yolov3 for rubbish detection
Network Architecture: yolo-v3 = (darknet53 + FPN + yolo-head)
Training strategy: warm-up, cosine learning rate decay, Multi-scale training， SGD optimizer
Loss: GIOU, iou_net (obj损失以GIOU值为标记)
Data Argumentation: mosica, flip, hsv_augmentation, random_affine
NMS： Merge-NMS
a. spp (spatial pyramid pooling)
b. kmeans algorithm for clustering anchors.
c. stitcher augmentation
d. multi scale testing.
a. 常用正则化方法，通过分析网络有很严重的过拟合, 但常用的解决过拟合方法并没有效果如：dropblock, L1&L2 regulization, label smoothing.
b. 小物体检测mAP的值要明显低于其他尺度的mAP. 在计算损失时，通过损失加权，增大小物体的损失 (2 - w * h) 没效果。
c. 某些类的mAP值要普遍比其他类低很多，我们通过mAP的值对样本采样进行重加权, 没效果。通过增加每个类的数据，提升较少。
d. focal loss, 没提升，网络很难收敛
a. 在训练集上过拟合
b. 某些类 mAP 比较差
c. 小物体 mAP 普遍比较差
d. 数据集中存在遮挡的问题
a. 将损失使用传统 YOLO-v3 的形式实现。在其中添加 IOU-Net 分支
b. TSD (SenseTime 1st place) 在网络中将框预测和类别预测进行解耦
c. 改进 NMS 和 Testing
command: 默认模型使用 spatial pyramid pooling 结构和 stitcher 数据增广。训练集验证集分为9:1的比例。模型以及训练参数会保存在文件夹 baseline-stitcher (save) 参数下。
python3 train.py --cfg cfg/yolov3-spp-44.cfg --data data/rubbish.data --weights weights/yolov3-sppu.pt --batch-size 16 --epochs 120 --save baseline-stitcher
其他训练参数可以参考train.py文件中的参数设置部分:
parser.add_argument('--reg-ratio', type=float, default=0.0, help='reg_ratio for L1&L2 regulization to weights')
parser.add_argument('--ssd-aug', action='store_true', help='use ssd augmentation or not')
parser.add_argument('--image-weights', action='store_true', help='use image_weights or not')
parser.add_argument('--smooth-ratio', type=float, default=0.0, help='label smooth ratio for cls bceloss')
parser.add_argument('--lbox-weight', action='store_true', help='weight box loss by size of gt-box or not')
command:
python3 test.py --cfg trained_models/baseline-stitcher/yolov3-spp-44.cfg --data data/rubbish.data --weights trained_models/baseline-stitcher/best.pt --batch-size 8
command:
python gen_submit_dir.py -m trained_models/baseline-stitcher -s submit/baseline-stitcher
然后将submit/baseline-stitcher下生成的model文件夹上传到 华为云的obs云储存中
cd submit/baseline-stitcher
obsutil cp -r -f model/ obs://hellopytorch/baseline-stithcer
最后部署到modelart中，提交即可。
Reference