[PYTHON] Implémentation de retina net sur CentOS

environnement

• python 3.7.7
• CUDA 10.0.130
• gcc 7.3.0

​

Environnement

git clone https://github.com/tensorflow/tpu.git
sudo apt-get install -y python-tk
pip install tensorflow-gpu==1.15
pip install --user Cython matplotlib opencv-python-headless pyyaml Pillow
pip install 'git+https://github.com/cocodataset/cocoapi#egg=pycocotools&subdirectory=PythonAPI'

​

Inférence avec le modèle entraîné

1. Téléchargez n'importe quel modèle https://github.com/tensorflow/tpu/blob/master/models/official/detection/MODEL_ZOO.md

2. Effectuer une inférence

• Exemple de coco_label_map.csv

  1:person
  2:bicycle
  3:car

category_id: sous la forme de category Si vous souhaitez changer de classe, créez un fichier csv selon le format ci-dessus

• Code d'exécution

  python ~/tpu/models/official/detection/inference.py \
    --model="retinanet" \
    --image_size=640\
    --checkpoint_path="./detection_retinanet_50/model.  ckpt" \
    --label_map_file="./retinanet/tpu/models/official/  detection/datasets/coco_label_map.csv" \
    --image_file_pattern="path/to/input/file" \
    --output_html="path/to/output/file" \
    --max_boxes_to_draw=10 \
    --min_score_threshold=0.05

• Sortie au format html.
• Git officiel ne peut déduire qu'avec des images.

​

3. Apprenez avec les données originales

1. Téléchargez les données entraînées https://github.com/tensorflow/tpu/blob/master/models/official/detection/MODEL_ZOO.md ​
2. Créer des données d'entrée

• L'entrée est supposée être au format tfrecorfd.
• Préparez le jeu de données au format coco (image + * .json)
• Convertir au format tfrecord avec le programme suivant ​

  #!/bin/bash
​
  TRAIN_IMAGE_DIR="path/to/train/images/dir"
  TRAIN_OBJ_ANNOTATIONS_FILE="path/to/train/file"
  OUTPUT_DIR="path/to/output/dir"
  VAL_IMAGE_DIR="path/to/test/images/dir"
  VAL_OBJ_ANNOTATIONS_FILE="path/to/test/images/dir"
​
  function create_train_dataset(){
    python3 create_coco_tf_record.py \
      --logtostderr \
      --include_masks \
      --image_dir="${TRAIN_IMAGE_DIR}" \
      --object_annotations_file="$  {TRAIN_OBJ_ANNOTATIONS_FILE}" \
      --output_file_prefix="${OUTPUT_DIR}/train" \
      --num_shards=256
  }
  function create_val_dataset() {
    SCRIPT_DIR=$(dirname "$(readlink -f "$0")")
    PYTHONPATH="tf-models:tf-models/research"
    python3 $SCRIPT_DIR/create_coco_tf_record.py \
      --logtostderr \
      --include_masks \
      --image_dir="${VAL_IMAGE_DIR}" \
      --object_annotations_file="$  {VAL_OBJ_ANNOTATIONS_FILE}" \
      --output_file_prefix="${OUTPUT_DIR}/val" \
      --num_shards=32
  }
​
  create_train_dataset
  create_val_dataset

​ 3. Effectuer l'apprentissage

  MODEL_DIR="<path to the directory to store model files>"
  TRAIN_FILE_PATTERN="<path to the TFRecord training data>"
  EVAL_FILE_PATTERN="<path to the TFRecord validation data>"
  VAL_JSON_FILE="<path to the validation annotation JSON file>"
  RESNET_CHECKPOINT="<path to trained model>"
  python ~/tpu/models/official/detection/main.py \
    --model="retinanet" \
    --model_dir="${MODEL_DIR?}" \
    --mode=train \
    --eval_after_training=True \
    --use_tpu=False \
    --params_override="{train: { checkpoint: { path: ${RESNET_CHECKPOINT?}, prefix: resnet50/ }, train_file_pattern: ${TRAIN_FILE_PATTERN?} }, eval: { val_json_file: ${VAL_JSON_FILE?}, eval_file_pattern: ${EVAL_FILE_PATTERN?} }}"

• Vous pouvez saisir le temps d'exécution à partir du journal au moment de l'exécution de l'apprentissage

  INFO:tensorflow:examples/sec: 0.622754
  INFO:tensorflow:global_step/sec: 0.078258

​

4. Raisonnement

1. Exécutez ​

  python ~/tpu/models/official/detection/inference.py \
      --model="retinanet" \
      --image_size=640\
      --checkpoint_path="path/to/input" \
      --label_map_file="path/to/label" \
      --image_file_pattern="path/to/input/file" \
      --output_html="path/to/output/file" \
      --max_boxes_to_draw=10 \
      --min_score_threshold=0.05

--Modèle avant l'entraînement avec les données originales (Les résultats d'inférence seront téléchargés) ​ --Modèle après la formation (Les résultats d'inférence seront téléchargés)

5. Évaluation

1. Exécutez

• config_file utilise la sortie params.yaml pendant l'entraînement

  python ${RETINA_ROOT}/evaluate_model.py\
    --model="retinanet"\
    --checkpoint_path="path/to/imput/file"\
    --config_file="${CONFIG_PATH}"\
    --params_override="${PARAMS_PATH}"\ 
    --dump_predictions_only = True\
    --predictions_path="path/to/output/file"

​ ​

Bonus: comparaison des performances

Comme c'est un gros problème, je l'ai comparé à d'autres modèles construits dans le passé. Tous étaient de taille 8 et ont été formés et évalués à l'aide de l'ensemble de données d'origine.

Vitesse d'apprentissage

Comparez le temps moyen passé sur 100 itérations.

précision

Comparez la précision de l'AP et le résultat de l'inférence au moment de 2000 itérations.