buddhisant/generalized_focal_loss

generalized focal loss的pytorch实现

generalized_focal_loss

generalized_focal_loss的pytorch实现，支持多卡分布式训练 在实现过程中参考了maskrcnn_benchmark和mmdetection。

支持多卡分布式训练

更多目标检测代码请参见友好型的object detection代码实现和论文解读 汇总

backbone网络基于resnet50

请确保已经安装pycocotools以及1.1.0版本以上的pytorch

性能

	map	推理速度
本文	40.1	21.11
mmdetection对应配置	40.2	19.5

推理速度在rtx2080ti上测得

使用方法：

• git clone https://github.com/buddhisant/generalized_focal_loss.git
• cd generalized_focal_loss
• mkdir pretrained
• cd pretrained
• wget https://download.pytorch.org/models/resnet50-19c8e357.pth -O resnet50_pytorch.pth
• wget https://download.pytorch.org/models/resnet101-5d3b4d8f.pth -O resnet101_pytorch.pth
• cd ..
• mkdir data
• cd data
• mkdir coco
• cd ../..
• python setup.py build_ext develop

将coco数据集放在./data/coco下面

训练

如果你的设备有多个显卡，请使用分布式训练，例如你的设备有2个显卡，请采用命令

• python -m torch.distributed.launch --nproc_per_node=2 --master_port=$((RANDOM+10000)) train.py --dist

这里的dist表示采用分布式训练

如果你想从第5个epoch开始训练，请采用命令

• python -m torch.distributed.launch --nproc_per_node=2 --master_port=$((RANDOM+10000)) train.py --dist --start_epoch=5

当然，前提是存在第4个epoch对应的checkpoint文件

如果你的设备只有一个显卡，请采用普通的训练，请采用命令

• python train.py

测试

测试只支持单卡,请采用命令

• python test.py

当你不再使用该程序时

可以使用如下命令，恢复你的python环境

• pip uninstall cuda-tools -y

如有技术问题可联系qq 1401997998