efficientDet 환경 구축

efficientDet을 사용하기 위한 환경설정 구축

1) 사양
System : Windows11 - WSL2 - Ubuntu20.04LTS - Docker
Hardware : 3600X + Geforce1660ti + 16GB RAM

2) 환경 설정
Image : nvidia/cuda:10.2-cudnn7-devel-ubuntu18.04
GIT : https://github.com/rwightman/efficientdet-pytorch
Container 에서 진행

• apt update [apt update]
• apt install sudo [sudo install]
• sudo apt install -y build-essential checkinstall libreadline-gplv2-dev libncursesw5-dev libssl-dev libsqlite3-dev tk-dev libgdm-dev libc6-dev libbz2-dev zlib1g-dev openssl libffi-dev wget git vim zip [package install]
• git clone https://github.com/rwightman/efficientdet-pytorch [git clone]
• sudo apt install python3 python3-pip [package install]
• sudo apt install python3.7-dev
• cd efficientdet-pytorch
• python3.7 -m pip install -r requirements.txt [install requirements for efficientDet]
• mkdir datasets
• cd datasets
• wget http://images.cocodataset.org/zips/val2017.zip
• wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
• unzip annotations_trainval2017.zip
• unzip val2017.zip

3) Train
vim으로 efficientdet-pytorch에 있는 distributed_train.sh 를 열어서
python을 python3.7로 수정해준다

./distributed_train.sh 1 dataset/ --model tf_efficientdet_d0 -b 1 --amp --lr .1 --sync-bn --pretrained

bash 로 train.py를 실행시켜주는데, train.py에 보면 다양한 argument 들이 있다.
위 커맨드는 기본적인 command만 적혀있으므로 argument들을 먼저 본 후에 명령어를 입력하도록 하자.

• dataset/ : dataset 경로 [해당 폴더에 annotations 와 image dataset 폴더로 구성이 되있어야함]
• model : efficientdet_d0 ~ d7 까지 compound scaling에 맞춰 구성되있는데, 이는 추후에 자세히 다루도록 한다.
• b : Batch size
• lr : Learning rate
• amp : FP16과 FP32 연산을 섞어 사용하여 배치사이즈를 늘리고, 속도도 증가시키는 mixed precision training 기법
• sync-bn : 멀티 GPU 사용시 각 GPU마다 적용되는 Batch normalization의 sync를 맞춰 Memory의 효율성을 증진시키는 기법
• pretrained : pretrained backbone 설정