PaddleSeg 工业质检子项目中的 PSS-DET：基于 RCNN 增强的服务器端实用目标检测方案

人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载本文围绕 QualityInspector 工业质检解决方案 中内置的 RCNN 增强检测算法PSS-DETPractical Server Side Detection完整解读其技术构成、模型库与配置文件组织方式并结合仓库源码给出从训练、验证到推理的实操路径。读完本文你将掌握这套以 ResNet50-vd SSLD 预训练为基座、融合 FPN DCNv2 等算子的两阶段检测方案在 COCO 任务上的效果、其配置文件每个字段的语义以及如何在 QualityInspector 中按统一配置方式复用它。一、方案概述近年来目标检测一直是学术界与工业界共同关注的图像任务。PaddleDetection 与 PaddleClas 配合推出了一面向服务器端部署的实用检测方案 PSS-DETPractical Server Side Detection。其核心思想是用更强的预训练模型替代 ImageNet 常规预训练权重再用 PaddleDetection 提供的丰富算子FPN、DCNv2、Libra R-CNN 相关组件等组装出精度与速度兼备的两阶段检测器。在 QualityInspector 仓库中该方案以 contrib/QualityInspector/configs/det/rcnn_enhance/README_en.md 为入口文档具体配置位于 contrib/QualityInspector/configs/det/rcnn_enhance/ 目录下包含主配置 faster_rcnn_enhance_3x_coco.yml基础配置目录 _base_含 faster_rcnn_enhance.yml、faster_rcnn_enhance_reader.yml、optimizer_3x.yml同时仓库中还保留了同族算法的对照配置如 faster_rcnn/README.md、cascade_rcnn、mask_rcnn 等方便横向对比。关键组成与原理PSS-DET 之所以“实用”在于三点强预训练基座使用基于 PaddleClas SSLD 蒸馏方案训练的 ResNet50-vd 预训练模型在 ImageNet1k 验证集 Top1 Acc 达 82.39%显著优于普通 ImageNet 预训练权重。DCNv2 可变形卷积在 ResNet 的 res3、res4、res5 三个阶段启用可变形卷积 v2提升几何形变建模能力。训练与后处理技巧采用 Libra R-CNN 的 bbox assignerBBoxLibraAssigner、DIoU Loss、AutoAugment 数据增强、3x36 epoch学习率调度等共同提升收敛质量与最终精度。二、模型库根据 README_en.md 的模型库表格该方案在 COCO 上提供的模型如下Backbone网络类型每张 GPU 图片数学习率策略推理速度(fps)Box APMask AP下载配置文件ResNet50-vd-FPN-Dcnv2Faster R-CNN23x61.42541.5-预训练权重下载见下文faster_rcnn_enhance_3x_coco.yml推理速度在单张 Tesla V100 上测得batch size 为 1Box AP 为 COCO mAPIoU0.5:0.95训练基于 COCO2017 数据集train2017 训练、val2017 验证。注仓库内不内置权重文件模型权重需从 PaddleDetection 模型库中下载可参考同目录下其他 README如 faster_rcnn/README.md中的下载链接模式将faster_rcnn_enhance_3x_coco.pdparams与ResNet50_vd_ssld_v2_pretrained.pdparams下载后按配置中pretrain_weights/weights指向使用。三、配置文件全解PSS-DET 的配置采用 PaddleDetection 的动态图配置风格主配置通过_BASE_继承若干基础配置字段即 Python 可解析的对象描述。3.1 主配置faster_rcnn_enhance_3x_coco.yml 内容如下_BASE_: [ ../datasets/coco_detection.yml, ../runtime.yml, _base_/optimizer_3x.yml, _base_/faster_rcnn_enhance.yml, _base_/faster_rcnn_enhance_reader.yml, ] weights: output/faster_rcnn_enhance_r50_3x_coco/model_final_BASE_依次继承数据集配置coco_detection.yml、运行环境配置runtime.yml、3x 优化器配置、模型结构配置、数据读取器配置weights指定训练产出的模型权重路径前缀训练过程会在此目录下生成 checkpoint 与model_final。3.2 数据集与运行环境coco_detection.yml 定义metric: COCO、num_classes: 80TrainDataset使用COCODataSet指向dataset/coco下的train2017与annotations/instances_train2017.jsonEvalDataset指向val2017TestDataset支持ImageFolder方式anno_path也支持 txt 标注列表。runtime.yml 定义运行环境与导出参数use_gpu/use_xpu/use_mlu/use_npu选择计算设备save_dir: output、snapshot_epoch: 1、log_iter: 20export小节控制导出post_process: True导出时包含后处理、nms: True包含 NMS、fuse_conv_bn: False。