FreeAnchor

用于 "FreeAnchor: 学习为视觉目标检测匹配锚框" 的代码。

本仓库基于 maskrcnn-benchmark，同时 FreeAnchor 也已在 mmdetection 中实现，感谢 @yhcao6 和 @hellock。

COCO 数据集上的新性能

我们增加了多尺度测试支持并更新了实验结果。之前的版本请参见 此分支。

主干网络	迭代次数	训练尺度	多尺度 测试	AP (minival)	AP (test-dev)	模型
ResNet-50-FPN	90k	800	否	38.7	38.7	链接
ResNet-101-FPN	90k	800	否	40.5	40.9	链接
ResNet-101-FPN	180k	[640, 800]	否	42.7	43.1	链接
ResNet-101-FPN	180k	[480, 960]	否	43.2	43.9	链接
ResNet-101-FPN	180k	[480, 960]	是	44.7	45.2	链接
ResNeXt-64x4d-101-FPN	180k	[640, 800]	否	44.5	44.9	链接
ResNeXt-64x4d-101-FPN	180k	[480, 960]	否	45.6	46.0	链接
ResNeXt-64x4d-101-FPN	180k	[480, 960]	是	46.8	47.3	链接

注：

• 我们使用 8 张 GPU 卡，每张卡处理 2 张图像。
• 在多尺度测试中，我们使用 {480, 640, 800, 960, 1120, 1280} 的图像尺度，且最大尺寸是尺度的 1.666 倍。

安装

请查看 INSTALL.md 获取安装说明。

使用方法

您需要下载 COCO 数据集，并配置您自己的数据集路径。

为此，只需修改 maskrcnn_benchmark/config/paths_catalog.py 文件，使其指向您的数据集存储位置。

配置文件

我们在 configs 目录中提供了四份配置文件。

配置文件	主干网络	迭代次数	训练尺度
configs/free_anchor_R-50-FPN_1x.yaml	ResNet-50-FPN	90k	800
configs/free_anchor_R-101-FPN_1x.yaml	ResNet-101-FPN	90k	800
configs/free_anchor_R-101-FPN_j2x.yaml	ResNet-101-FPN	180k	[640, 800]
configs/free_anchor_X-101-FPN_j2x.yaml	ResNeXt-64x4d-101-FPN	180k	[640, 800]
configs/free_anchor_R-101-FPN_e2x.yaml	ResNet-101-FPN	180k	[480, 960]
configs/free_anchor_X-101-FPN_e2x.yaml	ResNeXt-64x4d-101-FPN	180k	[480, 960]

使用 8 张 GPU 卡进行训练

cd path_to_free_anchor
export NGPUS=8
python -m torch.distributed.launch --nproc_per_node=$NGPUS tools/train_net.py --config-file "path/to/config/file.yaml"

在 COCO test-dev 上进行测试

cd path_to_free_anchor
python -m torch.distributed.launch --nproc_per_node=$NGPUS tools/test_net.py --config-file "path/to/config/file.yaml" MODEL.WEIGHT "path/to/.pth file" DATASETS.TEST "('coco_test-dev',)"

多尺度测试

cd path_to_free_anchor
python -m torch.distributed.launch --nproc_per_node=$NGPUS tools/multi_scale_test.py --config-file "path/to/config/file.yaml" MODEL.WEIGHT "path/to/.pth file" DATASETS.TEST "('coco_test-dev',)"

评估 NMS 召回率

cd path_to_free_anchor
python -m torch.distributed.launch --nproc_per_node=$NGPUS tools/eval_NR.py --config-file "path/to/config/file.yaml" MODEL.WEIGHT "path/to/.pth file"

引用

如果本项目对您的研究有所帮助，请在您的出版物中引用我们的论文。

@inproceedings{zhang2019freeanchor,
  title   =  {{FreeAnchor}: Learning to Match Anchors for Visual Object Detection},
  author  =  {Zhang, Xiaosong and Wan, Fang and Liu, Chang and Ji, Rongrong and Ye, Qixiang},
  booktitle =  {Neural Information Processing Systems},
  year    =  {2019}
}

FreeAnchor 快速上手指南

FreeAnchor 是一种用于视觉目标检测的锚框匹配学习算法，基于 maskrcnn-benchmark 框架实现。本指南将帮助你快速在本地环境中部署并运行该模型。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 16.04/18.04)
• Python: 3.6 或更高版本
• PyTorch: 1.0+ (需与 CUDA 版本匹配)
• CUDA: 9.0 或更高版本 (用于 GPU 加速)
• 前置依赖:
  • torchvision
  • cocoapi (COCO 数据集接口)
  • yacs
  • opencv-python

提示：国内用户建议使用清华源或阿里源加速 Python 包的安装，例如： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

本项目基于 maskrcnn-benchmark，请按照以下步骤进行安装：

1. 克隆代码仓库

   git clone https://github.com/zhangxiaosong18/FreeAnchor.git
   cd FreeAnchor
   

2. 安装核心依赖 请参考项目根目录下的 INSTALL.md 文件执行具体的环境配置命令。通常包含安装 PyTorch、编译 CUDA 扩展以及安装 COCO API 等步骤。

   通用安装流程参考（具体请以 INSTALL.md 为准）：

   # 安装基础依赖
   pip install -r requirements.txt
   
   # 安装 COCO API
   git clone https://github.com/cocodataset/cocoapi.git
   cd cocoapi/PythonAPI
   python setup.py build_ext install
   cd ../../
   
   # 编译 maskrcnn_benchmark 扩展
   python setup.py build develop
   

3. 配置数据集路径 下载 COCO 数据集后，需要修改配置文件以指向你的数据存放位置。 编辑 maskrcnn_benchmark/config/paths_catalog.py 文件，将 DATA_DIR 或其他相关路径变量修改为你本地的数据集绝对路径。

基本使用

以下是最简单的训练和测试示例。假设你已准备好 8 张 GPU 卡（若显卡数量不同，请调整 NGPUS 变量）。

1. 模型训练

选择一个配置文件（例如使用 ResNet-50 骨干网络的配置），启动分布式训练：

cd path_to_free_anchor
export NGPUS=8
python -m torch.distributed.launch --nproc_per_node=$NGPUS tools/train_net.py --config-file "configs/free_anchor_R-50-FPN_1x.yaml"

• 配置文件说明：
  • configs/free_anchor_R-50-FPN_1x.yaml: ResNet-50, 90k 迭代
  • configs/free_anchor_R-101-FPN_1x.yaml: ResNet-101, 90k 迭代
  • configs/free_anchor_R-101-FPN_j2x.yaml: ResNet-101, 180k 迭代，多尺度训练 [640, 800]

2. 模型测试

训练完成后，使用生成的权重文件在 COCO test-dev 集上进行评估：

cd path_to_free_anchor
python -m torch.distributed.launch --nproc_per_node=$NGPUS tools/test_net.py --config-file "configs/free_anchor_R-50-FPN_1x.yaml" MODEL.WEIGHT "path/to/your_model.pth" DATASETS.TEST "('coco_test-dev',)"

3. 多尺度测试（可选）

为了获得更高的检测精度（AP），可以启用多尺度测试：

cd path_to_free_anchor
python -m torch.distributed.launch --nproc_per_node=$NGPUS tools/multi_scale_test.py --config-file "configs/free_anchor_R-50-FPN_1x.yaml" MODEL.WEIGHT "path/to/your_model.pth" DATASETS.TEST "('coco_test-dev',)"

注意：多尺度测试默认使用的图像尺度集合为 {480, 640, 800, 960, 1120, 1280}。