MASK-RCNN自定义数据集优化思路(pytorch)

MASK-RCNN自定义数据集优化思路(pytorch)

1. 调整优化器GSD->AdamW也许有用
2. 不使用imagenet的标准化参数(std,mean),计算自己数据集的标准化参数传入进行训练.(如果模型照片不是通用图像也许表现会跟好)
3. 如果细长条的对象无法被准确识别,尝试调整AnchorGenerator的aspect_ratios,以引入更多比例的候选框.例如:((0.25, 0.5, 1.0, 2.0, 4.0),)
4. boxhead的实现,使用FastRCNNConvFCHead来代替pytorch的默认TwoMLPHead实现

box_head = FastRCNNConvFCHead(
    (256, 7, 7), [256, 256, 256, 256], [1024],
    norm_layer=torch.nn.BatchNorm2d
)

5. 如果mask的边缘贴合的并不是很好,特别是原尺寸的过大时,使用更大尺寸的mask_roi_pool来优化结果,例如:

mask_roi_pool = MultiScaleRoIAlign(featmap_names=["0", "1", "2", "3"], output_size=56, sampling_ratio=2)
        

加载模型示例

        # 加载模型
        self.model = mask_rcnn.maskrcnn_resnet50_fpn(num_classes=config.NUM_CLASSES,
                                                     weights=None,
                                                     backbone_weights=ResNet50_Weights.IMAGENET1K_V2,
                                                     image_mean=mean,
                                                     image_std=std,
                                                     trainable_backbone_layers=config.TRAINABLE_BACKBONE_LAYERS,
                                                     rpn_anchor_generator=config.RPN_ANCHOR_GENERATOR,
                                                     box_nms_thresh=0.2,
                                                     box_head=box_head,
                                                     mask_roi_pool=mask_roi_pool
                                                     )