3.3 优化器与学习率3x 调度optimizer_3x.ymlepoch: 36 LearningRate: base_lr: 0.02 schedulers: - !PiecewiseDecay gamma: 0.1 milestones: [24, 33] - !LinearWarmup start_factor: 0. steps: 1000 OptimizerBuilder: optimizer: momentum: 0.9 type: Momentum regularizer: factor: 0.0001 type: L2共训练 36 个 epoch3x 策略基础学习率 0.02采用 1000 步线性 warmup从 0 起步在第 24、33 epoch 处按 0.1 倍率衰减优化器为 Momentum动量 0.9配合 L2 权重衰减factor 0.0001。3.4 模型结构faster_rcnn_enhance.yml这是 PSS-DET 的核心见 faster_rcnn_enhance.yml。逐段解读整体架构architecture: FasterRCNN pretrain_weights: https://paddledet.bj.bcebos.com/models/pretrained/ResNet50_vd_ssld_v2_pretrained.pdparams FasterRCNN: backbone: ResNet neck: FPN rpn_head: RPNHead bbox_head: BBoxHead bbox_post_process: BBoxPostProcesspretrain_weights指向 SSLDv2 蒸馏得到的 ResNet50-vd 预训练权重这是 PSS-DET 精度优势的基座检测头组件RPN 候选框网络 FPN 特征金字塔 BBoxHead 两阶段分类回归 后处理。骨干网络 ResNetDCNv2 增强ResNet: depth: 50 norm_type: bn variant: d freeze_at: 0 return_idx: [0,1,2,3] num_stages: 4 dcn_v2_stages: [1,2,3] lr_mult_list: [0.05, 0.05, 0.1, 0.15]variant: d表示 ResNet-vdResNet-D 结构stage 入口采用 1x1 卷积下采样特征保留更好return_idx: [0,1,2,3]输出 res2~res5 四个阶段的特征图供 FPN 使用dcn_v2_stages: [1,2,3]在 res3、res4、res5索引从 0 开始0 代表 res2三个阶段启用 DCNv2 可变形卷积lr_mult_list为各 stage 的倍率学习率前两阶段 0.05后两阶段 0.1/0.15让骨干浅层缓慢更新、深层充分适配检测任务。特征金字塔 FPNFPN: in_channels: [256, 512, 1024, 2048] out_channel: 64输入为 res2~res5 的通道数输出通道压缩为 64兼顾多尺度特征融合与计算量。RPN 与 ProposalRPNHead: anchor_generator: aspect_ratios: [0.5, 1.0, 2.0] anchor_sizes: [[32], [64], [128], [256], [512]] strides: [4, 8, 16, 32, 64] rpn_target_assign: batch_size_per_im: 256 fg_fraction: 0.5 negative_overlap: 0.3 positive_overlap: 0.7 use_random: True train_proposal: min_size: 0.0 nms_thresh: 0.7 pre_nms_top_n: 2000 post_nms_top_n: 2000 topk_after_collect: True test_proposal: min_size: 0.0 nms_thresh: 0.7 pre_nms_top_n: 500 post_nms_top_n: 300五层金字塔各对应 5 组 anchor 尺寸32~512长宽比 0.5/1.0/2.0RPN 训练时每张图采样 256 个 anchor正样本比例 0.5正负样本 IoU 阈值分别为 0.7/0.3训练时保留 2000 个 proposal推理时先取 500 再 NMS 保留 300 个兼顾召回与速度。BBoxHead 与 Libra 分配BBoxHead: head: TwoFCHead roi_extractor: resolution: 7 sampling_ratio: 0 aligned: True bbox_assigner: BBoxLibraAssigner bbox_loss: DIouLoss TwoFCHead: out_channel: 1024 BBoxLibraAssigner: batch_size_per_im: 512 bg_thresh: 0.5 fg_thresh: 0.5 fg_fraction: 0.25 use_random: True DIouLoss: loss_weight: 10.0 use_complete_iou_loss: trueROI 提取采用 alignedTrue 的 RoIAlign输出 7×7分类头为 TwoFCHead1024 维BBoxLibraAssigner源自 Libra R-CNN 的平衡采样思路每张图采样 512 个样本正负样本阈值均为 0.5正样本比例 0.25回归损失采用 DIoU Lossloss_weight: 10.0use_complete_iou_loss: true表示使用 CIoU 变体对框回归的收敛更友好。后处理BBoxPostProcess: decode: RCNNBox nms: name: MultiClassNMS keep_top_k: 100 score_threshold: 0.05 nms_threshold: 0.5解码后按类别做 MultiClassNMS每个类别保留 Top-100置信度阈值 0.05NMS IoU 阈值 0.5。