[Python知识库]Gluoncv

1.Predict with pre-trained SSD models

Load a pretrained model

from gluoncv import model_zoo, data, utils
net = model_zoo.get_model('ssd_512_resnet50_v1_voc', pretrained=True)

• gluoncv / model_zoo / model_zoo.py

...
from .ssd import *
...
def get_model(name, **kwargs):
    name = name.lower()
    if name not in _models:
        err_str = '"%s" is not among the following model list:\n\t' % (name)
        err_str += '%s' % ('\n\t'.join(sorted(_models.keys())))
        raise ValueError(err_str)
    net = _models[name](**kwargs)
    return net

_models = {
    'resnet18_v1': resnet18_v1,
    'resnet34_v1': resnet34_v1,
    'resnet50_v1': resnet50_v1,
    ...
    }

• gluoncv / model_zoo / ssd / init.py

from __future__ import absolute_import
from .ssd import *
from .presets import *
from .vgg_atrous import *

models 是定义在model_zoo.py中的一个字典，字典内的每个value都导向一个取模型函数。导向的过程比较有意思，ssd是一个内部有__init_.py的目录，import过程中会取执行该脚本，脚本如下所示。从而可以指定导入某些特定的脚本。在脚本中使用__all__同时可以指定该脚本中在import *时被导出的函数或类。

• gluoncv / model_zoo / ssd / preset.py

def ssd_512_resnet50_v1_voc(pretrained=False, pretrained_base=True, **kwargs):
    classes = VOCDetection.CLASSES
    return get_ssd('resnet50_v1', 512,
                   features=['stage3_activation5', 'stage4_activation2'],
                   filters=[512, 512, 256, 256],
                   sizes=[51.2, 102.4, 189.4, 276.4, 363.52, 450.6, 492],
                   ratios=[[1, 2, 0.5]] + [[1, 2, 0.5, 3, 1.0/3]] * 3 + [[1, 2, 0.5]] * 2,
                   steps=[16, 32, 64, 128, 256, 512],
                   classes=classes, dataset='voc', pretrained=pretrained,
                   pretrained_base=pretrained_base, **kwargs)                

get_ssd函数的一个分类接口。pretrained表示是否使用预训练的网络，pretrained_base表示是否使用仅初始化的网络。

• gluoncv / model_zoo / ssd / ssd.py

def get_ssd(name, base_size, features, filters, sizes, ratios, steps, classes,
            dataset, pretrained=False, pretrained_base=True, ctx=mx.cpu(),
            root=os.path.join('~', '.mxnet', 'models'),
            anchor_generator=SSDAnchorGenerator, **kwargs):
    
    pretrained_base = False if pretrained else pretrained_base
    # callable检查括号内的是不是可调用对象
    base_name = None if callable(features) else name
    net = SSD(base_name, base_size, features, filters, sizes, ratios, steps,
              pretrained=pretrained_base, classes=classes, ctx=ctx, root=root,
              minimal_opset=pretrained, anchor_generator=anchor_generator, **kwargs)
    if pretrained:
        from ..model_store import get_model_file
        full_name = '_'.join(('ssd', str(base_size), name, dataset))
        net.load_parameters(get_model_file(full_name, tag=pretrained, root=root), ctx=ctx)
    return net

name：网络名；base_size：训练图的size；features：内部输出的名字列表；
filters：卷积层的通道数；sizes：锚框的size；ratios：锚框的ratios；
steps：？classes：最终分类的类别名；dataset：使用的数据集；