为了让用户更好的使用PaddleDetection，本文档中，我们将介绍PaddleDetection的主要模型技术细节及应用， 包括：如何搭建模型，如何定义检测组件和模型配置与运行。
PaddleDetection的网络模型模块所有代码逻辑在ppdet/modeling/中，所有网络模型是以组件的形式进行定义与组合，网络模型模块的主要构成如下架构所示：
ppdet/modeling/
├── architectures #
│ ├── faster_rcnn.py # Faster Rcnn模型
│ ├── ssd.py # SSD模型
│ ├── yolov3.py # YOLOv3模型
│ │ ...
├── anchor_heads # anchor生成检测头模块
│ ├── xxx_head.py # 定义各类anchor生成检测头
├── backbones # 基干网络模块
│ ├── resnet.py # ResNet网络
│ ├── mobilenet.py # MobileNet网络
│ │ ...
├── losses # 损失函数模块
│ ├── xxx_loss.py # 定义注册各类loss函数
├── roi_extractors # 检测感兴趣区域提取
│ ├── roi_extractor.py # FPNRoIAlign等实现
├── roi_heads # 两阶段检测器检测头
│ ├── bbox_head.py # Faster-Rcnn系列检测头
│ ├── cascade_head.py # cascade-Rcnn系列检测头
│ ├── mask_head.py # Mask-Rcnn系列检测头
├── tests # 单元测试模块
│ ├── test_architectures.py # 对网络结构进行单元测试
├── ops.py # 封装及注册各类PaddlePaddle物体检测相关公共检测组件/算子
├── target_assigners.py # 封装bbox/mask等最终结果的公共检测组件
我们以单阶段检测器YOLOv3为例，结合yolov3_darknet.yml配置文件，对建立模型过程进行详细描述， 按照此思路您可以快速搭建新的模型。
搭建新模型的一般步骤是：Backbone编写、检测组件编写与模型组网这三个步骤，下面为您详细介绍：
1.代码编写：
PaddleDetection中现有所有Backbone网络代码都放置在ppdet/modeling/backbones目录下，所以我们在其中新建darknet.py如下：
from ppdet.core.workspace import register
@register
class DarkNet(object):
__shared__ = ['norm_type', 'weight_prefix_name']
def __init__(self,
depth=53,
norm_type='bn',
norm_decay=0.,
weight_prefix_name=''):
# 省略内容
pass
def __call__(self, input):
# 省略处理逻辑
pass然后在backbones/__init__.py中加入引用：
from . import darknet
from .darknet import *几点说明：
- 为了在yaml配置文件中灵活配置网络，所有Backbone、模型组件与architecture类需要利用
ppdet.core.workspace里的register进行注册，形式请参考如上示例； - 在Backbone中都需定义
__init__函数与__call__函数，__init__函数负责初始化参数，在调用此Backbone时会执行__call__函数； __shared__为了实现一些参数的配置全局共享，具体细节请参考配置文件说明文档。
2.配置编写：
在yaml文件中以注册好了的DarkNet类名为标题，可选择性的对__init__函数中的参数进行更新，不在配置文件中配置的参数会保持__init__函数中的初始化值：
DarkNet:
norm_type: sync_bn
norm_decay: 0.
depth: 531.代码编写：编写好Backbone后，我们开始编写生成anchor的检测头部分，anchor的检测头代码都在ppdet/modeling/anchor_heads目录下，所以我们在其中新建yolo_head.py如下：
from ppdet.core.workspace import register
@register
class YOLOv3Head(object):
__inject__ = ['yolo_loss', 'nms']
__shared__ = ['num_classes', 'weight_prefix_name']
def __init__(self,
num_classes=80,
anchors=[[10, 13], [16, 30], [33, 23], [30, 61], [62, 45],
[59, 119], [116, 90], [156, 198], [373, 326]],
yolo_loss="YOLOv3Loss",
nms=MultiClassNMS(
score_threshold=0.01,
nms_top_k=1000,
keep_top_k=100,
nms_threshold=0.45,
background_label=-1).__dict__):
# 省略部分内容
pass然后在anchor_heads/__init__.py中加入引用：
from . import yolo_head
from .yolo_head import *几点说明：
__inject__表示引入封装好了的检测组件/算子列表，此处yolo_loss与nms变量指向外部定义好的检测组件/算子；- anchor的检测头实现中类函数需有输出loss接口
get_loss与预测框或建议框输出接口get_prediction； - 两阶段检测器在anchor的检测头里定义的是候选框输出接口
get_proposals，之后还会在roi_extractors与roi_heads中进行后续计算，定义方法与如下一致。 - YOLOv3算法的loss函数比较复杂，所以我们将loss函数进行拆分，具体实现在
losses/yolo_loss.py中，也需要注册； - nms算法是封装paddlepaddle中现有检测组件/算子，如何定义与注册详见定义公共检测组件/算子部分。
2.配置编写：
在yaml文件中以注册好了的YOLOv3Head类名为标题，可选择性的对__init__函数中的参数进行更新，不在配置文件中配置的参数会保持__init__函数中的初始化值：
YOLOv3Head:
anchor_masks: [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
anchors: [[10, 13], [16, 30], [33, 23],
[30, 61], [62, 45], [59, 119],
[116, 90], [156, 198], [373, 326]]
norm_decay: 0.
