物体检测和分割轻松上手：从detectron2开始（合篇）
AI编辑：我是小将
物体检测和分割应该算是计算机视觉中常用的而且也比较酷的任务。但相比图像分类，物体检测和分割任务难度更大，另外一点是就是代码实现也更复杂。对于物体检测和分割，目前有以下几个通用的开源项目：
Detectron：FAIR出品，基于caffe2；
maskrcnn-benchmark：FAIR出品，基于PyTorch，可以看成Detectron的PyTorch升级版；
MMDetection：商汤MMLab出品，基于PyTorch，Model zoo相当完备；
SimpleDet：图森出品，基于MxNet；
Tensorflow Object Detection：Google出品，基于TensorFlow 1.x；
每个开源项目都包含了R-CNN系列（Faster R-CNN和Mask R-CNN等）的实现，当然大家都有自己独特的优势，这里不做讨论。今天要介绍的FAIR新出品的detectron2，这个新的项目是maskrcnn-benchmark的替代者，detectron2的优势主要体现在以下三点：
R-CNN系列最强实现，毕竟R-CNN系列大佬在FAIR，另外也支持新的特性，如全景分割（panoptic segmentation）和旋转框（rotated bounding boxes）；
高度模块化，扩展性好，具体讲detectron2可以看成一个基础库，当实现新的模型时是去import而不是modify；
训练速度更快（目前mmdetV2.0速度已经和detectron2相当）
虽然detectron2的model zoo并不如MMDetection，但是这符合detectron2的设计理念，只把最核心和通用的放在框架中，其它的定制化项目只需要依赖它就好，这点可以看一下detectron2下的projects。
这篇文章算是简单的入门介绍，这里会介绍detectron背后的一些主要逻辑，也包括官方的一个实例。
detectron2的安装
detectron2的安装是非常简单的，也没有太多坑，直接参考官方安装说明即可。首先安装1.3+版本的PyTorch和对应的torchvision：
pip install -U torch==1.5 torchvision==0.6
然后安装cpython和pycocotools：
pip install cython; pip install -U 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'
然后直接从source安装最新的detectron2就可以，注意需要gcc & g++ >=5：
python -m pip install 'git+https://github.com/facebookresearch/detectron2.git'
detectron2总览
要整体了解detectron2，可以直接看一下engine里的DefaultTrainer，这里贴一下其核心部分：
model = self.build_model(cfg) # 模型构建
optimizer = self.build_optimizer(cfg, model) # 优化器构建
data_loader = self.build_train_loader(cfg) # 训练dataloader
# For training, wrap with DDP. But don't need this for inference.
if comm.get_world_size() > 1:
model = DistributedDataParallel(
model, device_ids=[comm.get_local_rank()], broadcast_buffers=False
)
super().__init__(model, data_loader, optimizer)
self.scheduler = self.build_lr_scheduler(cfg, optimizer) # 学习速率调度器
# checkpointer，用于模型保存
# Assume no other objects need to be checkpointed.
# We can later make it checkpoint the stateful hooks
self.checkpointer = DetectionCheckpointer(
# Assume you want to save checkpoints together with logs/statistics
model,
cfg.OUTPUT_DIR,
optimizer=optimizer,
scheduler=self.scheduler,
)
self.start_iter = 0
self.max_iter = cfg.SOLVER.MAX_ITER
self.cfg = cfg
# hook注册，hook主要用于实现一些回调，和keras里的callbacks很类似
self.register_hooks(self.build_hooks())
首先说一下detectron2的参数配置是基于yaml和yacs，整个代码中会有一个全局变量cfg，这样的好处是代码比较整洁，而且我们通过配置文件可以很方便地修改所有参数配置。
模型的构建接口就是build_model，这一部分的实现在modeling子模块，在detectron2中，当要加入一个model，就需要注册一个meta_arch（注册指的是在model zoo中加入模型，背后就是维护一个模型字典），比如加入RetinaNet模型：
@META_ARCH_REGISTRY.register()
class RetinaNet(nn.Module):
pass
子模块solver包含了build_optimizer和build_lr_scheduler的实现，目前框架里的optimizer是momentum SGD，而lr调度器有两个：WarmupMultiStepLR和WarmupCosineLR，这是最常用的两种lr调度方式：
数据集构建以及dataloader的实现包含在data子模块中，这里面也包含了常用的transform。目前detectron2包含了常用的物体检测和分割数据集，如VOC和COCO，下面可以查看支持的数据集：
from detectron2.data import MetadataCatalog
MetadataCatalog.list()
不过想使用这些数据集，还需要下载并按结构要求配置，具体可以参考文档。
detectron2也是采用hook来实现一些训练时的控制逻辑，比如模型保存，学习速率调节；hook和keras的callback很类似。
除了上面这些，detectron2的一个重要子模块是structures子模块，这里面主要包含检测和分割常用的基础结构，如box，instance以及mask等等，这些组件是通用的。
自定义数据集
一个通用的框架必然要支持自定义数据集，在detectron2中你可以很容易新增自己的数据集：只需要按照数据格式提供图片路径以及标注就可以，然后注册数据集的元信息。detectron2通过下面的方式去注册数据集：
def get_dicts():
...
