mmdetection-mini

mmdetection的mini版本，主要包括一阶段目标检测器，结构和 mmdetection完全一致，系统通过从头构建整个框架来熟悉所有细节

0 蓝图

本仓库属于长期项目，计划分成n个阶段，每个阶段做啥事情我已经有打算了，目前还处于第一阶段：解读mmdet已经复现的算法。这个阶段主要是对mmdet已经复现的代码进行深度分析，每个算法都会有配套的详细论文和代码实现解读(后续会增加视频解读和汇总版解读文档)。故如果大家早当前阶段想利用本框架进行重新训练，最好还是直接用mmdet官方代码库，在后续阶段会重构训练逻辑代码，新增对比实验等等操作，请各位朋友不要着急！

1 为何而生

很多人可能有疑问：mmdetection那么好用，你为啥要自己又写一遍呢？没事干？ 其实不然，基于我目前的理解，出于以下几点原因：

• 学习目的 mmdetection无疑是非常优异的目标检测框架，但是其整个框架代码其实非常多。我希望通过从0构建整个 结构，来彻底熟悉整个框架，而不是仅仅熟悉算法部分。只有自己写一遍才能发现一些容易忽略的细节
• 方便注释 这一点，我相信很多人都碰到过。主要原因是mmdetection发展太快了，更新特别频繁，比如今天我拉了最新分支 加入了我的一些理解注释，过了两天，一更新就发现完全变了，此时再pull就出现很多冲突。天天解决这些冲突其实蛮累的。 所以我自己写一个mmdetection，然后加入注释，并且实时同步mmdetection到最新版，不仅可能清楚每次更新的 所有细节，还可以不影响注释
• 新特性方便增加 如果自己想实现一些mmdetection里面没有的新特性，就非常方便了。比如我要在debug模式下进行可视化分析， 如果直接加到mmdetection上面，会改动一些代码，一旦pull又有冲突。由于同步mmdetection过程是手动的，新增特征 也不会出现冲突

2 介绍

完全基于mmdetection框架结构,简称mmdet最简学习版，基于最简实现，第一原则就是简洁，不会加入一些乱七八糟的功能，一步一步构建一阶段目标检测器。 主要目的为在从0构建整个框架的基础上，掌握整个目标检测实现细节。 并且方便新增自己想要实现的部分。

由于只有一张显卡，故不支持分布式训练。

总结：本项目目的是学习,希望通过从0构建每一行代码，来熟悉每个部分，而且自己写的框架，后续我新增一些新特性也非常容易

更新可能是快时慢。在掌握每个细节后才会增加新代码，欢迎有兴趣的朋友共同学习，也欢迎提出意见。

3 提交日志

文档链接

4 已实现模型

• retinanet
• yolov3
• darknet-yolov3
• darknet-yolov4
• darknet-tiny_yolov3
• darknet-tiny_yolov4
• yolov5(s/m/l/x全部支持)
• fcos
• atss
• ghm
• gfl
• pisa
• paa
• faster rcnn
• cascade rcnn
• libra rcnn
• dynamic rcnn
• ssd
• vfnet
• guided anchoring
• sabl
• reppoints
• reppointsv2
• cornernet
• centripetalnet

5 模型仓库

文档链接

6 安装说明

可选安装流程： 文档链接

推荐安装流程： 考虑到很多人反映cuda无法编译成功，故本仓库将直接采用mmcv里面已经编译好的代码,新安装流程是：

1. 提前安装mmcv-full对应的最新版本,参考https://github.com/open-mmlab/mmdetection/blob/master/docs/get_started.md
2. 不再需要python setup.py develop

也就是说mmdet/cv_core/ops/csrc里面的代码是废弃的。我们目前采用的环境是 pytorch1.3+Python 3.6+CUDA10.1+MMCV1.1.5

7 统一数据集

由于coco训练集图片太多了，跑到论文效果需要非常多时间，而本框架目的主要目的是快速验证 思想和算法(代码和mmdetection一致，应该没有错误)，故对主要以voc为主：

• coco
• voc2012和voc2007
• wider face

8 使用说明

8.1 训练、测试和demo使用说明

开启训练过程和mmdetection完全一致，例如：

python train.py ../configs/retinanet/retinanet_r50_fpn_coco.py

开启测试过程和mmdetection完全一致，例如：

# 评估   
python test.py ../configs/retinanet/retinanet_r50_fpn_coco.py ../tools/work_dirs/retinanet_r50_fpn_coco/latest.pth --eval bbox
# 显示
python test.py ../configs/retinanet/retinanet_r50_fpn_coco.py ../tools/work_dirs/retinanet_r50_fpn_coco/latest.pth --show

开启demo过程和mmdetection完全一致，例如：

python image_demo.py demo.jpg ../configs/retinanet/retinanet_r50_fpn_coco.py ../tools/work_dirs/retinanet_r50_fpn_coco/latest.pth

