NanoDet-Plus的训练辅助模块 与之前的这些工作不同的是,NanoDet-Plus中设计了一种更为简单也更为轻量的训练辅助模块Assign Guidance Module(AGM)并配合动态的软标签分配策略Dynamic Soft Label Assigner(DSLA),来解决轻量级模型中的最优标签匹配问题。NanoDet-Plus的整体架构如下图所示: NanoDet-Plus整体架构图 AGM仅...
训练尺寸和数据集路径: 依次为训练批次大小(根据自己的显卡来)、预训练权重路径(好像不加收敛速度也很快)、训练总轮次: 修改结束后运行训练命令: python tools/train.py config/config/nanodet_plus-m-416_test.yml 1. 出现如下训练界面说明模型已经开始训练,如果遇到问题的话,检查一下自己是不是配置文件没修改成功...
NanoDet-Plus的训练辅助模块 与之前的这些工作不同的是,NanoDet-Plus中设计了一种更为简单也更为轻量的训练辅助模块Assign Guidance Module(AGM)并配合动态的软标签分配策略Dynamic Soft Label Assigner(DSLA),来解决轻量级模型中的最优标签匹配问题。NanoDet-Plus的整体架构如下图所示: NanoDet-Plus整体架构图 AGM仅...
gpu_ids:CUDA设备ID,对于多GPU训练,设置为 [0、1、2...] workers_per_gpu:每个GPU有多少个数据加载器进程 batchsize_per_gpu:每个GPU在一个batch中处理的图像数量 precision:训练精度,默认值 32 表示FP32训练。设置为 16 可启用AMP训练 Schedule schedule:optimizer:name:AdamWlr:0.001weight_decay:0.05warmup:...
参考LAD[2]的工作,通过label assignment distillation来提升性能。LAD就是使用教师网络预测的结果去计算标签匹配,来指导学生网络训练。额外训练一个教师模型,需要的资源大大增加,所以NanoDet-Plus设计了一种简单轻量的训练辅助模块(AGM)。 loss 计算loss的时候需要注意,Label Assignment distillation的核心代码:把aux pred...
NanoDet-Plus Super fast and high accuracy lightweight anchor-free object detection model. Real-time on mobile devices. ⚡Super lightweight: Model file is only 980KB(INT8) or 1.8MB(FP16). ⚡Super fast: 97fps(10.23ms) on mobile ARM CPU. ...
辅助训练分支和检测分支的输出是相同维度的预测框和类别数,因辅助训练分支训练学习的更快更好,因此可以使用辅助训练分支预测框输出结果来做标签匹配,将匹配的结果当成检测分支预测框的匹配结果来计算训练loss。在nanodet_plus.py文件foward_train方法中,可以看到前向推理同时计算了aux_head和head,且把aux_head的输出送...
--neozng1@hnu.edu.cnNanoDet是一个单阶段的anchor-free模型,其设计基于FCOS模型,并加入了动态标签分配策略/GFL loss和辅助训练模块。由于其轻量化的设计和非常小的参数量,在边缘设备和CPU设备上拥有可观的推理速度。其代码可读性强扩展性高,是目标检测实践进阶到深入的不二选择。作者在知乎上有一篇介绍的文章,指路...
NanoDet-Plus总结了上一代模型在标签分配、模型结构以及训练策略上的不足,提出了AGM和DSLA以及Ghost-PAN模块,并全面改进了训练策略,更加易于训练!同时也全面修改了模型部署时的输出方式,简化了结构,并提供了ncnn、MNN、OpenVINO以及安卓端的Demo,每个demo下都有非常详细的教程指导大家上手。