yolov3-pytorch-custom

yolov3 for rubbish detection

1. 比赛总结

1.0. Baseline

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

1.1. 在该数据上 work 的调参技巧

a. spp (spatial pyramid pooling)

b. kmeans algorithm for clustering anchors.

c. stitcher augmentation

d. multi scale testing.

1.2. 该 work 却不 work 的技巧 ---没尽力调

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

1.3. 目前模型存在的问题

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

1.4. 未来想尝试的技巧

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

2. 代码说明

2.1. Training

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')

2.2. Testing

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

2.3. Submit

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

Crowdhuman人体检测比赛第一名经验总结

CVPR 2020丨​商汤TSD目标检测算法获得Open Images冠军

目标检测比赛中的tricks（已更新更多代码解析）

Stithcer Augmentation

Imbalance Problems in Object Detection: A Review