Detectron2系列之与其他库的兼容性

Detectron2解决了Detectron中遗留的一些遗留问题，结果它们的模型不兼容：在两个代码库中以相同的模型权重运行推理将产生不同的结果。

关于推断的主要区别是:

现在, 当 width = x2-x1 和 height = y2-y1 时,更自然地计算带有角(x1,y1)和(x2,y2)的box的高度和宽度，在Detectron中,高度和宽度都添加了"+1"。 请注意,Caffe2中的相关操作已采用了这种约定的更改 (https://github.com/pytorch/pytorch/pull/20550) , 并带有额外的选项，因此仍然有可能在Caffe2中使用Detectron2训练的模型进行推理。 高度/宽度计算最明显的变化是： 边界框回归中的编码/解码。 非最大抑制。这里的影响可以忽略不计。 RPN现在使用具有较少量化伪像的更简单锚点。在Detectron中,锚点已量化并且没有准确的面积(https://github.com/facebookresearch/Detectron/issues/227)。在Detectron2中,锚点在中心对齐以与特征网格点对齐,并且未量化。 分类层具有不同的分类标签顺序。这涉及形状为(...,num_categories + 1,...)的任何可训练参数。在Detectron2中,整数标签[0,K-1]对应于K = num_categories个对象类别,标签"K"对应于特殊的"背景"类别。在Detectron中,标签"0"表示背景,标签[1,K]对应于K个类别。 ROIAlign的实现方式有所不同。新的实现在Caffe2中可用。Caffe2：(https://github.com/pytorch/pytorch/pull/23706). 与Detectron相比,所有ROI都移动了半个像素,以创建更好的图像特征图对齐方式。有关详细信息,请参见layers/roi_align.py。要启用旧的行为,请使用ROIAlign(aligned=False)或POOLER_TYPE=ROIAlign代替 ROIAlignV2(默认值)。 OI的最小大小不需要为1。这将导致输出的微小差异,但可以忽略不计。 掩码推断功能不同。 在Detectron2中,"paste_mask"函数是不同的,应该比Detectron中的准确性更高。此更改可以使COCO上的遮罩AP绝对值提高约0.5％。 训练上也有一些其他差异,但它们不会影响模型级别的兼容性。主要的是： 我们通过RPN.POST_NMS_TOPK_TRAIN按图像而不是按批处理修复了Detectron中的错误。该修复程序可能会导致某些型号的精度下降(例如,关键点检测),并且需要进行一些参数调整才能匹配Detectron结果。bug:(https://github.com/facebookresearch/Detectron/issues/459) 简单起见,我们将边界框回归中的默认损失更改为L1损失,而不是平滑的L1损失。我们已经观察到,这往往会略微降低box AP50,但针对较高的重叠阈值提高了box AP(导致box AP的总体改善)。 我们将COCO边界框和分段注释中的坐标解释为[0, width] 或[0, height]中的坐标。COCO关键点注释中的坐标被解释为范围为[0, width - 1]或[0, width - 1]的像素索引。请注意,这会影响翻转增强的实现方式。 稍后,我们将在上述有关像素,坐标和"+1"的问题背后分享更多细节和原理。 与Caffe2的兼容性 如上所述,尽管与Detectron不兼容,但相关操作已在Caffe2中实现,因此可以在Caffe2中转换使用detectron2训练的模型。请参阅本教程的部署。 部署:(https://detectron2.readthedocs.io/tutorials/deployment.html) 与TensorFlow的兼容性 TensorFlow中提供了大多数操作,尽管需要解决在调整大小/ ROIAlign /填充方面的一些微小差异。tensorpack FasterRCNN提供了一个有效的转换脚本, 以在TensorFlow中运行标准的detectron2模型。 tensorpack FasterRCNN:(https://github.com/tensorpack/tensorpack/tree/master/examples/FasterRCNN/convert_d2) 参考链接：https://detectron2.readthedocs.io/notes/compatibility.html

查看更多关于Detectron2系列之与其他库的兼容性的详细内容...