yolo_loss: YOLOv3Loss
nms:
background_label: -1
keep_top_k: 100
nms_threshold: 0.45
nms_top_k: 1000
normalized: false
score_threshold: 0.01
YOLOv3Loss:
batch_size: 8
ignore_thresh: 0.7
label_smooth: false如上配置文件中的YOLOv3Loss是注册好检测组件接口，所以需要在配置文件中也对YOLOv3Loss进行参数设置。
本步骤中，我们需要将编写好的Backbone、各个检测组件进行整合拼接，搭建一个完整的物体检测网络能够提供给训练、评估和测试程序去运行。
1.组建architecture：
所有architecture网络代码都放置在ppdet/modeling/architectures目录下，所以我们在其中新建yolov3.py如下：
from ppdet.core.workspace import register
@register
class YOLOv3(object):
__category__ = 'architecture'
__inject__ = ['backbone', 'yolo_head']
__shared__ = ['use_fine_grained_loss']
def __init__(self,
backbone,
yolo_head='YOLOv3Head',
use_fine_grained_loss=False):
super(YOLOv3, self).__init__()
# 省略内容
def build(self, feed_vars, mode='train'):
# 省略内容
pass
def build_inputs(self, ):
# 详解见【模型输入设置】章节
pass
def train(self, feed_vars):
return self.build(feed_vars, mode='train')
def eval(self, feed_vars):
return self.build(feed_vars, mode='test')
def test(self, feed_vars):
return self.build(feed_vars, mode='test')几点说明：
- 在组建一个完整的网络时必须要设定
__category__ = 'architecture'来表示一个完整的物体检测模型； - 在
__init__函数中传入我们上面定义好的backbone与yolo_head的名称即可，根据yaml配置文件里这些组件的参数初始化，ppdet.core.workspace会自动解析加载； - 在architecture类里必须定义
build_inputs函数，为了适配检测网络的输入与Reader模块，具体见模型输入设置模块； - 在architecture类里必须定义
train、eval和test函数，在训练、评估和测试程序中会分别调用这三个函数来在不同场景中加载网络模型。
2.配置编写：
首先定义网络模型名称：
architecture: YOLOv3接下来根据网络模型名称YOLOv3来初始化网络组件名称：
YOLOv3:
backbone: DarkNet
yolo_head: YOLOv3Head之后backbone、yolo_head的配置步骤在上面已经介绍，完成如上配置就完成了物体检测模型组网的工作。
在architecture定义的类里必须含有build_inputs函数，这个函数的作用是生成feed_vars和loader。
1.feed_vars是由key：fluid.data构成的字典，key是由如下yaml文件中fields字段构成，在不同数据集、训练、评估和测试中字段不尽相同，
在使用中需要合理组合。
TrainReader:
inputs_def:
fields: ['image', 'gt_bbox', 'gt_class', 'gt_score']
EvalReader:
inputs_def:
fields: ['image', 'im_size', 'im_id']
...在数据源解析中已经提到，数据源roidbs会解析为字典的形式，Reader会根据feed_vars所含字段进行解析适配。
2.loader是调用fluid.io.DataLoader
根据feed_vars来完成DataLoader的组建。
为了更好的复用一些公共检测组件/算子，以及可以在yaml配置文件中配置化，检测模型相关检测组件/算子都在ppdet/modeling/ops.py中定义并注册。这部分是选做部分，不是必需的。
（1）基于现有的PaddlePaddle物体检测相关OP进行二次封装注册：
例如fluid.layers.multiclass_nms
在PaddlePaddle已经存在，我们想让它在yaml文件中灵活配置，我们只需要在ops.py中如下配置即可：
from ppdet.core.workspace import register, serializable
@register
@serializable
class MultiClassNMS(object):
__op__ = fluid.layers.multiclass_nms
__append_doc__ = True
def __init__(self,
score_threshold=.05,
nms_top_k=-1,
keep_top_k=100,
nms_threshold=.5,
normalized=False,
nms_eta=1.0,
background_label=0):
super(MultiClassNMS, self).__init__()
# 省略注意： 我们是对fluid.layers.multiclass_nms这个OP进行二次封装，在__init__方法中添加所需的可选参数即可，保持默认的参数可以不添加进来。
（2）从零开始定义检测组件/算子：
在ops.py中定义xxx函数，然后在相应位置添加from ppdet.modeling.ops import xxx即可调用，无需注册与序列化。
PaddleDetection在ppdet/optimizer.py中注册实现了学习率配置接口类LearningRate、优化器接口类OptimizerBuilder。
- 学习率配置 在yaml文件中可便捷配置学习率各个参数：
LearningRate:
base_lr: 0.001
schedulers:
- !PiecewiseDecay
gamma: 0.1
milestones:
- 400000
- 450000
- !LinearWarmup
start_factor: 0.
steps: 4000几点说明：
-
PiecewiseDecay与LinearWarmup策略在ppdet/optimizer.py中都已注册。 -
除了这两个优化器之外，您还可以使用paddlepaddle中所有的优化器paddlepaddle官网文档。
-
Optimizer优化器配置：
OptimizerBuilder:
optimizer:
momentum: 0.9
type: Momentum
regularizer:
factor: 0.0005
type: L2
- 其他配置：在训练、评估与测试阶段，定义了一些所需参数如下：
use_gpu: true # 是否使用GPU运行程序
max_iters: 500200 # 最大迭代轮数
log_smooth_window: 20 # 日志打印队列长度
log_iter: 20 # 训练时日志每迭代x轮打印一次
save_dir: output # 模型保存路径
snapshot_iter: 2000 # 训练时第x轮保存/评估
metric: COCO # 数据集名称
pretrain_weights: xxx # 预训练模型地址（网址/路径）
weights: xxx/model_final # 评估或测试时模型权重的路径
num_classes: 80 # 类别数看过此文档，您应该对PaddleDetection中模型搭建与配置有了一定经验，结合源码会理解的更加透彻。关于模型技术，如您有其他问题或建议，请给我们提issue，我们非常欢迎您的反馈。