使用MindSpore实现FasterRCNN网络的训练和推理

2. 网络结构

每个模块的定义是：

ResnetFea：

resnet的网络结构定义，为FasterRcnn的backbone的网络结构

· FeatPyramidNeck：

FPN（特征金字塔网络）的网络结构定义，为FasterRcnn提供不同的高分辨率特征

· RPN：

RPN(Region proposal network)的网络结构定义，为FasterRcnn第一阶段计算分类与回归loss的模块

· BboxAssignSample：

为RPN模块的子模块，为RPN选择固定比率的正负样本参与loss计算

· Proposal：

选取候选框的模块，后续第二阶段，只对这一模块输出的候选框进行计算

· BboxAssignSampleForRcnn：

对Proposal模块输出的候选框，再次进行一轮正负样本的筛选，用于第二阶段的计算

· SingleRoIExtractor：

该模块主要是用来提取每个候选框的对应特征，并保证特征大小一致

· RCNN：

为FasterRcnn第二阶段计算分类与回归loss的模块

· AnchorGenerator：

预先生成anchor框 的模块

通过以上这些模块的组合，结合之前的网络结构介绍，我们就可以获取到一个完整的FasterRcnn网络的模型定义，下图就是部分整网定义的代码，完整的整网定义可以查看src/faster_rcnn.r50.py文件：

3. Lr定义

4. 数据生成与数据增强

MindSpore中提供了MindRecord的接口来存储数据，方便用户使用，我们可以先把图片与标签数据生成MindRecord格式的数据，方便后续使用：

5. 训练FasterRcnn网络

做完上面一系列准备后，我们就可以着手开始训练我们的网络了：

在训练过程中，我们可以在loss.log中看到loss打印：

6. 推理FasterRcnn网络

当我们完成训练后，想查看我们训练的效果，这时候可以加载我们训练好的模型，来获取推理的精度：

推理完成后，我们可以看到如下推理结果：

本文介绍了如何在MindSpore上实现FasterRcnn网络的训练与推理，通过使用MindSpore可以很方便、高效地完成CV典型应用的构建、训练、验证、部署等过程。感兴趣的朋友们可以试一试~

MindSpore官方资料

GitHub:https://github.com/mindspore-ai/mindspore

Gitee:https://gitee.com/mindspore/mindspore

官方QQ群: 871543426