Detecton 是 Facebook 开源的目标检测，实例分割的统一框架，集成了很多最新的学术成果. 效果都很不错.

虽然有很多 Mask R-CNN 的实现和API ， 如 Github项目 - Mask R-CNN 的 Keras 实现 和 Tensorflow - 目标检测 API 使用.
但 Detectron 中 Facebook 官方实现，个人感觉速度和显存占用，占优势.

<Detectron 项目地址>

基于 Caffe2. Caffe2 的 make 过程太久了，不知道相比于 Caffe 源码安装编译到底简单了多少，甚至感觉 Caffe make 更快. 可能 Caffe2 依赖项少了些吧.

不过，Caffe2 现在只到 0.8.1 版本，有些第三方库可能不可用了，未来将与 PyTorch 合并为一.

Detectron 的目标是， high-quality, high-performance 的目标检测研究平台. 以快速实现新想法

Detectron 项目论文：

基于的 Backbone 网络结构：


Mask RCNN 输出.

From Detectron README.md.

1. Detectron 安装

Detectron ops 现还未给出 CPU 实现，需要基于 GPU 环境.

Requirements:

  • NVIDIA GPU, Linux, Python2
  • Caffe2, various standard Python packages, and the COCO API
  • CUDA 8.0, cuDNN 6.0.21.(官方)
  • CUDA 9.0, cuDNN 7.1.4.(测试)
  • Ubuntu 16.04

1.1 Caffe2 安装

参考 Caffe2 - Source 安装及问题解决 和 Caffe2 官方 Install Instructions.

由于 Detectron 需要 Caffe2 包含 Detectron module，查看是否有该模块，没有的话更新 Caffe2 版本.

将 Caffe2 的 Python package 路径添加到 PYTHONPATH 环境变量，并确保 Caffe2 安装成功：

# To check if Caffe2 build was successful
python2 -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"

# To check if Caffe2 GPU build was successful
# This must print a number>0 in order to use Detectron
python2 -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'

1.2 依赖性安装

Python 依赖项：

sudo pip install numpy \
                 pyyaml \ 
                 matplotlib \ 
                 opencv-python>=3.0 \ 
                 setuptools \ 
                 Cython \
                 mock

COCO API 安装：

# COCOAPI=/path/to/clone/cocoapi
git clone https://github.com/cocodataset/cocoapi.git $COCOAPI
cd $COCOAPI/PythonAPI
# Install into global site-packages
make install
# Alternatively, if you do not have permissions or prefer
# not to install the COCO API into global site-packages
python2 setup.py install --user

1.3 Detectron 安装

[1] - Clone Detectron reposity：

# DETECTRON=/path/to/clone/detectron
git clone https://github.com/facebookresearch/detectron $DETECTRON

这里貌似也可以是 Detectron....

[2] - 安装 Python 依赖项：

# requirements.txt
numpy>=1.13
pyyaml>=3.12
matplotlib
opencv-python>=3.2
setuptools
Cython
mock
scipy
sudo pip install -r requirements.txt

[3] - 设置 Python 模块

cd $DETECTRON 
make

[4] - 测试 Detectron 安装，如 SpatialNarrowAsOp test：

python2 $DETECTRON/detectron/tests/test_spatial_narrow_as_op.py

安装完成后，即可用提供的模型进行推理测试.

2. COCO Dataset

Detectron 通过软链接将 COCO 数据集的 images 和 annotations 链接到路径 lib/datasets/data，如：

ln -s /path/to/coco $DETECTRON/detectron/datasets/data/coco

更多关于 COCO 数据集和其它数据集软链接创建方法参考：detectron/datasets/data/README.md.

完成以后，即可进行模型训练.

3. 定制新的 Operators

首先阅读 FAQ.md 中关于定制 operators 的部分.

方便起见，Detectron 提供 CMake 支持以编译定制的 operators. 所有的定制 operators 可以被编译成单个库，以便于 从 Python 动态的加载.

将定制的 operator 实现放在路径 detectron/ops/ .

参考示例 tests/test_zero_even_op.py，关于如何从 Python 中加载定制的 operators.

(早期版本有此项，版本更新后已不是下面的操作)

cd $DETECTRON/lib
# [1] - 编译定制的 operators 库
make ops

# [2] - 测试定制的 operator 是否成功：
python2 $DETECTRON/tests/test_zero_even_op.py

4. Detectron Docker 镜像

Detectron Dockerfile

[1] - 首先，创建 Caffe2 镜像：

cd /path/to/caffe2/docker/ubuntu-16.04-cuda8-cudnn6-all-options
# Use the latest Caffe2 master
sed -i -e 's/ --branch v0.8.1//g' Dockerfile
docker build -t caffe2:cuda8-cudnn6-all-options .

