如何在 Pytorch 的 Faster R-CNN 中更改“maxdets”的值？

Question

我正在 pytorch 上实现更快的 RCNN 网络。我已按照下一个教程进行操作。

https://pytorch.org/tutorials/intermediate/torchvision_tutorial.html

在一些图像中，我有 100 多个对象要分类。但是，在本教程中，我最多只能检测 100 个对象，因为参数“maxdets” = 100。

有没有办法改变这个值以适应我的项目？

IoU metric: bbox
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.235
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.655
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.105
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.238
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = -1.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.006
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.066
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.331
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.331
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = -1.000

如果只改变下一个参数，问题就解决了吗？

cocoeval.Params.setDetParams.maxDets = [1, 10, 100]

谢谢！

Answer 1

“有些图像中我有超过 100 个对象要分类。”

maxDets = 100 并不意味着它只会对 100 个图像进行分类，而是指% AverageRecall given 100 detections per image

inshort maxDets 与指标无关。分类的图像。

欲了解更多信息，请访问： http://cocodataset.org/#detection-eval

Tensorboard graph recall

https://github.com/matterport/Mask_RCNN/issues/663

 # Limit to max_per_image detections **over all classes**
    if number_of_detections > self.detections_per_img > 0:
        cls_scores = result.get_field("scores")
        image_thresh, _ = torch.kthvalue(
            cls_scores.cpu(), number_of_detections - self.detections_per_img + 1
        )
        keep = cls_scores >= image_thresh.item()
        keep = torch.nonzero(keep).squeeze(1)
        result = result[keep]
    return result

根据这段代码 sn-p 我发现它检查了否。检测的 所以model.roi_heads.detections_per_img=300 对你的目的是正确的。 而且我在 maxdets 上没有找到太多合适的文档，但我想上面的代码应该可以工作。

 # non-maximum suppression, independently done per class
   keep = box_ops.batched_nms(boxes, scores, labels, self.nms_thresh)
 # keep only topk scoring predictions
   keep = keep[:self.detections_per_img]

这段代码 sn-p 表示我们只能过滤掉我们希望在模型中拥有的一些顶级检测。