文章：FCOS: Fully Convolutional One-Stage Object Detection
项目源码：https://github.com/tianzhi0549/FCOS

一、环境配置

可以根按照官方指示（https://github.com/tianzhi0549/FCOS/blob/master/INSTALL.md）配置环境。在具体执行阶段，试错很久后我发现pytorch、torchvision的版本会影响FCOS环境编译（这一步：python setup.py build develop --no-deps）成功与否——其原因是ninja报错【ninja是一种编译工具，类似cmake，这里很爱使用ninja对torch库进行编译。我自己报错原因真相是torch 、torchvision 、ninja版本问题：torch版本太高了(1.8.1)，而ninja更新速度好像没有torch快，所以即便是最新的ninja(1.10.2)，也无法编译从而报错，解决方法就是将torch降级，具体可参考这篇很好的内容】。我以自己的血泪史表示，运行此程序当遇到setup等一切报错时，不建议针对具体报错进行修改，建议从根本上装对的版本内容，一切就会非常流畅了。

所以分享具体步骤及版本信息：

cuda=10.0.130
python=3.6
pytorch=1.4.0
torchvision=0.2.1
cudatoolkit=10.0
ninja=1.10.2

# first, make sure that your conda is setup properly with the right environment
# for that, check that `which conda`, `which pip` and `which python` points to the
# right path. From a clean conda env, this is what you need to do
conda create --name FCOS python=3.6 #创建虚拟环境，python为3.6版本
conda activate FCOS #激活虚拟环境# this installs the right pip and dependencies for the fresh python
conda install ipython# FCOS and coco api dependencies
pip install ninja yacs cython matplotlib tqdm# follow PyTorch installation in https://pytorch.org/get-started/locally/
# we give the instructions for CUDA 9.0
conda install -c pytorch==1.4.0 torchvision=0.2.1 cudatoolkit=10.0# install pycocotools. Please make sure you have installed cython.
cd到home/xxx下
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
python setup.py build_ext install# install PyTorch Detection
cd到home/xxx下
git clone https://github.com/tianzhi0549/FCOS.git
cd FCOS# the following will install the lib with symbolic links, so that you can modify the files if you want and won't need to re-build it
# 激活fcos环境再编译
source activate FCOS
python setup.py build develop --no-deps

可以在命令行检查安装的python、torch、torchvision版本。

编译成功后显示：

测试demo

在**官网**上下载一个预训练模型FCOS_imprv_R_50_FPN_1x.pth放在FCOS文件夹下。

python demo/fcos_demo.py

成功！！！

二、训练自己的数据集

2.1 构建数据集

voc

FCOS项目在MS COCO数据集上进行训练测试，不过程序也给出了pascal VOC数据集的文件格式。如果需要训练自己的数据集，可以将数据文件于相应的数据集进行覆盖，但是不要修改文件名和路径目录；也可以在{FCOS_PATH}/fcos_core/config/paths_catalog.py中进行添加。

下图红框中的内容是我在{FCOS_PATH}/fcos_core/config/paths_catalog.py中自行添加的voc格式数据集。voc数据集的构建格式可以参考这篇文章：https://blog.csdn.net/weixin_43570470/article/details/123659793

需要注意的是，自行添加数据集dataset的键名中“coco”、“voc”均为小写字母，因为{FCOS_PATH}/fcos_core/config/paths_catalog.py中有对数据集的判断代码，如果是大写字母无法识别。

将fcos_core/data/datasets/voc.py中的分类修改成自己数据集的内容：

coco

因为VOC数据集的评估方式略微粗糙，仅有mAP等，如果想获得COCO数据集的详细评估结果，一方面是将数据集通过文章中给出的脚本转化为COCO数据集。还有一种方式就是使用带_cocostyle后缀的数据集别名。
结束之后，卸载之前安装的fcos并重新编译安装。这样fcos_core的代码才会生效。

pip3 uninstall fcos -y
python3 setup.py build_ext --inplace
python3 setup.py build_ext install

只有这样，才能够在yaml文件当中反问到刚才添加的数据集：

...
DATASETS:TRAIN: ("coco_{dataset-name}_train", "coco_{dataset-name}_val")TEST: ("coco_{dataset-name}_test",)
...