3.5 数据读取器faster_rcnn_enhance_reader.ymlreader 配置 定义训练/验证/测试三套读取管线TrainReaderDecode→AutoAugmentautoaug_type v1→RandomResize在 384~672 十档短边中随机选择保持长宽比interp2→RandomFlip0.5→NormalizeImageImageNet 均值方差→Permutebatch 级PadBatchpad_to_stride 32batch_size2shuffle、drop_last、use_shared_memoryEvalReader / TestReaderDecode→Resizetarget_size 640×640keep_ratio→NormalizeImage→Permutebatch_size1测试时固定尺度、不打乱顺序。多尺度随机训练RandomResize与固定尺度验证是训练阶段精度与测试阶段稳定性的关键配置。四、训练、验证与推理QualityInspector 统一封装了检测训练/验证工具见 docs/det_seg/train_eval.md检测脚本位于tools/det/下。4.1 训练单卡训练python3 tools/det/train.py -c configs/det/rcnn_enhance/faster_rcnn_enhance_3x_coco.yml --use_vdltrue --vdl_log_dir./vdl_dir/scalar --eval多卡训练CUDA_VISIBLE_DEVICES0,1 python3 -m paddle.distributed.launch tools/det/train.py -c configs/det/rcnn_enhance/faster_rcnn_enhance_3x_coco.yml --use_vdltrue --vdl_log_dir./vdl_dir/scalar --eval--eval表示训练过程中周期性评估--use_vdl与--vdl_log_dir用于 VisualDL 可视化训练产物默认保存在./output/faster_rcnn_enhance_r50_3x_coco/由主配置的weights决定若更换为其他质检数据集如 Magnetic-tile-defect-datasets只需将数据整理为 COCO 格式并把num_classes、dataset_dir、anno_path等在 coco_detection.yml 中对应修改即可。4.2 验证python3 tools/det/eval.py -c configs/det/rcnn_enhance/faster_rcnn_enhance_3x_coco.yml -o weights./output/faster_rcnn_enhance_r50_3x_coco/model_final.pdparams-o可覆盖配置文件中的全局变量此处覆盖weights指向最终权重目前仅支持单卡评估输出 COCO 风格的 mAP 结果Box AP。4.3 推理python3 tools/det/infer.py -c configs/det/rcnn_enhance/faster_rcnn_enhance_3x_coco.yml -o weights... --infer_imgdemo.jpg单图使用--infer_img目录批量推理使用--infer_dir推理后处理由配置中的BBoxPostProcessMultiClassNMS完成可直接产出带框标注的检测结果。五、在 QualityInspector 中的定位与延伸PSS-DET 是 QualityInspector 检测算法库中的一员。QualityInspector 的定位是“工业质检全流程解决方案”支持检测、分割、检测RoI 分割串联等可配置方案。使用该方案时有几点提示配置即复用QualityInspector 仅保留部分算法配置文件但可直接将 PaddleDetection 中任意检测算法的 config 放入configs/det/使用见 README.md 与 train_eval.md对照参考仓库中同目录下的 faster_rcnn、cascade_rcnn、mask_rcnn、dcn 等 README 展示了不同骨干ResNet50-vd-SSLDv2、HRNet、Swin 等与不同检测头Cascade、Mask、DCN 系列的搭配可作为选型参考数据要求该方案按 COCO 80 类训练用于质检场景时需修改num_classes并准备对应 COCO 格式标注同时可参考 缺陷检测数据集配置 了解内置的质检数据集配置形态。六、总结PSS-DETRCNN 增强方案通过SSLD 蒸馏的 ResNet50-vd 预训练 FPN 多尺度融合 DCNv2 可变形卷积 Libra 平衡采样 DIoU/CIoU 回归损失 AutoAugment 与 3x 训练调度的组合在 COCO 上实现了单卡 V100 约 61 FPS 的推理速度与 41.5 Box AP 的精度平衡是面向服务器端部署的实用两阶段检测基线。对质检等垂直场景可按本文第三节的配置解析逐项替换骨干、类别数与数据集路径通过 QualityInspector 统一的训练/评估/推理工具快速完成从数据到模型的全流程落地。赞分享人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载相关推荐PSS-DET 服务器端实用目标检测方案解析基于 Faster R-CNN Enhance 的配置、训练与工业质检实战PSS DET 服务器端实用目标检测方案解析基于 Faster R CNN Enhance 的配置、训练与工业质检实战 本篇技术指南围绕 PaddleSeg人工智能计算机视觉预训练PaddleDetection 服务器端实用目标检测方案 PSS-DET配置详解与源码实现解析PaddleDetection 服务器端实用目标检测方案 PSS DET配置详解与源码实现解析 PSS DETPractical Server Side D人工智能深度学习计算机视觉PaddleDetection 服务器端实用目标检测方案 PSS-DETFaster R-CNN Enhance 配置与源码深度解析PaddleDetection 服务器端实用目标检测方案 PSS DETFaster R CNN Enhance 配置与源码深度解析 PSS DETPrac人工智能深度学习计算机视觉创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考