主体检测技术是目前应用非常广泛的一种检测技术，它指的是检测出图片中一个或者多个主体的坐标位置，然后将图像中的对应区域裁剪下来，进行识别，从而完成整个识别过程。主体检测是识别任务的前序步骤，可以有效提升识别精度。
本部分主要从数据集、模型选择和模型训练 3 个方面对该部分内容进行介绍。
在 PaddleClas 的识别任务中，训练主体检测模型时主要用到了以下几个数据集。
| 数据集 | 数据量 | 主体检测任务中使用的数据量 | 场景 | 数据集地址 |
|---|---|---|---|---|
| Objects365 | 170W | 6k | 通用场景 | 地址 |
| COCO2017 | 12W | 5k | 通用场景 | 地址 |
| iCartoonFace | 2k | 2k | 动漫人脸检测 | 地址 |
| LogoDet-3k | 3k | 2k | Logo检测 | 地址 |
| RPC | 3k | 3k | 商品检测 | 地址 |
在实际训练的过程中，将所有数据集混合在一起。由于是主体检测，这里将所有标注出的检测框对应的类别都修改为 前景 的类别，最终融合的数据集中只包含 1 个类别，即前景。
目标检测方法种类繁多，比较常用的有两阶段检测器（如FasterRCNN系列等）；单阶段检测器（如YOLO、SSD等）；anchor-free检测器（如PicoDet、FCOS等）。PaddleDetection中针对服务端使用场景，自研了 PP-YOLO 系列模型；针对端侧（CPU和移动端等）使用场景，自研了 PicoDet 系列模型，在服务端和端侧均处于业界较为领先的水平。
基于上述研究，PaddleClas 中提供了 2 个通用主体检测模型，为轻量级与服务端主体检测模型，分别适用于端侧场景以及服务端场景。下面的表格中给出了在上述 5 个数据集上的平均 mAP 以及它们的模型大小、预测速度对比信息。
| 模型 | 模型结构 | 预训练模型下载地址 | inference模型下载地址 | mAP | inference模型大小(MB) | 单张图片预测耗时(不包含预处理)(ms) |
|---|---|---|---|---|---|---|
| 轻量级主体检测模型 | PicoDet | 地址 | 地址 | 40.1% | 30.1 | 29.8 |
| 服务端主体检测模型 | PP-YOLOv2 | 地址 | 地址 | 42.5% | 210.5 | 466.6 |
- 注意
- 速度评测机器的CPU具体信息为：
Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz，速度指标为开启 mkldnn ，线程数设置为 10 测试得到。 - 主体检测的预处理过程较为耗时，平均每张图在上述机器上的时间在 40~55 ms 左右，没有包含在上述的预测耗时统计中。
- 速度评测机器的CPU具体信息为：
PicoDet 由 PaddleDetection 提出，是一个适用于CPU或者移动端场景的目标检测算法。具体地，它融合了下面一系列优化算法。
- ATSS
- Generalized Focal Loss
- 余弦学习率策略
- Cycle-EMA
- 轻量级检测 head
更多关于 PicoDet 的优化细节与 benchmark 可以参考 PicoDet 系列模型介绍。
在轻量级主体检测任务中，为了更好地兼顾检测速度与效果，我们使用 PPLCNet_x2_5 作为主体检测模型的骨干网络，同时将训练与预测的图像尺度修改为了 640x640，其余配置与 picodet_lcnet_1_5x_416_coco.yml完全一致。将数据集更换为自定义的主体检测数据集，进行训练，最终得到检测模型。
PP-YOLO 由 PaddleDetection 提出，从骨干网络、数据增广、正则化策略、损失函数、后处理等多个角度对 yolov3 模型进行深度优化，最终在"速度-精度"方面达到了业界领先的水平。具体地，优化的策略如下。
- 更优的骨干网络: ResNet50vd-DCN
- 更大的训练batch size: 8 GPUs，每GPU batch_size=24，对应调整学习率和迭代轮数
- Drop Block
- Exponential Moving Average
- IoU Loss
- Grid Sensitive
- Matrix NMS
- CoordConv
- Spatial Pyramid Pooling
- 更优的预训练模型
更多关于 PP-YOLO 的详细介绍可以参考：PP-YOLO 模型。
在服务端主体检测任务中，为了保证检测效果，我们使用 ResNet50vd-DCN 作为检测模型的骨干网络，使用配置文件 ppyolov2_r50vd_dcn_365e_coco.yml ，更换为自定义的主体检测数据集，进行训练，最终得到检测模型。
本节主要介绍怎样基于PaddleDetection，基于自己的数据集，训练主体检测模型。
下载PaddleDetection代码，安装requirements。
cd <path/to/clone/PaddleDetection>
git clone https://github.com/PaddlePaddle/PaddleDetection.git
cd PaddleDetection
# 安装其他依赖
pip install -r requirements.txt更多安装教程，请参考: 安装文档
对于自定义数据集，首先需要将自己的数据集修改为COCO格式，可以参考自定义检测数据集教程制作COCO格式的数据集。
主体检测任务中，所有的检测框均属于前景，在这里需要将标注文件中，检测框的category_id修改为1，同时将整个标注文件中的categories映射表修改为下面的格式，即整个类别映射表中只包含前景类别。
[{u'id': 1, u'name': u'foreground', u'supercategory': u'foreground'}]我们使用 configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml 配置进行训练，配置文件摘要如下：
从上图看到 ppyolov2_r50vd_dcn_365e_coco.yml 配置需要依赖其他的配置文件，这些配置文件的含义如下:
coco_detection.yml：主要说明了训练数据和验证数据的路径
runtime.yml：主要说明了公共的运行参数，比如是否使用GPU、每多少个epoch存储checkpoint等
optimizer_365e.yml：主要说明了学习率和优化器的配置
ppyolov2_r50vd_dcn.yml：主要说明模型和主干网络的情况
