比较慢。安装过程请参考以下文章：地址：https://www.yuque.com/yanyu-thlhi/aro3o2/xw9rwr.

　　3.安装其他包方法一：在pycharm中点击(代码旁边红色错误警告：一盏灯的形状)可以直接下载安装。

　　稳定流：在控制台(anaconda可以进入环境或者pycharm下的终端)，通过

　　Pip包名#或conda安装包名4。安装coco数据集的包(这是个坑)。这个的安装花了很长时间。

　　注意：pip安装和conda安装都失败了。据我们了解，是这个数据集的作者明确表示不会开放windows的使用。但是也有人在git上写了windows的应用，网址如下：https://github.com/philferriere/cocoapi,如何使用在这个下面有描述，但是我尝试了上面的方法都失败了(不过不一定会失败，我的一些同学也尝试过，按照git给的方法直接安装就可以成功)，我在网上尝试了很多方法，都失败了，但是有一种是可能的。URL如下：http://www.mamicode.com/info-detail-2660241.html.下面给出了可能的解决方案。#git独创的在线安装方法(要求windows已经安装了visual c build工具，#但是我连安装都不会，可以先试一下命令吗？)pip安装githttps://github.com/philferriere/cocoapi.git #子目录=pythonapi #我的解决方案#(1)直接从URL下载coco文件放入项目文件夹，或者使用以下命令：#最好在pycharm的终端输入，目的是使项目文件中的文件Git克隆https://github.com/pdollar/coco.git CD Coco/Python API #(2)控制台操作：Python setup . py build _ ext-in place Python setup . py build _ ext安装在控制台第一个名字执行后可能出现错误，使用以下方法：如果报错，如果是cl:命令行错误D8021:无效数值参数"/Wno-cpp "和cl:命令行错误D8021:无效数值参数"/Wno-unused-function "，不用担心，打开上面的setup.py文件直接删除这两个参数即可：

　　然后根据上面两条命令运行它。安装完成后，您可以再次添加删除的代码。

　　第三步：下载coco Dataset coco Dataset的官方链接可以直接使用，但是用chrome下载的时候网速几乎为零，根本不动。但是，coco数据集非常大。后来找到了解决办法，用迅雷下载，这样基本上就可以正常网速下载了。以下是Coco数据集2017的链接：

　　(1)火车2017:http://images.cocodataset.org/s搞怪睫毛膏PS/火车2017。古怪的睫毛膏p。

　　(2)Val 2017:http://images.cocodataset.org/s滑稽睫毛膏ps/val2017。搞笑睫毛膏p。

　　(3)2017年测试：http://images.cocodataset.org/s滑稽睫毛膏ps/test2017。搞笑睫毛膏p。

　　(4)2017年列车运行期：http://images.cocodataset.org/annotations/annotations _ 2017年列车运行期。滑稽睫毛膏p

　　(5)Trainval 2017:http://images.cocodataset.org/annotations/stuff _注解_ trainval 2017。滑稽睫毛膏P

　　(6)图片_信息_测试2017:http://images.cocodataset.org/annotations/image _信息_测试2017。滑稽睫毛膏P

　　下载，解压，放入coco文件夹。

　　第四步：按照git给出的方式运行训练coco数据集的命令。在pycharm终端下运行以下命令：

　　python train . py-dataset coco-coco _ path.可可-深度50 1。错误：ImportError:无法从“pil”导入名称“pill _ version”(e:\ Anaconda \ lib \ site-packages \ pil _ init _。py)

　　原因：torchvision在运行时调用PIL模块的PILLOW_VERSION函数。但是Pillow 7.0.0之后的PILLOW_VERSION版本已经被移除，Pillow 7.0.0之后的版本使用__version__函数，而不是PILLOW_VERSION函数。解决方法：打开最后一个文件链接，定位错误，用__version__函数替换PILLOW_VERSION函数。网站：https://blog.csdn.net/Lee_lg/article/details/103901632

　　2.Modulenotfounderror:没有名为“pycocotools”的模块(在实际安装的情况下)解决方案：重新安装。

　　3.正在下载。pth文件太慢地址：https://download.pytorch.org/models/resnet50-19c8e357.pth

　　解决方法：用迅雷按照网址下载，然后放在train的同名文件夹里。4.路径不存在：E:\ py-learn \ py torch-retina net \ coco \ images \ Train2017原因：数据集train 2017直接放在coco目录中。解决方案：只需更正目录。5.错误：断管错误：[errno32]断管参考网站：https://blog.csdn.net/qq_33666011/article/details/81873217