return list[dict]
from detectron2.data import DatasetCatalog
DatasetCatalog.register("my_dataset", get_dicts)
上面一个dict就是一个图像以及标注，要按照标注格式提供，主要包含以下几个字段（详细可参考Standard Dataset Dicts）：
file_name：图片所在的绝对路径；
height, width：图片的长和宽；
image_id (str or int)：图片唯一id；
annotations (list[dict])：每个dict就是一个instance的标注信息，如box和mask;
对于instance，主要需要包含以下几个字段：
bbox (list[float])：物体标注框，4个浮点数，要不然是xyxy，或是xywh；
bbox_mode (int)：bbox的格式，BoxMode.XYXY_ABS或者BoxMode.XYWH_ABS；
category_id (int): 类别标签，在[0, num_categories)范围内的整数，一般情况下detectron2会把num_categories这个数设置为背景类；
segmentation (list[list[float]] or dict)：实例分割所需要的mask标注，如果是If list[list[float]], 那就是一系列多边形点集，如果是dict, 那就是COCO's RLE 格式的像素级分割mask;
如果你的数据格式是COCO格式，那么实际上是可以通过detectron2的内置函数快速注册：
from detectron2.data.datasets import register_coco_instances
register_coco_instances("my_dataset_train", {}, "json_annotation_train.json", "path/to/image/dir")
register_coco_instances("my_dataset_val", {}, "json_annotation_val.json", "path/to/image/dir")
当然我们也可以按照上述格式要求自己实现，这里以balloon实例分割数据集为例，这个只有balloon一个类别，具体实现如下：
from detectron2.structures import BoxMode
def get_balloon_dicts(img_dir):
json_file = os.path.join(img_dir, "via_region_data.json")
with open(json_file) as f:
imgs_anns = json.load(f)
dataset_dicts = []
for idx, v in enumerate(imgs_anns.values()):
record = {}
filename = os.path.join(img_dir, v["filename"])
height, width = cv2.imread(filename).shape[:2]
record["file_name"] = filename
record["image_id"] = idx
record["height"] = height
record["width"] = width
annos = v["regions"]
objs = []
for _, anno in annos.items():
assert not anno["region_attributes"]
anno = anno["shape_attributes"]
px = anno["all_points_x"]
py = anno["all_points_y"]
poly = [(x + 0.5, y + 0.5) for x, y in zip(px, py)]
poly = [p for x in poly for p in x] # 这里分割mask用多边形点集表示
obj = {
"bbox": [np.min(px), np.min(py), np.max(px), np.max(py)],
"bbox_mode": BoxMode.XYXY_ABS,
"segmentation": [poly],
"category_id": 0,
"iscrowd": 0
}
objs.append(obj)
record["annotations"] = objs
dataset_dicts.append(record)
return dataset_dicts
from detectron2.data import DatasetCatalog, MetadataCatalog
for d in ["train", "val"]:
# 注册数据集
DatasetCatalog.register("balloon_" + d, lambda d=d: get_balloon_dicts("balloon/" + d))
# 数据集添加元信息，主要是类别名，用于可视化
MetadataCatalog.get("balloon_" + d).set(thing_classes=["balloon"])
# 添加数据集评估指标，采用coco评测准则
MetadataCatalog.get("balloon_" + d).evaluator_type = "coco"
balloon_metadata = MetadataCatalog.get("balloon_train")
这里一共添加了两个数据集：balloon_train和balloon_val，分别用于训练和验证。借助detectron2中的可视化工具，可以可视化数据集中样本：
dataset_dicts = get_balloon_dicts("balloon/train")
for d in random.sample(dataset_dicts, 1):
img = cv2.imread(d["file_name"])
visualizer = Visualizer(img[:, :, ::-1], metadata=balloon_metadata, scale=0.5)
vis = visualizer.draw_dataset_dict(d)
cv2_imshow(vis.get_image()[:, :, ::-1])
自定义Dataloader
一旦添加了数据集，我们可以采用detectron2的默认dataloader来实现数据加载，detectron2.data模块中包含了build_detection_train_loader和build_detection_test_loader两个方法来分别加载训练和测试数据集。下面是构建训练数据的dataloader：
from detectron2.engine import DefaultTrainer
from detectron2.config import get_cfg
from detectron2.data import build_detection_train_loader
cfg = get_cfg()
# 这里用COCO数据集的mask rcnn R50_FPN模型参数
cfg.merge_from_file(model_zoo.get_config_file("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml"))
cfg.DATASETS.TRAIN = ("balloon_train",)
train_loader = build_detection_train_loader(cfg, mapper=None)
## 以下是打印信息，会输出关于数据集的基本统计信息，以及dataloader所采用的数据处理方式以及抽样方法
[04/20 15:26:26 d2.data.build]: Removed 0 images with no usable annotations. 61 images left.