2.2 训练数据

训练数据集的调整方法在作者项目底下的 #54 issue 列出。

1. Add you dataset to FCOS/fcos_core/config/paths_catalog.py 第10行

2. 在/FCOS/configs/fcos/fcos_R_50_FPN_1x.yaml的DATASETS 中 change DATASETS to your own ones. 将DATASETS修改为与{FCOS_PATH}/fcos_core/config/paths_catalog.py中一致的dataset键名:

另外，YAML文件还可以修改训练参数：

SOLVER:BASE_LR: 0.00001                  #学习速率WEIGHT_DECAY: 0.00001              #权重衰减系数STEPS: (60000, 80000)                MAX_ITER: 90000                 #最大迭代次数IMS_PER_BATCH: 8                 #batch_size最终以训练命令中的数量为准WARMUP_METHOD: "constant"

3. Modify MODEL.FCOS.NUM_CLASSES in /FCOS/fcos_core/config/default.py

4.将fcos_core/data/datasets/voc.py中的分类修改成自己数据集的内容：

5. 训练

python -m torch.distributed.launch \--nproc_per_node=8 \--master_port=$((RANDOM + 10000)) \tools/train_net.py \--config-file {YOUR_YAML}.yaml \DATALOADER.NUM_WORKERS 1 \SOLVER.IMS_PER_BATCH 1\TEST.IMS_PER_BATCH 8\OUTPUT_DIR {YOUR_SAVING_DIR}

--nproc_per_node=8: 作者使用8 Nvidia V100 GPUs。如果配置不同，在训练的时候指定此参数为训练GPU节点数
--config-file: 指定训练配置的yaml文件
DATALOADER.NUM_WORKERS 1：数据提取进程数
SOLVER.IMS_PER_BATCH 1 && TEST.IMS_PER_BATCH 8\指定训练和测试时使用的batch_size，也可在yaml文件中配置。
OUTPUT_DIR： 模型输出地址，也可在 /FCOS/fcos_core/config/default.py中配置

三、测试网络

该项目的训练过程不像YOLOv3那样清晰可视化，需要测试每个节点保存的模型。测试结果标准严格按照coco数据集的评测标准分为AP、AP50、AP75、APs、APm、APl分别对应mAP，IOU在50、75时的AP以及小中大目标的AP。测试使用到的命令：

python ../tools/test_net.py \--config-file {YOUR_YAML_PATH} \MODEL.WEIGHT {YOUR_MODEL_PATH} \TEST.IMS_PER_BATCH 4

MODEL.WEIGHT、TEST.IMS_PER_BATCH可分别在 /FCOS/fcos_core/config/default.py的36行、453行设置

参考链接：https://blog.csdn.net/yinkaishikd/article/details/105027185

目标检测FCOS网络环境配置、训练自己的数据集相关推荐

mmrotate旋转目标检测框架从环境配置到训练自己的数据集
mmrotate旋转目标检测框架从环境配置到训练自己的数据集最近有旋转目标检测的需求了,在寻找旋转目标检测算法的过程中,发现已经有人提前测评了各类旋转目标检测框架了,结果是mmrorate效果最好. ...
手把手教你用yolov3模型实现目标检测教程(一) - 环境配置
手把手教你用yolov3模型实现目标检测(一) 写在前面: 由于项目需要,使用yolov3模型做了各种现实场景物体的目标检测.做完了过了好长时间,感觉有些遗忘,还是该留下点东西,方便自己查找,也希望能 ...
Pytorch版deeplabv3+环境配置训练自己的数据集
这个很不错:https://blog.csdn.net/qq_39056987/article/details/106455828 [windows10]使用pytorch版本deeplabv ...
墨尘目标检测4--yoyo3模型解析及训练自己的数据集
YOLOv3相比于之前的yolo1和yolo2,改进较大,主要改进方向有: 1.主干网络修改为darknet53,其重要特点是使用了残差网络Residual,darknet53中的残差卷积就是进行一次 ...
CVPR 2020 | CentripetalNet：目标检测新网络，COCO 48 % AP超现所有Anchor-free网络
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 Anchor-free目标检测新网络,在COCO上可达48 AP!性能优于CenterNet.RPDe ...
重磅开源！目标检测新网络 DetectoRS：54.7 AP，特征金字塔与空洞卷积的完美结合
原文链接:重磅开源!目标检测新网络 DetectoRS:54.7 AP,特征金字塔与空洞卷积的完美结合论文地址:https://arxiv.org/abs/2006.02334 代码地址(基于mmd ...
（二）目标检测模型的评测与训练技巧
转载自知乎:https://zhuanlan.zhihu.com/p/34142321 关于作者: @李家丞同济大学数学系本科在读,现为格灵深瞳算法部实习生. -------------------- ...
Linux+javaEE学习笔记之Linux网络环境配置
Linux+javaEE学习笔记之Linux网络环境配置网络知识简单介绍: Ip地址是:IP地址是IP协议提供的一种统一的地址格式,它为互联网上的每一个网络和每一台主机分配一个逻辑地址,以此来屏蔽物 ...
目标检测 YOLOv5网络v6 0版本总结
目标检测 YOLOv5网络v6.0版本总结 YOLOv5对比YOLOv4 输入端:在模型训练阶段,提出了Mosaic数据增强.自适应锚框计算.自适应图片缩放等: Backbone网络:融合其它检测算法 ...

目标检测FCOS网络环境配置、训练自己的数据集

目录