目标检测是计算机视觉领域的基础任务，没个称手的Model Zoo怎么行？
今天给大家安利一个简单好用的目标检测的算法模型库miemiedetection，目前在GitHub已斩获130+颗star
代码链接：https://github.com/miemie2013/miemiedetection
miemiedetection是基于YOLOX进行二次开发的个人检测库，还支持PPYOLO、PPYOLOv2、PPYOLOE、FCOS等算法。
得益于YOLOX的优秀架构，miemiedetection里的算法训练速度都非常快，数据读取不再是训练速度的瓶颈。
代码开发使用的深度学习框架为pyTorch，实现了可变形卷积DCNv2、Matrix NMS等高难度算子，支持单机单卡、单机多卡、多机多卡训练模式（多卡训练模式建议使用Linux系统），支持Windows、Linux系统。
并且由于miemiedetection是一个不需要安装的检测库，用户可以直接更改其代码改变执行逻辑，所以向库中添加新算法也很容易。
作者表示未来还会加入更多的算法支持（还有女装）。
复现模型，最重要的就是准确率要跟原版的基本相同。
先看PPYOLO、PPYOLOv2、PPYOLOE这三个模型，作者均经过了loss对齐、梯度对齐的实验。
为了保留证据，在源码中还可以看到注释掉的读写*.npz 的部分，都是做对齐实验遗留的代码。
并且作者还详细记录了性能对齐的过程，对于新手来说，照着这条路走一遍，也是一个不错的学习过程！
全部的训练日志也都记录保存在仓库中，足以证明复现PPYOLO系列算法的正确性！
最后的训练结果显示，复现的PPYOLO算法和原版仓库具有一样的损失、一样的梯度。
另外，作者也试着用原版仓库和miemiedetection迁移学习voc2012数据集，也获得了一样的精度（使用了相同的超参数）。
和原版实现一样，使用了同样的学习率、同样的学习率衰减策略warm_piecewisedecay（PPYOLO和PPYOLOv2使用）和warm_cosinedecay（PPYOLOE使用）、同样的指数滑动平均EMA、同样的数据预处理方式、同样的参数L2权重衰减、同样的损失、同样的梯度、同样的预训练模型，迁移学习得到了同样的精度。
实验做得足，测试做得多，保证大家有美好的使用体验！
不要998，也不要98，只要点个star，所有目标检测算法免费带回家！
想跑通模型，参数很重要，作者提供了转换好的预训练pth权重文件，可以通过百度网盘直接下载。
链接：https://pan.baidu.com/s/1ehEqnNYKb9Nz0XNeqAcwDw
提取码：qe3i
或者按照下面的步骤获取：
第一步，下载权重文件，项目根目录下执行（即下载文件，Windows用户可以用迅雷或浏览器下载wget后面的链接，这里为了展现美观，只以ppyoloe_crn_l_300e_coco为例）：
注意，带有pretrained字样的模型是在ImageNet上预训练的骨干网路，PPYOLO、PPYOLOv2、PPYOLOE加载这些权重以训练COCO数据集。其余为COCO上的预训练模型。
第二步，转换权重，项目根目录下执行：
其中各个参数的含义为：
- -f表示的是使用的配置文件；
- -c表示的是读取的源权重文件；
- -oc表示的是输出（保存）的pytorch权重文件；
- -nc表示的是数据集的类别数；
- --only_backbone为True时表示只转换骨干网络的权重；
执行完毕后就会在项目根目录下获得转换好的*.pth权重文件。
在下面的命令中，大部分都会使用模型的配置文件，所以一开始就有必要先详细解释配置文件。
mmdet.exp.base_exp.BaseExp为配置文件基类，是一个抽象类，声明了一堆抽象方法，如get_model()表示如何获取模型，get_data_loader()表示如何获取训练的dataloader，get_optimizer()表示如何获取优化器等等。
mmdet.exp.datasets.coco_base.COCOBaseExp是数据集的配置，继承了BaseExp，它只给出数据集的配置。该仓库只支持COCO标注格式的数据集的训练！
其它标注格式的数据集，需要先转换成COCO标注格式，才能训练（支持太多标注格式的话，工作量太大）。可以通过miemieLabels将自定义的数据集转换成COCO的标注格式。所有的检测算法配置类都会继承COCOBaseExp，表示所有的检测算法共用同样的数据集的配置。
COCOBaseExp的配置项有：
其中，
- self.num_classes表示的是数据集的类别数；
- self.data_dir表示的是数据集的根目录；
- self.cls_names表示的是数据集的类别名文件路径，是一个txt文件，一行表示一个类别名。如果是自定义数据集，需要新建一个txt文件并编辑好类别名，再修改self.cls_names指向它；