[2] - 然后，创建 Detecron 镜像：

cd $DETECTRON/docker
docker build -t detectron:c2-cuda8-cudnn6 .

[3] - 运行 Detectron 镜像，如 BatchPermutationOp test：

nvidia-docker run --rm -it detectron:c2-cuda8-cudnn6 python2 detectron/tests/test_batch_permutation_op.py

已更新为如下：

[1] - 创建镜像：

cd $DETECTRON/docker
docker build -t detectron:c2-cuda9-cudnn7 .

[2] - 运行镜像：

nvidia-docker run --rm -it detectron:c2-cuda9-cudnn7 python \
detectron/tests/test_batch_permutation_op.py

5. 问题及解决

5.1 Caffe2 Operator Profiling

profiling 为 Caffe2 提供了有用的 operators benchmarking 和 debugging 工具，示例可参考 BatchPermutationOp test.

Profiling 不是默认编译的，可以在运行 Caffe2 CMake 时设置 -DUSE_PROF=ON 以开启.

5.2 CMake Cannot Find CUDA and cuDNN

编译 Caffe2 时如果找不到 CUDA 和 cuDNN 路径，可以在编译时指定 CMake 的 CUDA 和 cuDNN 路径：

cmake .. \
  # insert your Caffe2 CMake flags here
  -DCUDA_TOOLKIT_ROOT_DIR=/path/to/cuda/toolkit/dir \
  -DCUDNN_ROOT_DIR=/path/to/cudnn/root/dir

类似地，编译定制的 Detectron operators 时可以运行：

cd $DETECTRON
mkdir -p build
cd build
cmake .. \
  -DCUDA_TOOLKIT_ROOT_DIR=/path/to/cuda/toolkit/dir \
  -DCUDNN_ROOT_DIR=/path/to/cudnn/root/dir
make

可以采用相同的方式，处理机器上同时有多个 CUDA 和 cuDNN 版本时的情况.

5.3 Protobuf Errors

Caffe2 使用 protobuf 作为序列化格式，并需要其版本高于 3.2.0.

如果 protobuf 版本较低，可以从 Caffe2 的 protobuf 子模块编译 protobuf，来代替旧版本.

编译 Caffe2 protobuf 子模块：

# CAFFE2=/path/to/caffe2
cd $CAFFE2/third_party/protobuf/cmake
mkdir -p build
cd build
cmake .. \
  -DCMAKE_INSTALL_PREFIX=$HOME/c2_tp_protobuf \
  -Dprotobuf_BUILD_TESTS=OFF \
  -DCMAKE_CXX_FLAGS="-fPIC"
make install

指定 Caffe2 CMake 到新版本的 protobuf：

cmake .. \
  # insert your Caffe2 CMake flags here
  -DPROTOBUF_PROTOC_EXECUTABLE=$HOME/c2_tp_protobuf/bin/protoc \
  -DPROTOBUF_INCLUDE_DIR=$HOME/c2_tp_protobuf/include \
  -DPROTOBUF_LIBRARY=$HOME/c2_tp_protobuf/lib64/libprotobuf.a

5.4 Caffe2 Python Binaries

如果在编译 Caffe2 Python binaries时，不能找到需要的 Python 路径，如 virtualenv 环境，可以指定 Caffe2 CMake 到 python library 库路径和 include 路径：

cmake .. \
  # insert your Caffe2 CMake flags here
  -DPYTHON_LIBRARY=$(python -c "from distutils import sysconfig; print(sysconfig.get_python_lib())") \
  -DPYTHON_INCLUDE_DIR=$(python -c "from distutils import sysconfig; print(sysconfig.get_python_inc())")

5.5 Caffe2 with NNPACK Build

Detectron 不需要 Caffe2 的 NNPACK 支持.

如果编译时遇到 NNPACK 相关的问题，可以关闭 NNPACK，设置 CMake -DUSE_NNPACK=OFF .

5.6 Caffe2 with OpenCV Build

Detectron 也不需要 Caffe2 的 OpenCV 的支持，也可以关闭，设置 CMake -DUSE_OPENCV=OFF.

5.7 COCO API Undefined Symbol Error

如果遇到由于 undefined symbol 原因，出现的 COCO API import error，类似与 cocoapi - Import error，则需要确定 Python 版本是够混淆，如 both system and conda numpy installed 则会导致该问题.

5.8 CMake Cannot Find Caffe2

如果在编译定制的 operators 时，CMake 出现不能找到 Caffe2 package 的问题，则需要确定在 Caffe2 安装时运行了 make install.

Last modification：December 5th, 2018 at 04:46 pm
© 允许规范转载