8.2 darknet权重转化为mmdetection

转化脚本在tools/darknet里面

使用方法就是参考模型仓库文档里面的链接，将对应的权重下载下来，然后设置path就可以转化成功

例如tiny_yolov3权重：

1. 首先到https://github.com/AlexeyAB/darknet 对应的tiny_yolov3链接处下载对应权重

2. 打开tools/darknet/tiny_yolov3.py代码，修改tiny_yolov3_weights_path为你的下载的权重路径

3. 运行tiny_yolov3.py即可生成pth权重

4. 然后就可以直接训练或者测试了

8.3 yolov5权重转化为mmdetection

转化脚本在tools/darknet里面。以yolov5s为例

1. https://github.com/ultralytics/yolov5/releases/tag/v3.0 处下载yolo5s.pt或者直接运行convert_yolov5_weights_step1.py脚本，会自动下载
2. 运行convert_yolov5_weights_step1.py脚本，但是不好意思，你不能直接在我写的路径下运行，你需要将本脚本copy到yolov5工程目录下运行，并且必须pytorch版本大于等于1.6，原因是其保存的权重包括了picker对象，如果不放在相同路径下无法重新加载
3. 利用上一步所得权重，然后运行tools/darknet/convert_yolov5_weights_step2.py(在本框架中运行)，得到最终转化模型
4. 然后修改configs/yolo/rr_yolov5_416_coco.py对应的路径就可以进行前向测试或者mAP计算了

支持yolov5所有模型

9 mmdetection-mini独有特性

• loss分析工具 tools/loss_analyze.py
• anchor分析工具 tools/anchor_analyze.py
• 模型感受野自动计算工具 tools/receptive_analyze.py
• 前向推理时间分析工具 tools/inference_analyze.py
• 特征图可视化工具tools/featuremap_analyze
• darknet权重和mmdetection模型相互转化工具 tools/darknet
• 数据分析工具(hw ratio/hw scale/anchor kmean)tools/dataset_analyze
• 正样本可视化，需要开启debug模式
• 支持darknet系列模型权重在mmdetection中训练，目前支持4个主流模型yolov3/v4和tiny-yolov3/v4
• coco数据可视化工具，包括显示所有label和仅仅显示gt bbox格式，显示效果极佳(即使是voc数据，也推荐先转化为coco)
• 支持任意数据格式转coco类CocoCreator
• yolov5转化工具tools/darknet/convert_yolov5_weights_step2.py

10 mmdetection-mini工具汇总

• voc2coco工具 tools/convert/voc2coco
• 数据浏览工具 tools/browse_dataset

笔记(持续更新)

第一篇：mmdetection最小复刻版(一)：整体概览
或者 知乎文章
第二篇：mmdetection最小复刻版(二)：RetinaNet和YoloV3分析
或者 知乎文章
第三篇：mmdetection最小复刻版(三)：神兵利器
或者 知乎文章
第四篇：mmdetection最小复刻版(四)：独家yolo转化内幕
或者 知乎文章
第五篇：mmdetection最小复刻版(五)：yolov5转化内幕
或者 知乎文章
第六篇：mmdetection最小复刻版(六)：FCOS深入可视化分析
或者 知乎文章
第七篇：mmdetection最小复刻版(七)：anchor-base和anchor-free差异分析
或者 知乎文章
第八篇：mmdetection最小复刻版(八)：梯度均衡机制GHM深入分析
或者 知乎文章
第九篇：mmdetection最小复刻版(九)：广义FocalLoss深入分析
或者 知乎文章
第十篇：mmdetection最小复刻版(十)：mAP和PISA深入分析
第十一篇：mmdetection最小复刻版(十一)：概率Anchor分配机制PAA深入分析
第十二篇：mmdetection最小复刻版(十二)：Faster RCNN深入分析
第十三篇：mmdetection最小复刻版(十三)：超强cascade rcnn算法分析
第十四篇：mmdetection最小复刻版(十四)：检测器不平衡处理Libra rcnn
第十五篇：mmdetection最小复刻版(十五)：two-stage动态版本dynamic rcnn
或者 知乎文章
第十六篇：mmdetection最小复刻版(十六)：iou感知VarifocalNet深入分析
或者 知乎文章
第十七篇：mmdetection最小复刻版(十七)：语义导向anchor生成
第十八篇：mmdetection最小复刻版(十八)：Side-Aware边界框定位
第十九篇：mmdetection最小复刻版(十九)：点集表示法RepPoints
第二十篇：mmdetection最小复刻版(二十)：加入验证任务的RepPointsV2
第二十一篇：mmdetection最小复刻版(二十一)：关键点检测思路CornerNet分析
第二十二篇：mmdetection最小复刻版(二十二)：引入向心力解决CornerNet虚检问题

3W字长文带你轻松入门视觉transformer

other

1. 目标检测通用算法流程
2. yolov1深入解读
3. ssd深入解读
4. yolov2深入解读
5. yolov3深入解读
6. retinanet深入解读
7. rpn深度解读
8. faster rcnn深入解读
9. fpn深入解读
10. mask rcnn深入解读
11. cascade rcnn深入解读
12. fcos深入解读

​