　　原因：该问题是windows中多线程导致的，与DataLoader类相关的解决方案：调用torch.utils.data.DataLoader()函数时修改num_workers参数，将num_works参数修改为0，只启用一个主进程加载数据集，避免windows中的多线程。注意：将num_works设置为0可能对速度有很大影响，建议尽量设置小一些。6.提示：CUDA内存不足可能导致：batch的值较大。解决方法：将batch的值设置的小一些，但是当batch更小时，会影响迭代和io，从而影响整体速度(并且影响很大)。2.代码分析。1.获取数据集，transform()函数和rrsizer()、augmenter()、normalizer()，其中transform:Python中的图像数据读入numpy数组，一般是NC hanns x h x w，常规的做法是使用Dataset中的Transform对数据进行变换，输出torch类型的数组。

　　在目标检测中，通常对图像进行缩放以满足某些要求。详情请参考之前的博客。也就是实现一个Resizer()的类进行变换。此外，图像通常是标准化的和水平变换的。所以在实现Dataset的时候要实现三个转换：Resizer()、Normalizer()和Augmenter()。

　　详情请见网站：滑稽睫毛膏-王/p/9972102.html

　　2.DataLoader()和AspectRatioBasedSampler()

　　AspectRatioBasedSampler()函数：位于dataloader.py文件中：

　　该函数的目的是将batch_sample参数传递给DataLoad()函数，因此在下面的DataLoader()函数中引入了它的内部参数。

　　采样器(采样器，可选):定制从数据集中采样的策略。如果指定了此参数，shuffle必须为False。

　　Batch_sampler(sampler，可选):类似于Sampler，但是一次只返回一个批次的索引(indexes)。应该注意，一旦指定了这个参数，就不能再公式化batch _ size、shuffle、sampler、drop _ last(互斥，3354)

　　DataLoad()函数：首先简单介绍一下DataLoader，它是PyTorch中读取数据的重要接口。这个接口是在dataloader.py中定义的，基本上只要模型经过PyTorch训练就会用到(除非用户重写……)。该接口的目的是根据批量大小、shuffle等将用户定义的数据集打包成批量大小的张量。为了以后的训练。

　　官方DataLoader的解释是：“数据加载由数据集和采样器组成，基于python的单进程和多进程迭代器处理数据。”请参考迭代器和迭代器的区别和概念。实现上的区别是迭代器有_ _ iterator _ _和__next__方法，而迭代器只有_ _ iterator _ _方法。

　　DataLoad()的参数介绍：dataset(数据集):传入数据集batch_size(int，可选):每批有多少个样本shuffle(bool，可选):在每个历元的开始，重新排序数据采样器(sampler，可选):自定义从数据集中采样样本的策略。如果指定了这个参数，那么shuffle必须是false batch _ sampler (sampler，可选):类似于sampler，但是一次只返回一个批次的索引(indexes)。需要注意的是，一旦指定了这个参数，那么batch _ size，shuffle，sampler，drop _ last就不能再公式化了(互斥，——) num _ workers (int，可选):这个参数决定了有几个处理数据加载的进程。0表示所有数据都将被加载到主进程中。(默认值为0) collate_fn(可调用，可选):pin_memory (bool，可选)，一个将一个列表的样本合并成一个小批量的函数：如果设置为True，那么数据加载器会在之前返回它们，将张量复制到CUDA中的固定内存(CUDA pinned memory)中。drop_last (bool，可选):如果设置为True:这是最后一个未完成的批处理。例如，您的batch_size设置为64，一个epoch中只有100个样本。然后最后的36个会在训练的时候扔掉…如果为False(默认)，会继续正常执行，但是最后的batch_size会小一些。超时(数字，可选):如果为正数，则表示等待从工作进程中收集批处理的时间。如果超过设定的时间还没有收集，则不会收集该内容。该数值应始终大于或等于0。默认值为0 worker _ init _ fn(可调用，可选):如果不是none，则在查找之后和数据加载之前，将在每个worker子进程上调用该值，并将worker id(一个int in [0，Num _ workers-1])作为输入。(默认值：无)详情请参考https://www.cnblogs.com/ranjiewen/p/10128046.html.

　　注意：训练神经网络的三个基本概念：历元、批处理、迭代。网站：https://zhuanlan.zhihu.com/p/29409502

　　焦点：https://blog.csdn.net/qq_39521554/article/details/84480429

　　3.3.retinaNet包下的model.resnet

　　三。模型1.retinaNet模型图

　　第一步：resnet模型，减少网络深度增加带来的梯度消失的负面影响。

　　第二步：FPN模型，整合不同的维度特征。

　　步骤3:子网划分、分类和回归以获得一系列锚点。

　　第四步：焦点丢失，分析错误，减少“极度不平衡类别”的负面影响。有待完善。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。