数据文件准备

数据集已挂载至aistudio项目中，如果需要本地训练可以从这里下载数据集，项目已同步至AIStudio

工程目录大致如下，可根据实际情况修改

home/aistudio
|-- coco(dataset)
|   |-- annotions
|       |-- instances_train2017.json
|       |-- instances_val2017.json
|   |-- train2017
|   |-- val2017
|   |-- test2017
|-- EfficientDet(repo)

训练

单卡训练

python train.py -c 0 -p coco --batch_size 8 --lr 1e-5

-c X表明efficientdet-dX

验证

确保已安装pycocotools和webcolors

pip install pycocotools webcolors

python coco_eval.py -p coco -c 0

你需要将权重文件下载至weights文件夹下，或者使用-w手动指定权重路径

验证结果如下所示

所有完整验证结果可在EfficientDet/benchmark/coco_eval_result.txt下查看

coefficient	pth_download	GPU Mem(MB)	mAP 0.5:0.95(this repo)	mAP 0.5:0.95(official)
D0	efficientdet-d0.pdparams	1049	33.1	33.8
D1	efficientdet-d1.pdparams	1159	38.8	39.6
D2	efficientdet-d2.pdparams	1321	42.1	43.0
D3	efficientdet-d3.pdparams	1647	45.6	45.8
D4	efficientdet-d4.pdparams	1903	48.5	49.4
D5	efficientdet-d5.pdparams	2255	50.0	50.7
D6	efficientdet-d6.pdparams	2985	50.7	51.7
D7	efficientdet-d7.pdparams	3819	52.6	53.7
D7X	efficientdet-d8.pdparams	3819	53.8	55.1

推理

python efficientdet_test.py

注意到你需要手动更改中第17行compound_coef = 8来指定efficientdet-dX

部分模型推理结果如下所示

python efficientdet_test_videos.py

以efficientdet-d0为例，测试效果如下

TODO

• 多卡训练(Coming soon)
• EfficientNet Pretrained Weights(Coming soon)

GitHub地址

关于作者

姓名	郭权浩
学校	电子科技大学研2020级
研究方向	计算机视觉
BLOG主页	DeepHao的 blog 主页
GitHub主页	DeepHao的 github 主页
如有错误，请及时留言纠正，非常蟹蟹！
后续会有更多论文复现系列推出，欢迎大家有问题留言交流学习，共同进步成长！