M-fast 🏃‍♂️🏃🏃‍♀️

Mono AI

1️⃣ 사용법

🔹 Anaconda를 이용한 실행

🔘 환경 설치

conda create -n {env_name} python=3.10.12
conda activate {env_name}

🔘 필요 패키지 설치

(env_name) conda install -c conda-forge tqdm opencv -y
(env_name) conda install pyyaml

🔘 학습

CUDA_VISIBLE_DEVICES={gpu} python train_backbone.py # 현재 미지원
CUDA_VISIBLE_DEVICES={gpu} python train_model.py --config {config_path}

• --config {config_path}: 학습할 네트워크 관련 설정파일(.yaml) 경로

예시

CUDA_VISIBLE_DEVICES='0' python train_model.py # 1 GPU Training
CUDA_VISIBLE_DEVICES='0,1' python train_model.py # 2 GPU Training

🔹 Docker를를 이용한 실행

🔘 Window Docker 설치 (Ubuntu에서 설치도 동일)

powershell 관리자 권한 실행
wsl --install # 가상머신 플랫폼 설치
설치 후 리부트
microsoft store에서 원하는 ubuntu 설치 (현재 기본 22.04)
wsl 로 ubuntu 실행

# Ubuntu 설치는 여기서부터 해도 무방
sudo apt update && sudo apt upgrade -y
sudo apt-get install ca-certificates curl gnupg lsb-release -y

# docker 저장소 추가
sudo mkdir -p /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# docker 설치
sudo apt-get update -y
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin -y

sudo service docker start

🔘 빌드 및 실행

docker build --tag mfast .

docker run -it --rm --gpus='"device=0,1,2"' -v {M-fast 경로}:/M-fast -v {데이터셋 경로}:/dataset --shm-size=8g --network host mfast

🔘 학습

python train_backbone.py # 현재 미지원
python train_model.py --config {config_path}

• --config {config_path}: 학습할 네트워크 관련 설정파일(.json) 경로

사용하는 GPU: 환경 실행시 설정한 GPU

2️⃣ Backbone

🔹 지원하는 모델

• Vgg16
• MobileNet-V1
• MobileNet-V2
• MobileNet-V3

🔹 지원하는 Dataset

• ImageNet
• OpenImagesV7
• PASS

🔹 성능

🔘 ImageNet Dataset

Backbone	Method	Dataset	Top-1	Top-5
Vgg16	Classification	ImageNet	-	-
MobileNet-V1	Classification	ImageNet	-	-
MobileNet-V2	Classification	ImageNet	-	-
MobileNet-V3	Classification	ImageNet	-	-

🔘 OpenImagesV7 Dataset

Backbone	Method	Dataset	Top-1	Top-5
Vgg16	MOCO	OpenImagesV7	-	-
MobileNet-V1	MOCO	OpenImagesV7	-	-
MobileNet-V2	MOCO	OpenImagesV7	-	-
MobileNet-V3	MOCO	OpenImagesV7	-	-

🔘 PASS Dataset

Backbone	Method	Dataset	Top-1	Top-5
Vgg16	MOCO	PASS	-	-
MobileNet-V1	MOCO	PASS	-	-
MobileNet-V2	MOCO	PASS	-	-
MobileNet-V3	MOCO	PASS	-	-

3️⃣ Model

🔹 지원하는 모델

🔘 2016

• YoloV1 (You Only Look Once, CVPR 2016)
• SSD (Single Shot MultiBox Detector, ECCV 2016)
  • vgg16, mobilenet-v1, mobilenet-v2, mobilenet-v3
• YOLO9000 (YOLO9000: Better, Faster, Stronger, CVPR 2017)

🔘 2019

• CenterNet (Objects as Points, CVPR 2019)

🔹 지원하는 Dataset

• VOC2007+2012 (PASCAL VOC, 20 classes)
• COCO2017 (Common Objects in Context, 80 classes)
• Crowd Human (Crowd Human, 2 class)
• Argoseye (Argoseye, 1 class)

🔹 성능

• 일반적으로 mAP는 다음과 같이 적용된다.

• AP^small : 32x32 이하의 작은 객체, IOU 0.5:0.95
• AP^medium: 32x32 이상, 96x96 이하의 객체, IOU 0.5:0.95
• AP^large : 96x96 이상의 큰 객체, IOU 0.5:0.95

• 이미지 입력 크기가 다양한 상황에서 위 평가지표는 적절하지 않으므로, 다음과 같이 적용된다.

• AP^small : bounding box의 넓이가 (1/6)² 이하인 객체
• AP^medium: bounding box의 넓이가 (1/6)² 이상, (1/3)² 이하인 객체
• AP^large : bounding box의 넓이가 (1/3)² 이상인 객체

• 그리고 IoU threshold는 다음과 같이 적용된다.

• AP^small : 0.5
• AP^medium: 0.6
• AP^large : 0.7

• 평가를 위해 11 point, 101 point, all point 계산 방법을 지원하지만, COCO에서 사용한 101 point 계산 방법을 사용한다.
• VOC 데이터셋의 경우 Occlusion 등의 이유로 Difficulty한 객체는 mAP 계산에서 제외하지만, 포함하여 계산되었다.

🔘 COCO2017 Dataset

Model	Backbone	Params	Flops	pretrained	AP0.5:0.95	AP50	AP75	APsmall	APmidium	APlarge
YoloV1	-	-	-	-	-	-	-	-	-	-
SSD	VGG16	42.7M	37.5G	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V1	-	-	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V2	16.69M	2.25G	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V3	-	-	Imagenet	-	-	-	-	-	-

🔘 VOC2007+2012 Dataset

Model	Backbone	Params	Flops	pretrained	AP0.5:0.95	AP50	AP75	APsmall	APmidium	APlarge
YoloV1	-	-	-	-	-	-	-	-	-	-
SSD	VGG16	42.7M	37.5G	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V1	-	-	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V2	16.69M	2.25G	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V3	-	-	Imagenet	-	-	-	-	-	-

🔘 CrowdHuman Dataset

Model	Backbone	Params	Flops	pretrained	AP0.5:0.95	AP50	AP75	APsmall	APmidium	APlarge
YoloV1	-	-	-	-	-	-	-	-	-	-
SSD	VGG16	42.7M	37.5G	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V1	-	-	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V2	16.69M	2.25G	Imagenet	-	-	-	-	-	-
SSD	Mobilenet-V3	-	-	Imagenet	-	-	-	-	-	-