这里your_exp_name是实验名称,用于保存训练结果;your_dataset_name是数据集名称,应与你的数据集配置一致;your_model_architecture是选择的模型架构;your_batch_size、your_learning_rate、your_gpu_ids和your_num_workers分别是批量大小、学习率、GPU编号和工作线程数。 训练过程中,CenterNet会定期保存模型权重和训练日志。
如果选择Hourglass-104作为骨干网络,下载CornerNet预训练模型: 百度网盘链接:https://pan.baidu.com/s/1tp9-5CAGwsX3VUSdV276Fg密码: y1z4 将下载的权重checkpoint.t7放到$CenterNet_ROOT/ckpt/pretrain中。 2. 配置自己的数据集 这个版本提供的代码是针对官方COCO或者官方VOC数据集进行配置的,所以有一些细节需要...
这篇文章是基于非官方的CenterNet实现,https://github.com/zzzxxxttt/pytorch_simple_CenterNet_45,这个版本的实现更加简单,基于官方版本(https://github.com/xingyizhou/CenterNet)进行修改,要比官方代码更适合阅读和理解,dataloader、hourglass、训练流程等原版中比较复杂的部分都进行了重写,最终要比官方的速度更快。 ...
3.训练自己数据代码修改3.1数据存放当我们生成json文件之后,来到CenterNet这个工程里,在CenterNet-master/data文件夹下新建一个文件夹,名字就是你数据集的名字(例如取名:MyDataTest) 再在这个文件夹里面建两个文件夹(annotations里面存放的是我们之前生成的json文件;名字随意,比如train.json,test.json,val.json,下面代码...
如果选择Hourglass-104作为骨干网络,下载CornerNet预训练模型: 百度网盘链接:https://pan.baidu.com/s/1tp9-5CAGwsX3VUSdV276Fg密码: y1z4 将下载的权重checkpoint.t7放到$CenterNet_ROOT/ckpt/pretrain中。 2. 配置自己的数据集 这个版本提供的代码是针对官方COCO或者官方VOC数据集进行配置的,所以有一些细节需要...
4.3 修改init,这里的分辨率可以自己设置,默认是[512,512],均值和方差也可以自己根据自己的数据集求得进行调整,一般使用默认的结果也不会差别很大 5. 修改src/lib/utils/debugger.py添加一个else分支和class_name(不含包背景) 6. 训练完成后,需要保存测试的结果,在src/lib/detectors/修改ctdet.py ...
这篇博文主要讲解如何用这个版本的CenterNet训练自己的VOC数据集,环境的配置。 1. 环境配置 环境要求: python>=3.5 pytorch==0.4.1or 1.1.0 or 1.0.0(笔者用的1.0.0也可以) tensorboardX(可选) 配置: 将cudnn的batch norm关闭。打开torch/nn/functional.py文件,找到torch.batch_norm这一行,将torch.backends...
首先使用CenterNet训练自己的检测数据集,可以检测人、动物、鱼大等多种自定义类别,然后再把训练好的预训练模型传入deepsort算法进行多目标跟踪。试验结果表明centernet精度和速度方面都具有更好的优势。 CenterNet简介 论文:https://arxiv.org/abs/1904.08189
这个文件的目的是修改模型输出的size,numclass按照本次打算训练的数据集的类别设置。 6.2 修改config参数 路径:“detectron2/engine/defaults.py” –config-file:模型的配置文件,CenterNet2的模型配置文件放在“projects/CenterNet2/configs”下面。名字和预训练模型对应。
并且用户仅仅通过三行代码即可完美将自己的训练代码迁移到该模型。实验证明,使用Float16作为大部分操作的数据类型,并没有降低参数,在一些实验中,反而由于可以增大Batch size,带来精度上的提升,以及训练速度上的提升。 3.2.1 下载apex 网址https://github.com/NVIDIA/apex,下载到本地文件夹。解压后进入到apex的...