denseteacher

简体中文 | English

Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection

FCOS模型库

模型	监督数据比例	Sup Baseline	Sup Epochs (Iters)	Sup mAPval 0.5:0.95	Semi mAPval 0.5:0.95	Semi Epochs (Iters)	模型下载	配置文件
DenseTeacher-FCOS	5%	sup_config	24 (8712)	21.3	30.6	240 (87120)	download	config
DenseTeacher-FCOS	10%	sup_config	24 (17424)	26.3	35.1	240 (174240)	download	config
DenseTeacher-FCOS(LSJ)	10%	sup_config	24 (17424)	26.3	37.1(LSJ)	240 (174240)	download	config
DenseTeacher-FCOS	100%(full)	sup_config	24 (175896)	42.6	44.2	24 (175896)	download	config

注意:

• 以上模型训练默认使用8 GPUs，监督数据总batch_size默认为16，无监督数据总batch_size默认也为16，默认初始学习率为0.01。如果改动了总batch_size，请按线性比例相应地调整学习率；
• 监督数据比例是指使用的有标签COCO数据集占 COCO train2017 全量训练集的百分比，使用的无标签COCO数据集一般也是相同比例，但具体图片和有标签数据的图片不重合；
• Semi Epochs (Iters)表示半监督训练的模型的 Epochs (Iters)，如果使用自定义数据集，需自行根据Iters换算到对应的Epochs调整，最好保证总Iters 和COCO数据集的设置较为接近；
• Sup mAP是只使用有监督数据训练的模型的精度，请参照基础检测器的配置文件 和 baseline；
• Semi mAP是半监督训练的模型的精度，模型下载和配置文件的链接均为半监督模型；
• LSJ表示 large-scale jittering，表示使用更大范围的多尺度训练，可进一步提升精度，但训练速度也会变慢；
• 半监督检测的配置讲解，请参照文档；
• Dense Teacher原文使用R50-va-caffe预训练，PaddleDetection中默认使用R50-vb预训练，如果使用R50-vd结合SSLD的预训练模型，可进一步显著提升检测精度，同时backbone部分配置也需要做出相应更改，如：

 pretrain_weights:  https://paddledet.bj.bcebos.com/models/pretrained/ResNet50_vd_ssld_v2_pretrained.pdparams
 ResNet:
   depth: 50
   variant: d
   norm_type: bn
   freeze_at: 0
   return_idx: [1, 2, 3]
   num_stages: 4
   lr_mult_list: [0.05, 0.05, 0.1, 0.15]

PPYOLOE+ 模型库

模型	监督数据比例	Sup Baseline	Sup Epochs (Iters)	Sup mAPval 0.5:0.95	Semi mAPval 0.5:0.95	Semi Epochs (Iters)	模型下载	配置文件
DenseTeacher-PPYOLOE+_s	5%	sup_config	80 (14480)	32.8	34.0	200 (36200)	download	config
DenseTeacher-PPYOLOE+_s	10%	sup_config	80 (14480)	35.3	37.5	200 (36200)	download	config
DenseTeacher-PPYOLOE+_l	5%	sup_config	80 (14480)	42.9	45.4	200 (36200)	download	config
DenseTeacher-PPYOLOE+_l	10%	sup_config	80 (14480)	45.7	47.4	200 (36200)	download	config

使用说明

仅训练时必须使用半监督检测的配置文件去训练，评估、预测、部署也可以按基础检测器的配置文件去执行。

训练

# 单卡训练 (不推荐，需按线性比例相应地调整学习率)
CUDA_VISIBLE_DEVICES=0 python tools/train.py -c configs/semi_det/denseteacher/denseteacher_fcos_r50_fpn_coco_semi010.yml --eval

# 多卡训练
python -m paddle.distributed.launch --log_dir=denseteacher_fcos_semi010/ --gpus 0,1,2,3,4,5,6,7 tools/train.py -c configs/semi_det/denseteacher/denseteacher_fcos_r50_fpn_coco_semi010.yml --eval

评估

CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/semi_det/denseteacher/denseteacher_fcos_r50_fpn_coco_semi010.yml -o weights=output/denseteacher_fcos_r50_fpn_coco_semi010/model_final.pdparams

预测

CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c configs/semi_det/denseteacher/denseteacher_fcos_r50_fpn_coco_semi010.yml -o weights=output/denseteacher_fcos_r50_fpn_coco_semi010/model_final.pdparams --infer_img=demo/000000014439.jpg

部署

部署可以使用半监督检测配置文件，也可以使用基础检测器的配置文件去部署和使用。

# 导出模型
CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c configs/semi_det/denseteacher/denseteacher_fcos_r50_fpn_coco_semi010.yml -o weights=https://paddledet.bj.bcebos.com/models/denseteacher_fcos_r50_fpn_coco_semi010.pdparams

# 导出权重预测
CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=output_inference/denseteacher_fcos_r50_fpn_coco_semi010 --image_file=demo/000000014439_640x640.jpg --device=GPU

# 部署测速
CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=output_inference/denseteacher_fcos_r50_fpn_coco_semi010 --image_file=demo/000000014439_640x640.jpg --device=GPU --run_benchmark=True # --run_mode=trt_fp16

# 导出ONNX
paddle2onnx --model_dir output_inference/denseteacher_fcos_r50_fpn_coco_semi010/ --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 12 --save_file denseteacher_fcos_r50_fpn_coco_semi010.onnx

引用

 @article{denseteacher2022,
  title={Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection},
  author={Hongyu Zhou, Zheng Ge, Songtao Liu, Weixin Mao, Zeming Li, Haiyan Yu, Jian Sun},
  journal={arXiv preprint arXiv:2207.02541},
  year={2022}
}