MobileNetV3 SSD的简洁版本
希望尝试新技术请到这里 https://github.com/shaoshengsong/quarkdet 一个轻量级的目标检测包括多种模型
环境 Ubuntu18.04 版本 PyTorch 1.4
如果您想从头开始需要使用 mbv3_large.old.pth.tar 是backbone用来参数初始化的模型 有可能会历经坎坷
简便方式就是使用预训练模型 如果您要直接测试，模型改名为checkpoint_ssd300.pth.tar 模型下载地址 链接：https://pan.baidu.com/s/1BZz9X7w3xaopf1dKLkyMcA 提取码：gwwv
模型测试结果 mAP 0.679 (未在COCO数据集做预训练版本)
使用步骤 一 下载VOC数据集之后,将VOCtrainval_06-Nov-2007和VOCtest_06-Nov-2007合并在一起 Annotations/.xml JPEGImages/.jpg ImageSets/Main/test.txt ImageSets/Main/trainval.txt
数据集下载 可以看这里 https://blog.csdn.net/flyfish1986/article/details/95367745
二 先打开create_data_lists.py文件 改成自己数据集的路径
三 如果想使用mobilenetv3的预训练模型,打开mode.py 找到 def init_weights(self, pretrained=None):#"./mbv3_large.old.pth.tar" 替换成 def init_weights(self, pretrained="./mbv3_large.old.pth.tar"):
四 运行训练命令python train.py
五 测试mAP命令 python eval.py
以下是站在巨人肩膀上的那个人的肩膀上 hard negative mining和L2Norm没有封装,在代码里直白的编写
mmdetection版本测试结果没有达到官方所说的水平,而是mAP没有到0.5
关于提高mAP的做法
如果还想提高mAP怎么办
本repo没有在COCO数据集下训练,只训练了VOC0712数据集 如果想得到更高的mAP,可以尝试下先在COCO数据集下训练,这时候得到的模型作为预训练模型,然后在VOC0712数据集中微调,最后再在VOC2007下测试,看看是不是会得到大于0.619mAP的数
我使用第二版的部分源码做的PyTorch版的VGG-SSD,测试不同的学习率 如果按照常规做法,在训练达到某个epoch 原学习率* 0.1 , 在训练达到某个epoch 原学习率*0.01这样最终结果会得到比原论文还优秀的0.77x mAP,x代表一个很大的个位数. 如果单独采用余弦退火,mAP可以到0.771mAP,低了0.00y. 所以想增加mAP可以尝试下常规做法的学习率.