MMdetection 사용법 간략 설명

MMdetection 사용법에 대한 간략한 설명 

 

MMdetection은 config 파일의 parameter를 수정하는 것만으로도 여러가지 detection 을 수행할 수 있도록 하는 강력하고 쉬운 도구입니다. 다만, 워낙 내부의 구조를 감춰놓다보니 config 의 parameter가 무엇이 있는지, 어떻게 사용하는지에 대한 선행 숙지가 필수입니다. 

 

구성은 다음과 같습니다. 

• Model config: model 의 architecture 
• Dataset config: 어떤 데이터 셋을 불러올 것인가, dataset Augmentation
• Scheduler config: Optimizer, Learning rate scheduler
• Runtime config: 모델 성능 무관, log 찍는 방식 관련 

config 불러오는 예시

Object Detection 모델의 형태는 다음과 같습니다. 

• Input 이 들어오면 Backbone이 각 stage별로 feature map을 뽑습는다. 
• Neck에서는 각 뽑힌 feature map의 결합이 일어나고, 
• Head로 넘어가서 prediction을 수행합니다. 
• Two stage의 경우 Dense prediction이 region proposal 역할을 하고, sparse prediction에서 prediction을 합니다. 

 

Model Config

 

One Stage Config 구조 

 

1. type: 

어떤 detector를 사용하는가를 결정합니다. 

2.backbone

backbone마다 필요로 하는 parameter(변수)가 다릅니다. 

이에 따라 각 backbone에서 필요로 하는 parameter를 먼저 숙지하면 좋습니다. 

 

여기서는 공통적으로 사용 많이 되는 parameter만 소개합니다. 

• type: 어떤 backbone model을 사용할지를 의미합니다. 
• num_stages: (backbone) 총 몇개의 stage에서 feature map 을 뽑아낼 것인가를 의미합니다. 
• out_indicies: 몇번째 stage에서 feature map을 추출 할 것인가입니다. 이 또한 모델마다 뽑아내는 feature map 의 위치가 다르므로 꼭 숙지해야 하는 부분입니다. 

 

3. neck

• type: 어떤 neck을 사용할지를 의미합니다. 
• in_channels = backbone에서 stage별로 추출한 feature map의 각 channel 크기 입니다. 
• out_channels = neck에서 feature를 결합한 후 최종 head 로 넘겨주기 전 단계의 channel 크기 입니다. 
•  

4. bbox_head

prediction 을 수행합니다. 

type: 사용할 Head type 을 명시합니다. 

num_classes: dataset의 label 의 개수에 따라 결정됩니다. 현재는 coco dataset 기준으로 80개입니다. 

in_channels: neck 부분에서 넘겨준 channel의 크기입니다. 

stacked_covs: Head 부분에서 Convolution을 생성해서 마지막 prediction을 수행합니다. 이때 사용하는 convolution의 총 개수입니다. 아래 그림에서는 stacked_convs가 3 인 것을 확인할 수 있습니다. 

anchor_generator: 

bbox_coder:

loss_cls

los_bbox

5. train_cfg

모델 학습시 사용하는 parameters 

• pos_iou_thr : positive label 판단 기준
• neg_iou_thr : negative label 판단 기준
• min_pos_iou : 박스 크기가 특정 크기보다 작은 경우 무시합니다.

 

6. test_cfg 

test 시에는 post processing이 진행되기에 , nms type 을 넣어주는 것 등입니다. 

만약 test 기준이 mAP = 0.7 이면 iou_threshold=0.7로 post processing을 하는 것이 좋습니다. 

 

Two Stage Config 구조 

 

One stage에서 추가된 부분만 서술합니다.  

 

rpn_head

in_channels: neck에서 나오는 feature 의 channel을 받아줍니다. 

 

roi_head 

roi 추출 방법에 대해서 config의 작성입니다. 

 

 

Dataset Config 

1. samples_per_gpu 

: 1개의 gpu에 몇개의 이미지를 올릴 것인지 결정합니다. , 즉 single gpu 기준 batch size 입니다. 

2. workers_per_gpu 

: gpu worker 개수 

3. train

클래스에서는 UNKNOWN을 제거하고 작성하셔야합니다. 

ann_file은 json 파일 경로를 작성해주시면 됩니다. 

img_prefix는 이미지들이 어디에 있는지 작성하면 됩니다. 

pipeline

굉장히 중요한 부분입니다. 

 

Transform에 대한 정보가 여기에 작성이 됩니다.

4. val 

5. test

이 부분은 TTA 부분입니다. 

 

Scheduler 

크게 optimizer와 Learning Rate Scheduler를 갖습니다. 

optimizer_config 는 grad_clip 이 들어갑니다. 학습하다가 loss 가 None이 뜨거나 오류가 발생하곤 하는데, 이경우 LR 을 낮추거나 clip을 걸어줍니다. 

Learning Rate config도 작성할 수 있습니다.