YOLACT

其实并不是完美复刻，只能说大部分情况跟随了原仓库。

更新日记

2020/04/22:初次见面

需要补充

从ImageNet预训练的resnet50dcn开始训练

概述

mask AP为30.5。飞桨论文复现挑战赛参赛作品。

官方权重转换

1_pytorch2paddle.py将yolact作者的pytorch模型转换为paddlepaddle模型。（地址https://github.com/dbolya/yolact）再对转换好的模型finetune，减少训练时间。唯一import torch的地方。这个脚本在本地windows上跑，再把pretrained_resnet50dcn模型上传到AIStudio。如果不允许，请从头训练。

模型下载

30.5 mask AP：链接：https://pan.baidu.com/s/12jRS1satM_OoJ-dSMatC5Q 提取码：z58d

训练

train.py用于训练有两种训练模型。0-从头训练，1-读取模型继续训练。通过指定--pattern参数指定。如果你要从头训练，键入下面命令：

nohup python train.py --initial_step=0 --conf_loss=ce_loss --pattern=0>> train.txt 2>&1 &

如果你从转换后的pretrained_resnet50dcn模型训练，键入下面命令：

nohup python train.py --initial_step=800000 --steps=830000 --conf_loss=ce_loss --pattern=1 --model_path=./pretrained_resnet50dcn>> train.txt 2>&1 &

我试过，训练30000步之后就能达到30% mAP以上。

如果想接着从上次训练后的模型（比如是step1066300-ep073-loss5.715.pd）继续训练，键入下面命令：

nohup python train.py --initial_step=1066300 --steps=1230000 --conf_loss=ce_loss --pattern=1 --model_path=./weights/step1066300-ep073-loss5.715.pd>> train.txt 2>&1 &

评估

test_dev.py用于跑COCO test-dev的图片，最后会生成一个json文件 results/detections_test-dev2017_yolactplus_results.json 提交到 https://competitions.codalab.org/competitions/20796#participate 进行评分。

eval.py用于计算val2017的mAP

预测

demo.py用于预测images/test/下的图片，结果保存在images/res/目录下。一些参数（model_path、backbone_name、obj_threshold、nms_threshold等）在代码中改。

传送门

cv算法交流q群：645796480 但是关于仓库的疑问尽量在Issues上提，避免重复解答。

广告位招租

可联系微信wer186259

Citation

@inproceedings{yolact-iccv2019,
  author    = {Daniel Bolya and Chong Zhou and Fanyi Xiao and Yong Jae Lee},
  title     = {YOLACT: {Real-time} Instance Segmentation},
  booktitle = {ICCV},
  year      = {2019},
}

@misc{yolact-plus-arxiv2019,
  title         = {YOLACT++: Better Real-time Instance Segmentation},
  author        = {Daniel Bolya and Chong Zhou and Fanyi Xiao and Yong Jae Lee},
  year          = {2019},
  eprint        = {1912.06218},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CV}
}

miemie2013/PaddlePaddle_yolact