Training dataset 관련

안녕하십니까,

mmdetection은 서로 다른 이미지 사이즈를 가진 데이터 세트로 학습 및 추론이 모두 가능하지만, 내부적으로는 이들 서로 다른 이미지 사이즈를 공통 이미지 사이즈로 다시 Resize합니다. 결론적으로 말씀드리면 모델 내부에 입력될때는 공통의 이미지 사이즈가 필요합니다.

예를 들어 faster_rcnn_r50_fpn_1x_coco.py config기반에서 이미지를 1333x800으로 재 구성합니다.

그러니까 어떠한 이미지 사이즈를 가져다 놓더라도 1333x800으로 재 구성하게 됩니다.

1280x720 보다는 1920x1080로 학습하는 것이 모델 성능이 더 좋을 겁니다.

하지만 이를 적용하려면 아래 /content/mmdetection/configs/_base_/datasets/coco_detection.py 파일에서 train_pipeline과 img_scale을 원하는 사이즈로 변경해 주셔야 합니다.

# dataset settings
dataset_type = 'CocoDataset'
data_root = 'data/coco/'
img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadAnnotations', with_bbox=True),
    dict(type='Resize', img_scale=(1333, 800), keep_ratio=True),
    dict(type='RandomFlip', flip_ratio=0.5),
    dict(type='Normalize', **img_norm_cfg),
    dict(type='Pad', size_divisor=32),
    dict(type='DefaultFormatBundle'),
    dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels']),
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(
        type='MultiScaleFlipAug',
        img_scale=(1333, 800),
        flip=False,
        transforms=[
            dict(type='Resize', keep_ratio=True),
            dict(type='RandomFlip'),
            dict(type='Normalize', **img_norm_cfg),
            dict(type='Pad', size_divisor=32),
            dict(type='ImageToTensor', keys=['img']),
            dict(type='Collect', keys=['img']),
        ])
]
data = dict(
    samples_per_gpu=2,
    workers_per_gpu=2,
    train=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_train2017.json',
        img_prefix=data_root + 'train2017/',
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_val2017.json',
        img_prefix=data_root + 'val2017/',
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        ann_file=data_root + 'annotations/instances_val2017.json',
        img_prefix=data_root + 'val2017/',
        pipeline=test_pipeline))
evaluation = dict(interval=1, metric='bbox')