作者|facebookresearch
编译|Flin
来源|Github

与其他库的兼容性

与Detectron的兼容性(和maskrcnn-benchmark)

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。

SRE实战 互联网时代守护先锋,助力企业售后服务体系运筹帷幄!一键直达领取阿里云限量特价优惠。

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/宽度计算的变化最明显的变化是:

    • 边界框回归中的编码/解码。
    • 非最大抑制。但是,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的锚点。
    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).

    1. 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)POOLER_TYPE=ROIAlign代替 ROIAlignV2(默认值)。

    2. OI的最小大小不需要为1。这将导致输出的微小差异,但应忽略不计。

  • 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,同时针对较高的重叠阈值提高box AP(并导致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][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] [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。

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。

原文链接:https://detectron2.readthedocs.io/notes/compatibility.html

欢迎关注磐创AI博客站:
http://panchuang.net/

sklearn机器学习中文官方文档:
http://sklearn123.com/

欢迎关注磐创博客资源汇总站:
http://docs.panchuang.net/

扫码关注我们
微信号:SRE实战
拒绝背锅 运筹帷幄