YimianDai

在 HPC 上 Verify driver version

$ cat /proc/driver/nvidia/version

在 HPC 上 Verify Runtime / Toolkit 版本

$ ls /cm/shared/modulefiles

YimianDai

目录

1. 实例类型选择

1. 实例类型选择

名称	GPU	vCPU	RAM (GiB)	网络带宽	价格 / 小时

YimianDai

目录

1. 概述
2. 代码解读
   • 2.1 __init__
   • 2.2 hybrid_forward

1. 概述

YimianDai

目录

1. 概述
2. 代码解读
   • 2.1 YOLOV3TargetMerger
   • 2.2 YOLOV3DynamicTargetGeneratorSimple

1. 概述

YimianDai

YOLOOutputV3

这个 Block 真正学习的 component 只有将 feature map 转化成 Prediction 的那个 Conv2D 而已, 剩下的都是在做一些 class / bbox decoding, 具体而言 YOLOOutputV3 的 forward 依次完成了如下步骤:

1. 根据给定的 feature map 通过 Conv2D 做出 Prediction, 这个 Prediction 依次包含 [cx, cy, w, h, objness, class_pred], class_pred 有 num_class 个长度
2. 分别从上一步的 Prediction 中 slice 出 cx, cy, w, h, objness, class_pred
3. 根据当前的 offsets 和 stride, 将 Feature Map 上的 cx, cy, w, h 映射成原图上的 [xmin, ymin, xmax, ymax]
4. 根据 objness 得到 confidence, 即 confidence = sigmoid(objness)
5. 根据 confidence 和 class_pred 得到 class_score, 即 sigmoid(class_pred) * confidence, 其中 sigmoid(class_pred) 是每类各自的概率, 概率乘上 confidence 才是这个类的 score
6. 将 ids, scores, bboxes 拼成 detections

YimianDai

Darknet53 整体架构如下图所示:

def _conv2d(channel, kernel, padding, stride, norm_layer=BatchNorm, norm_kwargs=None):
    """A common conv-bn-leakyrelu cell"""
    cell = nn.HybridSequential(prefix='')
 cell.add(nn.Conv2D(channel, kernel_size=kernel,

YimianDai

目录

1. YOLOOutputV3 代码解读
2. YOLOV3 代码解读

YOLODetectionBlockV3

get_yolov3

YimianDai

目录:

1. 概述
2. 代码详解

• __init__
• forward
• _slice

1. 概述

YimianDai

YOLO3DefaultTrainTransform 接受 VOCDetection 的输入, 完成两个功能:

1. 一个是对 img 做 data augmentation, label 也做相应变换
2. 另一个是按照 YOLOV3 的要求, 将 Human Labels for BBox 转变成 Model Labels for Anchors (targets)

__init__

YimianDai

1. parse_args
2. get_dataset
3. get_dataloader
4. save_params
5. validate
6. train
7. __main__

1. parse_args