-
Notifications
You must be signed in to change notification settings - Fork 96
/
Copy pathConfigs.py
92 lines (65 loc) · 4.76 KB
/
Configs.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
# -*- coding: utf-8 -*-
# @Author : LG
from yacs.config import CfgNode as CN
import os
project_root = os.getcwd()
_C = CN()
_C.FILE = CN()
_C.FILE.PRETRAIN_WEIGHT_ROOT = project_root+'/Weights/pretrained' # 会使用到的预训练模型
_C.FILE.MODEL_SAVE_ROOT = project_root+'/Weights/trained' # 训练模型的保存
# _C.FILE.VGG16_WEIGHT = 'vgg16_reducedfc.pth' # vgg预训练模型
_C.DEVICE = CN()
_C.DEVICE.MAINDEVICE = 'cuda:0' # 主gpu 主GPU会占用内存稍大一丁点
_C.DEVICE.TRAIN_DEVICES = [0, 1] # 训练gpu 0代表第一块gpu, 1 代表第二块gpu, 你可以随意更改. 你可以通过 nvidim-smi 来查看gpu编号及占用情况， 同样的，你可以[0,1,2,3,4,5,6,7]来指定八块gpu 或[0,2,4] 来指定其中的任意三块gpu
_C.DEVICE.TEST_DEVICES = [0, 1] # 检测gpu
_C.MODEL = CN()
_C.MODEL.BASEMODEL = 'resnet50' # 现支持 resnet18, resnet34, resnet50, resnet101, resnet152
_C.MODEL.INPUT = CN()
_C.MODEL.INPUT.IMAGE_SIZE = 600 # 模型输入尺寸
_C.MODEL.ANCHORS = CN()
_C.MODEL.ANCHORS.FEATURE_MAPS = [(75, 75), (38, 38), (19, 19), (10, 10), (5, 5)] # fpn输出的特征图大小 # [(IMAGE_SIZE/2/2/2, ), (IMAGE_SIZE/2/2/2/2, ), (IMAGE_SIZE/2/2/2/2/2)] 这里都向上取整
_C.MODEL.ANCHORS.SIZES = [32, 64, 128, 256, 512] # 每层特征图上anchor的真实尺寸
_C.MODEL.ANCHORS.NUMS = 9 # 每个特征点上anchor的数量, 与_C.MODEL.ANCHORS.RATIOS 相关联
_C.MODEL.ANCHORS.RATIOS = [0.5, 1, 2] # 不同特征图上检测框绘制比例
_C.MODEL.ANCHORS.SCALES = [2 ** 0, 2 ** (1.0 / 3.0), 2 ** (2.0 / 3.0)] # 不同特征图上检测框绘制比例
_C.MODEL.ANCHORS.CLIP = True # 越界检测框截断,0~1
_C.MODEL.ANCHORS.THRESHOLD = 0.5 # 交并比阈值
_C.MODEL.ANCHORS.CENTER_VARIANCE = 0.1 # 解码
_C.MODEL.ANCHORS.SIZE_VARIANCE = 0.2 # 解码
_C.TRAIN = CN()
_C.TRAIN.NEG_POS_RATIO = 3 # 负正样本比例，每张图中负样本比例(背景类)会占大多数，通过这个来对负样本进行抑制，只取3倍正样本数量的负样本进行训练，而不至于导致正负样本严重失衡
_C.TRAIN.MAX_ITER = 120000 # 训练轮数
_C.TRAIN.BATCH_SIZE = 20 # 训练批次, 如果内存小，可以调小。如果使用多块gpu，请使用整数倍gpu数量的批次数
_C.MULTIBOXLOSS = CN()
_C.MULTIBOXLOSS.ALPHA = 0.25 # focal loss 阿尔法参数,用于调节背景与目标比例,这里与 _C.TRAIN.NEG_POS_RATIO 目的相同，但原理不同，_C.TRAIN.NEG_POS_RATIO直接减少负样本数量，_C.MULTIBOXLOSS.ALPHA 减小负样本对损失的影响比重
_C.MULTIBOXLOSS.GAMMA = 2 # focal loss 伽马参数 ,用于调节难易样本影响，一般为2即可
_C.OPTIM = CN()
_C.OPTIM.LR = 1e-3 # 初始学习率.默认优化器为SGD # 如需修改优化器，可以代码中进行修改 Model/trainer.py -> set_optimizer
_C.OPTIM.MOMENTUM = 0.9 # 优化器动量.默认优化器为SGD
_C.OPTIM.WEIGHT_DECAY = 5e-4 # 权重衰减,L2正则化.默认优化器为SGD
_C.OPTIM.SCHEDULER = CN() # 默认使用MultiStepLR
_C.OPTIM.SCHEDULER.GAMMA = 0.1 # 学习率衰减率
_C.OPTIM.SCHEDULER.LR_STEPS = [80000, 100000]
_C.MODEL.TEST = CN()
_C.MODEL.TEST.NMS_THRESHOLD = 0.45 # 非极大抑制阈值
_C.MODEL.TEST.CONFIDENCE_THRESHOLD = 0.1 # 分数阈值,
_C.MODEL.TEST.MAX_PER_IMAGE = 100 # 预测结果最大保留数量
_C.MODEL.TEST.MAX_PER_CLASS = -1 # 测试时,top-N
_C.DATA = CN()
# 由于在使用时,是自己的数据集.所以这里,并没有写0712合并的数据集格式,这里以VOC2007为例
_C.DATA.DATASET = CN()
_C.DATA.DATASET.NUM_CLASSES =21
_C.DATA.DATASET.CLASS_NAME = ('__background__', 'aeroplane', 'bicycle', 'bird', 'boat',
'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable',
'dog', 'horse', 'motorbike', 'person', 'pottedplant',
'sheep', 'sofa', 'train', 'tvmonitor')
_C.DATA.DATASET.DATA_DIR = '/home/XXX/VOC_det/VOCdevkit/VOC2007' # 数据集voc格式,根目录 请更改为自己的目录
_C.DATA.DATASET.TRAIN_SPLIT = 'train' # 训练集,对应于 /VOCdevkit/VOC2007/ImageSets/Main/train.txt'
_C.DATA.DATASET.TEST_SPLIT = 'val' # 测试集,对应于 /VOCdevkit/VOC2007/ImageSets/Main/val.txt'
_C.DATA.PIXEL_MEAN = [0, 0, 0] #数据集均值 用于数据增强部分,依数据集修改即可
_C.DATA.PIXEL_STD = [1, 1, 1] # 数据集方差
_C.DATA.DATALOADER = CN()
_C.STEP = CN()
_C.STEP.VIS_STEP = 10 # visdom可视化训练过程,打印步长
_C.STEP.MODEL_SAVE_STEP = 1000 # 训练过程中,模型保存步长
_C.STEP.EVAL_STEP = 1000 # 在训练过程中,并没有进行检测流程,建议保存模型后另外检测