ppyolov2_reader.yml：主要说明数据读取器配置，如 batch size，并发加载子进程数等，同时包含读取后预处理操作，如resize、数据增强等等
在主体检测任务中，需要将 datasets/coco_detection.yml 中的 num_classes 参数修改为 1 （只有 1 个前景类别），同时将训练集和测试集的路径修改为自定义数据集的路径。
此外，也可以根据实际情况，修改上述文件，比如，如果显存溢出，可以将 batch size 和学习率等比缩小等。
PaddleDetection 提供了单卡/多卡训练模式，满足用户多种训练需求。
- GPU 单卡训练
# windows和Mac下不需要执行该命令
export CUDA_VISIBLE_DEVICES=0
python tools/train.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml- GPU多卡训练
export CUDA_VISIBLE_DEVICES=0,1,2,3
python -m paddle.distributed.launch --gpus 0,1,2,3 tools/train.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml --eval--eval：表示边训练边验证。
- (推荐)模型微调 如果希望加载 PaddleClas 中已经训练好的主体检测模型，在自己的数据集上进行模型微调，可以使用下面的命令进行训练。
export CUDA_VISIBLE_DEVICES=0
# 指定pretrain_weights参数，加载通用的主体检测预训练模型
python tools/train.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml -o pretrain_weights=https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/pretrain/ppyolov2_r50vd_dcn_mainbody_v1.0_pretrained.pdparams- 模型恢复训练
在日常训练过程中，有的用户由于一些原因导致训练中断，可以使用 -r 的命令恢复训练:
export CUDA_VISIBLE_DEVICES=0,1,2,3
python -m paddle.distributed.launch --gpus 0,1,2,3 tools/train.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml --eval -r output/ppyolov2_r50vd_dcn_365e_coco/10000注意：如果遇到 "Out of memory error" 问题, 尝试在 ppyolov2_reader.yml 文件中调小batch_size，同时等比例调小学习率。
使用下面的命令完成 PaddleDetection 的预测过程。
export CUDA_VISIBLE_DEVICES=0
python tools/infer.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml --infer_img=your_image_path.jpg --output_dir=infer_output/ --draw_threshold=0.5 -o weights=output/ppyolov2_r50vd_dcn_365e_coco/model_final--draw_threshold 是个可选参数. 根据 NMS 的计算，不同阈值会产生不同的结果 keep_top_k 表示设置输出目标的最大数量，默认值为 100 ，用户可以根据自己的实际情况进行设定。
执行导出模型脚本：
python tools/export_model.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml --output_dir=./inference -o weights=output/ppyolov2_r50vd_dcn_365e_coco/model_final.pdparams预测模型会导出到 inference/ppyolov2_r50vd_dcn_365e_coco 目录下，分别为 infer_cfg.yml (预测不需要), model.pdiparams, model.pdiparams.info, model.pdmodel 。
注意： PaddleDetection 导出的inference模型的文件格式为 model.xxx，这里如果希望与PaddleClas的inference模型文件格式保持一致，需要将其 model.xxx 文件修改为 inference.xxx 文件，用于后续主体检测的预测部署。
更多模型导出教程，请参考： EXPORT_MODEL
最终，目录 inference/ppyolov2_r50vd_dcn_365e_coco 中包含 inference.pdiparams, inference.pdiparams.info 以及 inference.pdmodel 文件，其中 inference.pdiparams 为保存的 inference 模型权重文件， inference.pdmodel 为保存的 inference 模型结构文件。
导出模型之后，在主体检测与识别任务中，就可以将检测模型的路径更改为该 inference 模型路径，完成预测。
以商品识别为例，其配置文件为 inference_product.yaml ，修改其中的 Global.det_inference_model_dir 字段为导出的主体检测 inference 模型目录，参考图像识别快速开始教程 ，即可完成商品检测与识别过程。
- A：可以的，但是目前的检测预处理过程仅适配了 PicoDet 以及 YOLO 系列的预处理，因此在使用的时候，建议优先使用这两个系列的模型进行训练，如果希望使用 Faster RCNN 等其他系列的模型，需要按照 PaddleDetection 的数据预处理，修改下预处理逻辑，这块如果您有需求或者有问题的话，欢迎提 issue 或者在微信群里反馈。
- A：可以的，但是需要注意 2 个地方
- PaddleClas 中提供的主体检测模型是基于
640x640的分辨率去训练的，因此预测的时候也是默认使用640x640的分辨率进行预测，使用其他分辨率预测的话，精度会有所降低。 - 在模型导出的时候，建议也修改下模型导出的分辨率，保持模型导出、模型预测的分辨率一致。
- PaddleClas 中提供的主体检测模型是基于