概要

まだまだ日本語情報が少ない物体検出フレームワーク"MMDetection"について、学んだことを記録していこうと思います。間違い等ありましたらぜひコメントで教えてください。よろしくお願いします。

前回：データ処理パイプラインのカスタマイズ編

今回は、モデルのコンポーネントとなるモジュールを自分で作ってモデルに組み込む方法をまとめます。

バックボーンの作成

MobileNetを作成してみます。

1. 新しいモジュールの定義

mmdet/models/backbones/mobilenet.pyを作成し、MobileNetを実装します。
さらに、デコレータを用いることでバックボーンモジュールとして登録することができます。

mobilenet.py

import torch.nn as nn

from ..builder import BACKBONES


@BACKBONES.register_module()  # バックボーンモジュールとして登録するためのデコレータ
class MobileNet(nn.Module):

    def __init__(self, arg1, arg2):
        # 省略
        pass

    def forward(self, x):  # should return a tuple
        # 省略
        pass

    def init_weights(self, pretrained=None):
        # 省略
        pass

2. 作成したモジュールのimport

mmdet/models/backbones/__init__.pyに以下の内容を追加する

__init__.py

from .mobilenet import MobileNet

3. モジュールを利用する

config.py

model = dict(
    ...
    backbone=dict(
        type='MobileNet',
        arg1=xxx,
        arg2=xxx),
    ...

ネックの作成

PAFPNを作成してみます。

1. 新しいモジュールの定義

mmdet/models/backbones/pafpn.pyを作成し、PAFPNを実装します。
さらに、デコレータを用いることでネックモジュールとして登録することができます。

pafpn.py

from ..builder import NECKS

@NECKS.register_module()  # ネックモジュールとして登録するためのデコレータ
class PAFPN(nn.Module):

    def __init__(self,
                in_channels,
                out_channels,
                num_outs,
                start_level=0,
                end_level=-1,
                add_extra_convs=False):
        pass

    def forward(self, inputs):
        # 省略
        pass

2. 作成したモジュールのimport

mmdet/models/necks/__init__.pyに以下の内容を追加する

__init__.py

from .pafpn import PAFPN

3. モジュールを利用する

config.py

neck=dict(
    type='PAFPN',
    in_channels=[256, 512, 1024, 2048],
    out_channels=256,
    num_outs=5)

ヘッドの作成

Double Head R-CNN を実装するために、DoubleConvFCBBoxHeadとDoubleHeadRoIHeadを作成します。

1. 新しいモジュールの定義

mmdet/models/roi_heads/bbox_heads/double_bbox_head.pyを作成し、 DoubleConvFCBBoxHeadを実装します。
デコレータを用いることでヘッドモジュールとして登録することができます。

double_bbox_head.py

from mmdet.models.builder import HEADS
from .bbox_head import BBoxHead

@HEADS.register_module()
class DoubleConvFCBBoxHead(BBoxHead):

    def __init__(self,
                 num_convs=0,
                 num_fcs=0,
                 conv_out_channels=1024,
                 fc_out_channels=1024,
                 conv_cfg=None,
                 norm_cfg=dict(type='BN'),
                 **kwargs):
        kwargs.setdefault('with_avg_pool', True)
        super(DoubleConvFCBBoxHead, self).__init__(**kwargs)

    def init_weights(self):
        # conv layers are already initialized by ConvModule

    def forward(self, x_cls, x_reg):
        # 省略

mmdet/models/roi_heads/double_roi_head.pyを作成し、 DoubleHeadRoIHeadを実装します。
デコレータを用いることでヘッドモジュールとして登録することができます。

double_roi_head.py

from ..builder import HEADS
from .standard_roi_head import StandardRoIHead


@HEADS.register_module()
class DoubleHeadRoIHead(StandardRoIHead):

    def __init__(self, reg_roi_scale_factor, **kwargs):
        super(DoubleHeadRoIHead, self).__init__(**kwargs)
        self.reg_roi_scale_factor = reg_roi_scale_factor

    def _bbox_forward(self, x, rois):
        # 省略
        pass

2. 作成したモジュールのimport

mmdet/models/bbox_heads/__init__.pyとmmdet/models/roi_heads/__init__.pyを修正してモジュールをimportする。

3. モジュールを利用する

config.py

_base_ = '../faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
model = dict(
    roi_head=dict(
        type='DoubleHeadRoIHead',
        reg_roi_scale_factor=1.3,
        bbox_head=dict(
            _delete_=True,
            type='DoubleConvFCBBoxHead',
            num_convs=4,
            num_fcs=2,
            in_channels=256,
            conv_out_channels=1024,
            fc_out_channels=1024,
            roi_feat_size=7,
            num_classes=80,
            bbox_coder=dict(
                type='DeltaXYWHBBoxCoder',
                target_means=[0., 0., 0., 0.],
                target_stds=[0.1, 0.1, 0.2, 0.2]),
            reg_class_agnostic=False,
            loss_cls=dict(
                type='CrossEntropyLoss', use_sigmoid=False, loss_weight=2.0),
            loss_bbox=dict(type='SmoothL1Loss', beta=1.0, loss_weight=2.0))))

Lossの作成

BBox回帰のためのMyLossを作成してみます。

1. 新しいLossの定義

mmdet/models/losses/my_loss.pyを作成し、MyLossを実装します。
weighted_lossデコレータを用いると、重み付き損失関数を簡単に作ることができます。

my_loss.py

import torch
import torch.nn as nn

from ..builder import LOSSES
from .utils import weighted_loss

@weighted_loss
def my_loss(pred, target):
    assert pred.size() == target.size() and target.numel() > 0
    loss = torch.abs(pred - target)
    return loss

@LOSSES.register_module()
class MyLoss(nn.Module):

    def __init__(self, reduction='mean', loss_weight=1.0):
        super(MyLoss, self).__init__()
        self.reduction = reduction
        self.loss_weight = loss_weight

    def forward(self,
                pred,
                target,
                weight=None,
                avg_factor=None,
                reduction_override=None):
        assert reduction_override in (None, 'none', 'mean', 'sum')
        reduction = (
            reduction_override if reduction_override else self.reduction)
        loss_bbox = self.loss_weight * my_loss(
            pred, target, weight, reduction=reduction, avg_factor=avg_factor)
        return loss_bbox

2. 作成したLossのimport

mmdet/models/losses/__init__.pyに以下の内容を追加する

__init__.py

from .my_loss import MyLoss, my_loss

3. Lossを利用する

config.py

loss_bbox=dict(type='MyLoss', loss_weight=1.0))

参考文献

公式ドキュメント