- self.ann_folder表示的是数据集的注解文件根目录，需要位于self.data_dir目录下；
- self.train_ann表示的是数据集的训练集的注解文件名，需要位于self.ann_folder目录下；
- self.val_ann表示的是数据集的验证集的注解文件名，需要位于self.ann_folder目录下；
- self.train_image_folder表示的是数据集的训练集的图片文件夹名，需要位于self.data_dir目录下；
- self.val_image_folder表示的是数据集的验证集的图片文件夹名，需要位于self.data_dir目录下；
对于VOC 2012数据集，则需要修改数据集的配置为：
另外，你也可以像exps/ppyoloe/ppyoloe_crn_l_voc2012.py中一样，在子类中修改self.num_classes、self.data_dir这些数据集的配置，这样COCOBaseExp的配置就被覆盖掉（无效）了。
将前面提到的模型下载好后，在VOC2012数据集的self.data_dir目录下新建一个文件夹annotations2，把voc2012_train.json、voc2012_val.json放进这个文件夹。
最后，COCO数据集、VOC2012数据集、本项目的放置位置应该是这样：
数据集根目录和miemiedetection-master是同一级目录。我个人非常不建议把数据集放在miemiedetection-master里，那样的话PyCharm打开会巨卡无比；而且，多个项目（如mmdetection、PaddleDetection、AdelaiDet）共用数据集时，可以做到数据集路径和项目名无关。
mmdet.exp.ppyolo.ppyolo_method_base.PPYOLO_Method_Exp是实现具体算法所有抽象方法的类，继承了COCOBaseExp，它实现了所有抽象方法。
exp.ppyolo.ppyolo_r50vd_2x.Exp是PPYOLO算法的Resnet50Vd模型的最终配置类，继承了PPYOLO_Method_Exp；
PPYOLOE的配置文件也是类似这样的结构。
首先，如果输入的数据为一张图片，则在项目根目录下执行：
其中各个参数的含义为：
- -f表示的是使用的配置文件；
- -c表示的是读取的权重文件；
- --path表示的是图片的路径；
- --conf表示的是分数阈值，只会画出高于这个阈值的预测框；
- --tsize表示的是预测时将图片Resize成--tsize的分辨率；
预测完成后控制台会打印结果图片的保存路径，用户可打开查看。如果是使用训练自定义数据集保存的模型进行预测，修改-c为你的模型的路径即可。
如果预测的是一个文件夹下的所有图片，则在项目根目录下执行：
将--path修改为对应图片文件夹的路径即可。
如果读取ImageNet预训练骨干网络训练COCO数据集，则在项目根目录下执行：
一条命令直接启动单机八卡训练，当然了，前提是你真的有一台单机8卡的超算。
其中各个参数的含义为：
-f表示的是使用的配置文件；
-d表示的是显卡数量；
-b表示的是训练时的批大小（所有卡的）；
-eb表示的是评估时的批大小（所有卡的）；
-c表示的是读取的权重文件；
--fp16，自动混合精度训练；
--num_machines，机器数量，建议单机多卡训练；
--resume表示的是是否是恢复训练；
建议读取COCO预训练权重进行训练，因为收敛快。
以上述的VOC2012数据集为例，对于ppyolo_r50vd模型，如果是1机1卡，输入下述命令开始训练：
如果训练因为某些原因中断，想要读取之前保存的模型恢复训练，只要修改-c为想要读取模型的路径，再加上--resume参数即可。
如果是2机2卡，即每台机上1张卡，在0号机输入以下命令：
并在1号机输入以下命令：
只需要把上面2条命令的192.168.0.107改成0号机的局域网ip即可。
如果是1机2卡，则输入下面的命令即可开始训练：
迁移学习VOC2012数据集，实测ppyolo_r50vd_2x的AP(0.50:0.95)可以到达0.59+、AP(0.50)可以到达0.82+、AP(small)可以到达0.18+。不管是单卡还是多卡，都能得到这个结果。
迁移学习时和PaddleDetection获得了一样的精度、一样的收敛速度，二者的训练日志位于train_ppyolo_in_voc2012文件夹下。
如果是ppyoloe_l模型，在单机输入下面的命令即可开始训练（冻结了骨干网络）
迁移学习VOC2012数据集，实测ppyoloe_l的AP(0.50:0.95)可以到达0.66+、AP(0.50)可以到达0.85+、AP(small)可以到达0.28+。
命令和具体的参数如下。
在项目根目录下运行结果为：
转换权重后精度有一点损失，大约为0.4%。
