swin-transformer为主干网络的Faster Rcnn

-9lbc

2538人浏览 · 2023-07-17 17:56:28

-9lbc · 2023-07-17 17:56:28 发布

1.以swin transformer为主干网络的faster rcnn（带FPN）

搞毕设时候用了mmdet的swim-transformer但是刚刚好遇上mmdet版本大更新，于是导致很多小问题，所以我基于pytorch2.0搭建了一个的以swin-transformer为特征提取网络带有FPN的swin faster rcnn。

基本原理如下图

可以看出，我们可以swin-transformer基本看为四个block组成，其中我们可以提取这四个Block的输出，进入FPN以实现多尺度融合的特征图，然后用pytorch的bonewithfpn方法就可以建立一个基本的faster rcnn，再传入pytorch的faster rcnn库就行。不过值得注意的是layernorm导致维度，permute了一下，直接使用pytorch方法会导致四个block得出的特征图不是增加而是递减的效果。

可见代码库中的network_files/get_trans_fpn.py 这一段代码

    def forward(self, x):
        out = OrderedDict()
        for name, module in self.items():
            x = module(x)
            if name in self.return_layers:
                out_name = self.return_layers[name]
                out[out_name] = torch.permute(x, [0, 3, 1, 2])
        return out

在上述代码中，实现了重新permute回到[96, 96 * 2, 96 * 2 * 2, 96 * 2 * 2 * 2]这种递增的特征图形式，mmdet提取的特征也是如此。

先介绍一下环境配置与如何训练自己的数据集，不过代码也有许多没有完成的功能，比如多gpu训练，断点重续等。

最后，如果你要换swin_transformer的预训练模型，例如你想要swin_s模型把下列代码的swin_t换成swin_s,Swin_T_Weights.DEFAULT的T换成S即可。

可换的种类

    "Swin_T_Weights",
    "Swin_S_Weights",
    "Swin_B_Weights",
    "Swin_V2_T_Weights",
    "Swin_V2_S_Weights",
    "Swin_V2_B_Weights",
    "swin_t",
    "swin_s",
    "swin_b",
    "swin_v2_t",
    "swin_v2_s",
    "swin_v2_b",

def create_model(num_classes):
    backbone = swin_t(weights=Swin_T_Weights.DEFAULT).features

2.搭建环境

建立conda 虚拟环境

conda create -n test_swin python=3.8
conda activate test_swin
pip install torch==2.0.0+cu117 torchvision==0.15.1+cu117 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu117
pip install pycocotools
pip install opencv-python
pip install lxml

到这里就完成基本的环境搭建了，可以train了。

更改pascal_voc_classes.json，改为自己的类别，从1开始，0为backgrroud（不用填），将trian中下段代码改为自己的类别数+1，将自己的voc标准的数据集放入swin_faster\dataset下直接是VOCdevkit，VOCdevkit下是VOC2007

model = create_model(num_classes=7)

到这就应该可以训练了。

3.torch的基本方法讲解

所有的任务都要从dataset开始构建，目标检测的dataset构建算是比较复杂的了，总得来说你的数据集类必须有3个方法 init ，在init中你就要完成所有数据与标签的集合，举个例子必须最后你的self.data与lself.abel必须包含所有img，xml文件的路径。

然后就是__getitem__，它一个取数据的功能，假如你的dataset = VOCDataSet(voc_root),当你调用dataset[0]时，他就会返回你所要的数据与标签（要经过处理）。最后时len方法返回长度而已。

class VOCDataSet(Dataset):
    """读取解析PASCAL VOC2007/2012数据集"""

    def __init__(self, voc_root, year="2012", transforms=None, txt_name: str = "train.txt"):
  
    def __len__(self):
        return len(self.xml_list)

    def __getitem__(self, idx):

        return image, target

最后调用

val_data_loader = torch.utils.data.DataLoader(val_dataset,
                                              batch_size=1,
                                              shuffle=False,
                                              pin_memory=True,
                                              num_workers=nw,
                                              collate_fn=val_dataset.collate_fn)

就可以得到一个迭代器，你可以用for循环遍历里面的物品，例如

fo i (image, target) in enumerate(valdataloder)
    print(i,image,target)

最后就是训练,基本的训练过程，model(image,label)调用是model中forward函数，有时候loss函数就在模型里，外面训练就不要loss函数了。

params = [p for p in model.parameters() if p.requires_grad]
optimizer = torch.optim.AdamW(params)
for epoch in range(epoches)
    for i (image, target) in enumerate(valdataloder)
        out=model(image,target)
        loss = nn.损失函数(out,label)
    
        optimizer.zero_grad() #基本的反向传播与梯度更新
        loss.backward()
        optimizer.step()

4，数据增强方法

直接转入Dataset类就行，基本格式如下

    transforms = {"train":
        T.Compose([
            T.ToTensor(),
            T.Normalize(mean=(0.3946, 0.7648, 0.3659), std=(0.1767, 0.0993, 0.1097)),
            # T.ElasticTransform(),
            # T.RandomCrop(size = 300),
            # T.RandomPerspective(distortion_scale=0.5, p=0.5),
            T.RandomHorizontalFlip(),
            # ,n
        ]),
        "val": T.Compose(
            [T.ToTensor(),
             T.Normalize(mean=(0.3946, 0.7648, 0.3659), std=(0.1767, 0.0993, 0.1097))])
    }

归一化参数计算函数

def get_mean_and_std(dataset):  # (tensor([0.3946, 0.7648, 0.3659]), tensor([0.1767, 0.0993, 0.1097]))
    '''Compute the mean and std value of dataset.'''
    dataloader = torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=True, num_workers=0)
    mean = torch.zeros(3)
    std = torch.zeros(3)
    print('==> Computing mean and std..')
    for images, labels in dataloader:
        for i in range(3):
            mean[i] += images[:, i, :, :].mean()
            std[i] += images[:, i, :, :].std()
    mean.div_(len(dataset))
    std.div_(len(dataset))
    return mean, std

最后，感谢以下项目的开源

pytorch/vision: Datasets, Transforms and Models specific to Computer Vision (github.com)

WZMIAOMIAO/deep-learning-for-image-processing: deep learning for image processing including classification and object-detection etc. (github.com)

代码

链接：https://pan.baidu.com/s/19bKf_g0ShTAa-8Qc7Kai3w?pwd=ptod
提取码：ptod

swin transformer论文 http://export.arxiv.org/pdf/2103.14030v2.pdf

想起之前写论文一直写的是swim-transformer就好笑，hhhhhh

最后用什么问题可以在评论区一起探讨。