[04/20 15:26:26 d2.data.build]: Distribution of instances among all 1 categories:
| category | #instances |
|:----------:|:-------------|
| balloon | 255 |
| | |
[04/20 15:26:26 d2.data.common]: Serializing 61 elements to byte tensors and concatenating them all ...
[04/20 15:26:26 d2.data.common]: Serialized dataset takes 0.17 MiB
[04/20 15:26:26 d2.data.detection_utils]: TransformGens used in training: [ResizeShortestEdge(short_edge_length=(640, 672, 704, 736, 768, 800), max_size=1333, sample_style='choice'), RandomFlip()]
[04/20 15:26:26 d2.data.build]: Using training sampler TrainingSampler
更进一步地，你可以看一下dataloader加载的batch数据格式：
for batch_data in train_loader:
print(batch_data[0])
break
file_name': 'balloon/train/4543126482_92254ef046_b.jpg', 'image_id': 34, 'height': 1024, 'width': 679, 'image': $tensor, instances': Instances(num_instances=11, image_height=1062, image_width=704, fields=[gt_boxes: Boxes(tensor([[111., 352., 204., 456.], gt_boxes, gt_classes, gt_masks
这个输出格式正是模型输入所要求的格式，后面会细讲。
其实对于dataloader我们更关注的是数据的预处理和数据增强，detectron2在这方面支持性非常好，你只需要自定义DatasetMapper就好，然后送入build_loader的mapper字段，下面是一个mapper例子：
from detectron2.data import build_detection_train_loader
from detectron2.data import transforms as T
from detectron2.data import detection_utils as utils
def mapper(dataset_dict):
# 自定义mapper
dataset_dict = copy.deepcopy(dataset_dict) # 后面要改变这个dict，所以先复制
image = utils.read_image(dataset_dict["file_name"], format="BGR") # 读取图片，numpy array
image, transforms = T.apply_transform_gens([T.Resize((800, 800))], image) # 数组增强
dataset_dict["image"] = torch.as_tensor(image.transpose(2, 0, 1).astype("float32")) # 转成Tensor
annos = [
utils.transform_instance_annotations(obj, transforms, image.shape[:2])
for obj in dataset_dict.pop("annotations")
if obj.get("iscrowd", 0) == 0
] # 数据增强要同步标注
instances = utils.annotations_to_instances(annos, image.shape[:2]) # 将标注转成Instance（Tensor）
dataset_dict["instances"] = utils.filter_empty_instances(instances) # 去除空的
return dataset_dict
data_loader = build_detection_train_loader(cfg, mapper=mapper)
# 构建dataloader时送入mapper
其实mapper简单来说就是将前面dataset中的原始dict转换成特定格式的输出，作为模型的输入。这个过程可以进行一定的数组增强，由于操作的numpy数组，所以你也可以用很多的数据增强库来处理。注意的是一点是如果你构建dataloader时没有送入mapper，那么会采用默认的mapper，具体见dataset_mapper，所以采用默认的mapper时候要确认一下这个mapper是否符合自己的数据集。另外一点是，detectron2对image的normalize是在Model中完成的，所以mapper中只需要转成float32的Tensor就可以。
如果你需要检查自己的dataloader是否符合预期，可以使用tools/visualize_data.py这个脚本对加载的数据进行可视化，这算是一个不错的debug工具。
Model使用和创建
模型是目标检测和分割最核心的部分，detectron2的模型也是模块的，主要包括4个核心的部分：
backbone：模型的CNN特征提取器，目前只支持resnet，另外一点是detectron2也把FPN作为backbone的一部分；
proposal_generator：候选框生成器，目前只支持RPN，一般用于faster R-CNN的一部分，其实RPN单拿出来也是一个简单的one-stage检测模型；
roi_heads：faster R-CNN系列的detector，包括ROIPooler，box_head，mask_head等，其中ROIPooler就是指的ROIPool和ROIAlign方法；
meta_arch：定义最终的模型，不能说是一个单独的模块，应该要集成backbone，proposal_generator和roi_heads构建最终模型。
模块的话好处是可以复用模块来进行组合，比如你可以组合backbone，proposal_generator和roi_heads来构建不同的模型。由于detectron2官方只是支持RCNN模型，所以实现的模块可能不够通用。YOLOv4中给出了更加通用的模块划分：
这个划分更加通用化，主流的检测模型都囊括其中。目前mmdetection框架是按照类似的模块划分来设计的，所以支持更多的模型。
前面已经提过，模型构建是用统一的接口：
from detectron2.modeling import build_model
model = build_model(cfg) # 得到的是一个torch.nn.Module
不论是使用模型还是要自定义模型，必须要了解detectron2中的模型的输入和输出格式。模型的输入是一个list[dict]，每个dict是一个样本的图像以及标注信息，具体如下：
“image”: (C, H, W)格式的Tensor，cfg.INPUT.FORMAT决定图像的channel格式，默认是BGR格式，模型侧会采用cfg.MODEL.PIXEL_{MEAN,STD}对image进行归一化；
“instances”: Instances实例，包括这些字段：gt_boxes，gt_classes，gt_masks，gt_keypoints，不同的模型需求不一样；
“proposals”：Instances实例，RPN产生的结果，用于Faster R-CNN等模型输入，包括proposal_boxes和objectness_logits字段；
“height”, “width”：模型最终输出时的图像大小，不一定和image的size一致，比如你做了resize，但是模型最终可以还原到原来的大小；
“sem_seg”: (H, W)格式的Tensor，用于语义分割GT，类别从0开始（其实detectron是支持分割的，这是一个亮点）；
模型的输入主要包块上述所示的字段，但是根据模型的不同，所需要的字段也有变化。前面说过mapper的输出是作为模型的输入，所以mapper的输出格式也要满足上述要求，在dataloader部分已经给出了实例分割的case。
模型在训练时输出的是dict[str->ScalarTensor]，即各个部分的loss用于模型训练，重点是测试的输出格式，模型输出也是一个list[dict]，每个image对应一个dict：
“instances”: Instances实例，包括:pred_boxes， scores， pred_classes，pred_masks，pred_keypoints，也是模型不同包含字段有不同；
“sem_seg”: (num_categories, H, W)格式的Tensor，语义分割预测结果；
“proposals”：Instances实例，包括:proposal_boxes和objectness_logits，RPN的输出；
“panoptic_seg”: (Tensor, list[dict])，全景分割结果；
同样地，不同类型的模型其输出字段也是不同的，如实例分割的输出格式如下：
{'instances': Instances(num_instances=15, image_height=480, image_width=640, fields=[pred_boxes: Boxes(tensor), scores: tensor, pred_classes: tensor, pred_masks: tensor])}
更进一步地，我们有时候需要自定义新的模型，这就要利用前面所说的detectron2***制。由于detectron2是模块化设计的，你也可以自定义模型的某一个模块，比如你想实现一个新的backbone，那么简单的case如下：
from detectron2.modeling import BACKBONE_REGISTRY, Backbone, ShapeSpec
## 注册backbone
@BACKBONE_REGISTRY.register()
class ToyBackBone(Backbone):
def __init__(self, cfg, input_shape):
super().__init__()
# create your own backbone
self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=16, padding=3)
# 输出格式是dict，这是detectron2的约定格式，与后面的detector相适应
def forward(self, image):
return {"conv1": self.conv1(image)}
# 这个方法是必须的，因为detector的head需要backbone的输出channel
def output_shape(self):
return {"conv1": ShapeSpec(channels=64, stride=16)}
使用这个新的backbone，只需要在配置文件中修改cfg.MODEL.BACKBONE.NAME = 'ToyBackBone'，那么build_model(cfg)得到的模型将使用这个新的backbone。一个要注意的点是，自定义创建的backbone要符合一定规范，这方面可以参考mobilenetv2和vovnet这两个backbone的自定义创建。
其实要学习如何创建自己的模型，一方面首先要掌握的detectron2中核心模型的实现，另外一方面detectron2下的projects也提供了很多优质的模型供参考学习。
模型训练和评测
我们只需要用engine里的DefaultTrainer就可以进行完成训练。前面已经构建了balloon数据集，这里采用mask_rcnn_R_50_FPN模型进行训练，为了加快收敛，使用COCO数据集上训练的模型进行finetune：
from detectron2.engine import DefaultTrainer
from detectron2.config import get_cfg
cfg = get_cfg()
cfg.merge_from_file(model_zoo.get_config_file("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml"))
cfg.DATASETS.TRAIN = ("balloon_train",)
cfg.DATASETS.TEST = ()
cfg.DATALOADER.NUM_WORKERS = 2
cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml") # COCO模型上finetune
cfg.SOLVER.IMS_PER_BATCH = 2
cfg.SOLVER.BASE_LR = 0.00025
cfg.SOLVER.MAX_ITER = 300 # 迭代步数
cfg.MODEL.ROI_HEADS.BATCH_SIZE_PER_IMAGE = 128
cfg.MODEL.ROI_HEADS.NUM_CLASSES = 1 # 只有一类(ballon)
os.makedirs(cfg.OUTPUT_DIR, exist_ok=True)
trainer = DefaultTrainer(cfg)
trainer.resume_or_load(resume=False)
trainer.train()
运行之后，将可以看到模型信息，数据集信息，以及训练过程中的log。训练完成后，可以使用DefaultPredictor对图片进行测试：
cfg.MODEL.WEIGHTS = os.path.join(cfg.OUTPUT_DIR, "model_final.pth")
cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.7 # set the testing threshold for this model
cfg.DATASETS.TEST = ("balloon_val", )
predictor = DefaultPredictor(cfg)
from detectron2.utils.visualizer import ColorMode
dataset_dicts = get_balloon_dicts("balloon/val")
for d in random.sample(dataset_dicts, 3):
im = cv2.imread(d["file_name"])
outputs = predictor(im)
v = Visualizer(im[:, :, ::-1],
metadata=balloon_metadata,
scale=0.8,
instance_mode=ColorMode.IMAGE_BW # remove the colors of unsegmented pixels
)
v = v.draw_instance_predictions(outputs["instances"].to("cpu"))
cv2_imshow(v.get_image()[:, :, ::-1])
如果要对训练好的模型进行评测，就是计算mAP值，只需要：
from detectron2.evaluation import COCOEvaluator, inference_on_dataset
from detectron2.data import build_detection_test_loader
evaluator = COCOEvaluator("balloon_val", cfg, False, output_dir="./output/")
val_loader = build_detection_test_loader(cfg, "balloon_val")
inference_on_dataset(trainer.model, val_loader, evaluator)
------------------------------------------
[06/07 09:30:02 d2.evaluation.coco_evaluation]: Evaluation results for segm:
| AP | AP50 | AP75 | APs | APm | APl |
|:------:|:------:|:------:|:-----:|:------:|:------:|
| 77.251 | 85.083 | 84.743 | 5.959 | 60.356 | 93.479 |
DefaultTrainer里面已经包含了学习速率策略，日志，模型保存以及评估等配置，所以对于大多数情况，直接使用DefaultTrainer训练自己的模型即可。detectron2中提供了tools/train_net.py对DefaultTrainer进行了简单的包装，我们可以执行下列命令进行训练：
./train_net.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml --num-gpus $N
对于配置参数，除了直接修改yaml文件后，你也可以在执行命令时修改配置参数，比如调整学习速率：
./train_net.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml --num-gpus $N SOLVER.BASE_LR 0.0025
如果你想自定义某些训练逻辑，就可以按照train_net.py那样重写DefaultTrainer的某些方法，比如你希望使用自定义的mapper进行训练，那么只需要重写build_train_loader方法：
@classmethod
def build_train_loader(cls, cfg):
return build_detection_train_loader(cfg, mapper=your_mapper)
如果你觉得DefaultTrainer满足不了自己的训练需求，更进一步地你可以参考tools/plain_train_net.py实现自己的某些策略。
模型部署
模型部署也是很重要的一环，目前detectron2只支持转化成caffe2，官方提供了转换脚本：tools/deploy/caffe2_converter.py。当然转成ONNX也是可以的，但是并不是所有的op都支持，这个坑就要自己踩了。另外一个很赞的工作是，detectron2作者提供了一种支持转换成TF模型的方法，那就是通过tensorpack FasterRCNN，目前支持Faster R-CNN和Mask R-CNN等模型。
总之，detectron2是一个非常好的目标检测和分割的开源项目，无论是代码质量还是框架灵活性都是上乘。唯一的缺点是就是相比mmdetection，所支持的模型较少，好在可以扩展。
参考
facebookresearch/detectron2
Detectron2 Beginner's Tutorial
如果觉得不错，请关注一下公众号，也请为小编点个在看，关注公众号，回复加群，进群学习交流
推荐阅读
机器学习算法工程师
一个用心的公众号
上一篇： Oracle中to_Char的用法
下一篇： 2018华东师范大学计算机系机试题目代码