Question

我是gluon的新手，所以我决定运行这些示例以熟悉编码风格（几年前我使用keras，这种混合风格对我有点困惑）。

我的问题是我可以运行这些示例，但是在成功执行了该示例（这是一个jupyter笔记本）上的每个单元之后，我上传了一个外部图像，并且网络似乎无法检测任何对象。我在 02上粘贴了相同的单元格。使用预先训练的Faster RCNN模型进行预测，并且预先训练的网络在检测图像上的每个人时都没有问题，因此在我看来示例中的模型没有得到正确训练。

这件事发生在别人身上吗？

我想念什么吗？

提前谢谢！

（顺便说一句，我尝试取消对训练循环的第32行（带有utograd.backward的运动）的注释，并在没有运气的情况下更改了同一循环的突破极限）

链接

在执行原始示例以及下面的单元格时，我遇到了麻烦。

02）https://gluon-cv.mxnet.io/build/examples_detection/demo_faster_rcnn.html

06）https://gluon-cv.mxnet.io/build/examples_detection/train_faster_rcnn_voc.html

我的测试图像

单元格以检测图像上的对象

short, max_size = 600, 800 
RCNN_transform = presets.rcnn.FasterRCNNDefaultTrainTransform(short, max_size)

myImg = 'unnamed.jpg'
x, img = data.transforms.presets.rcnn.load_test(myImg)

box_ids, scores, bboxes = net(x)
ax = utils.viz.plot_bbox(img, bboxes[0], scores[0], box_ids[0], class_names=net.classes)

plt.show()

系统信息（如果有）

我正在使用我的个人计算机，也正在使用google colab，结果相同，但以防万一...

操作系统：Ubuntu 18.04

硬件

$ hwinfo --short
cpu:                                                            
                   Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz, 2700 MHz
                   Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz, 2700 MHz
                   Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz, 2700 MHz
                   Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz, 2700 MHz
                   Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz, 2700 MHz
                   Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz, 2700 MHz
                   Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz, 2700 MHz
                   Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz, 2700 MHz

graphics card:
                   nVidia GM107M [GeForce GTX 960M]
                   Intel HD Graphics 530

NVidia驱动程序

$ nvidia-smi
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 440.82       Driver Version: 440.82       CUDA Version: 10.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 960M    Off  | 00000000:02:00.0 Off |                  N/A |
| N/A   41C    P5    N/A /  N/A |    665MiB /  4046MiB |     23%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      2560      G   /usr/lib/xorg/Xorg                           308MiB |
|    0      2921      G   /usr/bin/gnome-shell                         132MiB |
|    0      3741      G   ...quest-channel-token=7390050445218241480    31MiB |
|    0      5455      G   ...AAAAAAAAAAAACAAAAAAAAAA= --shared-files   176MiB |
+-----------------------------------------------------------------------------+

CUDA

$nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2019 NVIDIA Corporation
Built on Wed_Oct_23_19:24:38_PDT_2019
Cuda compilation tools, release 10.2, V10.2.89

安装了MxNet和Gluon

$ pip install mxnet-cu102mkl
$ pip install --upgrade mxnet-cu102mkl gluoncv

编辑我一直在修改训练循环，到目前为止，这是我所做的。第三个for循环之后的第一行只是将数据存储在GPU上。

#net.hybridize()
epochs = 50
for epoch in range(epochs):
    print("epoch: ", epoch,"---------------------------------")
    batch_size = 10
    for ib, batch in enumerate(train_loader):
        #print(ib)
        if ib > 500:
            break
        for dataa, label, rpn_cls_targets, rpn_box_targets, rpn_box_masks in zip(*batch):

            dataa = dataa.as_in_context(mx.gpu(0))
            label = label.as_in_context(mx.gpu(0)).expand_dims(0)
            rpn_cls_targets = rpn_cls_targets.as_in_context(mx.gpu(0))
            rpn_box_targets = rpn_box_targets.as_in_context(mx.gpu(0))
            rpn_box_masks = rpn_box_masks.as_in_context(mx.gpu(0))

            gt_label = label[:, :, 4:5]
            gt_box = label[:, :, :4]

            with autograd.record():
                # network forward
                cls_preds, box_preds, roi, samples, matches, rpn_score, rpn_box, anchors, cls_targets, box_targets, box_masks, _ = net(dataa.expand_dims(0), gt_box, gt_label)

                # losses of rpn
                rpn_score = rpn_score.squeeze(axis=-1)
                num_rpn_pos = (rpn_cls_targets >= 0).sum()
                rpn_loss1 = rpn_cls_loss(rpn_score, rpn_cls_targets,rpn_cls_targets >= 0) * rpn_cls_targets.size / num_rpn_pos
                rpn_loss2 = rpn_box_loss(rpn_box, rpn_box_targets,rpn_box_masks) * rpn_box.size / num_rpn_pos

                # losses of rcnn
                num_rcnn_pos = (cls_targets >= 0).sum()
                rcnn_loss1 = rcnn_cls_loss(cls_preds, cls_targets,cls_targets >= 0) * cls_targets.size / cls_targets.shape[0] / num_rcnn_pos
                rcnn_loss2 = rcnn_box_loss(box_preds, box_targets, box_masks) * box_preds.size / box_preds.shape[0] / num_rcnn_pos

            # some standard gluon training steps:
            autograd.backward([rpn_loss1, rpn_loss2, rcnn_loss1, rcnn_loss2])
            trainer.step(batch_size)

我对培训师感到怀疑，我在其他示例中也发现了这一点，但不确定在这种情况下是否可行。

trainer = gluon.Trainer(net.collect_params(), 'sgd',{'learning_rate': 0.01, 'wd': 0.05, 'momentum': 0.9})

编辑

这是我一直在使用的.ipynb文件的副本（google-colab版本） https://drive.google.com/file/d/1WevimDyTP1lvq_A0OBRMgC-PH8pK4iBv/view?usp=sharing

gluoncv对象检测问题“在PASCAL VOC上端到端训练更快的RCNN”示例

0 个答案: