Object Detection Library
하나의 library가 아니라 여러 개의 library가 사용되고 있다. 그 중에 주로 MMDetection과 Detectron2가 주로 사용되고 있다.
MMDetection
2-stage 모델은 크게 Backbone,Nectk,DenseHead,RoIHead로 나눌 수 있다. 각 부분은 모두 config를 통해 수정이 가능하다.
backbone은 입력이미지를 feature map으로 변환한다. Neck은 feature map을 재구성한다. DenseHead에서 localization을 수행하고 RoIHead에서 bbox regression, classification을 수행한다.
라이브러리 및 모듈 import
config file 불러오기
config file 수정하기
모델, dataset build
학습
Config file 구조
Configs를 통해 모델, scheduler, optimizer를 정의할 수 있다.
Pipeline
Model
- backbone : 입력이미지를 feature map으로 변형해주는 네트워크
- Neck : Backbone과 Head를 연결하고 Feature map을 재구성한다.
- RPN_head : Region Proposal Network, RPNHead, Anchor_Free_Head, Anchor_Generator, Bbox_coder, Loss_cls, Loss_bbox
- RoI_head : Region of Interest, StandardRoIHead, CasecadeRoIHead, bbox_roi_extractor, bbox_head
커스텀 모델 등록
- 새로운 backbone 등록
- 모듈 import
- 등록한 backbone 사용
- Runetime settings
- Optimizer
- Training Schedules
- learning rate
- runner
Detectron2
Facebook AI Research의 Pytorch 기반 라이브러리
Object detection 외에 Segmentation, Pose prediction등 알고리즘 제공
Pipeline
Setup Config
Setup Trainier
- build_moder
- build_detection
- build_optimizer
- build_lr_scheduler
Start Training
라이브러리 및 모듈 import
Dataset 등록
Config file 불러오기
Config file 수정하기
Augmentation mapper 정의
- Detectron은 따로 pipeline이 없다. 그래서 자유도가 높은 반면 구현난이도가 높다.
Trainer 정의
Train
Config file 구조
- Dataset Config
- Dataloader Config
Train, Test에 각각 등록한 데이터셋의 이름을 입력하여 등록을 완료한다.
Config file에 train과 test dataset을 명시해서 사용할 수 있도록 한다.
Data Augmentation
- Dataloader에 mapper를 input 으로넣는다.
모델 구성
BackBone : 입력 이미지를 Feature map으로 변형시켜주는 네트워크
새로운 BackBone등록
등록한 backbone 사용
FPN : BackBone과 Head를 연결하여 Feature map을 재구성한다.
Anchor Generator
RPN
RoI Head
RoI box head
Solver
LR_Scheduler
Weight Decay
Clip_Gradient
